[論文レビュー] Equity2Vec: End-to-end Deep Learning Framework for Cross-sectional Asset Pricing

Qingyao Wu, Christopher G. Brinton+4 more|arXiv (Cornell University)|Sep 7, 2019

Banking stability, regulation, efficiency被引用数 5

ひとこと要約

Equity2Vec は、グラフベースの埋め込み手法を用いてニュース共起語を活用し、動的および静的株式関係を学習するエンドツーエンドのディープラーニングフレームワークを提案する。技術的要因、ニュース信号、クロスセクショナル信号といった異種データソースを統合することで、株式リターン予測およびトレーディングパフォーマンスの向上を実現する。バックテストシミュレーションにおいて、最先端のモデルを上回る優れた収益性を示している。

ABSTRACT

Pricing assets has attracted significant attention from the financial technology community. We observe that the existing solutions overlook the cross-sectional effects and not fully leveraged the heterogeneous data sets, leading to sub-optimal performance. To this end, we propose an end-to-end deep learning framework to price the assets. Our framework possesses two main properties: 1) We propose Equity2Vec, a graph-based component that effectively captures both long-term and evolving cross-sectional interactions. 2) The framework simultaneously leverages all the available heterogeneous alpha sources including technical indicators, financial news signals, and cross-sectional signals. Experimental results on datasets from the real-world stock market show that our approach outperforms the existing state-of-the-art approaches. Furthermore, market trading simulations demonstrate that our framework monetizes the signals effectively.

研究の動機と目的

• 既存の資産評価モデルがクロスセクショナル効果を無視し、異種データソースを十分に活用していないという限界に対処すること。
• 静的（セクター、サプライチェーン）および動的（進化する投資家センチメント）な株式関係を捉える株式表現手法を開発すること。
• ニュースベースの信号、テクニカルインジケーター、クロスセクショナル信号を統合した包括的なディープラーニングモデルを構築し、リターン予測の精度を向上させること。
• 現実的な市場取引シミュレーションを通じて、予測信号の有効な収益化を可能にすること。

提案手法

• Equity2Vec は、長期的なニュース共起語から得られるグローバルな株式共起行列を構築し、行列分解を用いて静的かつ長期的な株式関係を抽出する。
• ノードが株式、エッジが進化する共起関係を表す動的株式グラフを構築し、クロスセクショナル信号の伝搬を可能にする。
• グラフニューラルネットワーク（GNN）にインspiredされた伝搬機構を用いて、隣接株式に基づき株式埋め込みを更新し、進化する市場相互依存性を捉える。
• 学習された株式埋め込みとテクニカルインジケーター、ニュースセンチメント信号を統合し、最終的なリターン予測に用いる統一されたディープニューラルネットワークを構築する。
• 中国株式市場（2009–2018年）の実世界データを用いて、3,600種以上の株式をカバーするエンドツーエンドの学習を実施する。
• 市場シミュレーションフレームワークを用いて、予測信号に基づく収益性を評価し、実世界での収益化可能性を検証する。

実験結果

リサーチクエスチョン

• RQ1 ニュース共起語から、静的および動的両方の株式関係を効果的にモデル化することで、資産評価の精度を向上させることは可能か？
• RQ2 ニュース、テクニカル要因、クロスセクショナル信号といった異種データソースを統合した包括的なディープラーニングフレームワークは、既存のモデルを上回るクロスセクショナルリターン予測性能を達成できるか？
• RQ3 学習された株式埋め込みは、既知の金融セクター分類および経済的関係とどの程度整合しているか？
• RQ4 モデルの予測信号は、シミュレートされた取引環境で効果的に収益化可能か？

主な発見

• Equity2Vec は、実世界の中国株式市場データを用いたクロスセクショナルリターン予測において、最先端のモデルを顕著に上回る優れた予測精度を示した。
• バックテスト取引シミュレーションにおいて、累積リターンとシャープレシオの両方が高い水準に達し、信号の有効な収益化が確認された。
• Equity2Vec で学習された株式埋め込みは、商業的リスクモデルにおけるセクター分類と良好に一致しており、経済的解釈可能性が裏付けられた。
• 動的グラフ伝搬を用いることで、リテール投資家センチメントに起因する共動的動き（例：2021年のGameStop、AMC）といった進化する市場ダイナミクスを効果的に捉えた。
• ニュース共起語は、セクターおよびサプライチェーン関係を含む、裏付けとなる株式関係の強力な代理指標であることが示された。これは、同期的な株価動向によって裏付けられている。
• ニュース、テクニカル要因、クロスセクショナル信号といった複数のデータソースの統合は、単一のデータタイプに依存するモデルよりも優れたパフォーマンスをもたらした。