[論文レビュー] Financial Time Series Prediction Using Deep Learning

Ariel Navon, Yosi Keller|arXiv (Cornell University)|Nov 11, 2017

Stock Market Forecasting Methods参考文献 22被引用数 3

ひとこと要約

本論文は、生の株価およびETF価格データから直接、方向性の動きを予測するエンド・ツー・エンドのディープラーニングモデルを提案している。ニューラルネットワークは、方向性の動きを予測するように訓練されており、確率的予測を生成することで、手数料を考慮した取引戦略を支援する。2年間のバックテストにおいて、現実的な取引コストを想定した条件下で、統計的に有意な収益性を達成し、ベンチマークを上回った。

ABSTRACT

In this work we present a data-driven end-to-end Deep Learning approach for time series prediction, applied to financial time series. A Deep Learning scheme is derived to predict the temporal trends of stocks and ETFs in NYSE or NASDAQ. Our approach is based on a neural network (NN) that is applied to raw financial data inputs, and is trained to predict the temporal trends of stocks and ETFs. In order to handle commission-based trading, we derive an investment strategy that utilizes the probabilistic outputs of the NN, and optimizes the average return. The proposed scheme is shown to provide statistically significant accurate predictions of financial market trends, and the investment strategy is shown to be profitable under this challenging setup. The performance compares favorably with contemporary benchmarks along two-years of back-testing.

研究の動機と目的

• 生の価格データのみを用いて、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構築し、特徴量のエンジニアリングを回避すること。
• ニューラルネットワークの信頼度スコアを活用して、エントリーやエグジットのタイミングを最適化する確率的取引戦略を設計すること。
• 複数の資産において、現実の取引コストを想定した条件下で、提案されたシステムの収益性および耐性を評価すること。
• 従来のホールド・アンド・ホールド戦略や他の機械学習手法と比較して、ディープラーニングベースの戦略のパフォーマンスを評価すること。
• ディープラーニングベースのアクティブトレーディングの文脈において、資産のボラティリティとトレーディングパフォーマンスの関係を調査すること。

提案手法

• 固定された期間にわたり、将来的な価格変動の符号（すなわち、トレンドの方向）を予測するように、生の歴史的価格シーケンスに直接ディープニューラルネットワークを訓練する。
• モデルは、上昇トレンドまたは下降トレンドの可能性を示すソフト確率を出力し、予測の信頼度を評価するために使用する。
• これらの信頼度スコアを用いて、ロングポジションのエントリーやエグジットを決定する確率的取引戦略を導出する。これにより、誤検出のリスクを低減する。
• 統一された購入および売却手数料を適用し、現実の手数料制約下で平均リターンを最大化するようにシステムを最適化する。
• 分単位のデータを用いて、S&P 500構成銘柄（例：SPY、AAPL、AMZN、BAC）の複数の銘柄で、2年間のバックテストを実施する。
• 累積利益、年間ボラティリティ、シャープレシオなどの指標を用いてパフォーマンスを評価し、ホールド・アンド・ホールド戦略や他の機械学習モデルと比較する。

実験結果

リサーチクエスチョン

• RQ1 生の価格データに直接訓練されたディープラーニングモデルは、統計的に有意な金融市場のトレンド予測を達成できるか？
• RQ2 現実の取引コストを想定した条件下で、ニューラルネットワークの信頼度スコアに基づく確率的取引戦略は、どのように性能を示すか？
• RQ3 資産のボラティリティと、提案されたディープラーニングベースの取引システムの収益性の関係は何か？
• RQ4 現実の取引環境において、提案されたエンド・ツー・エンドのディープラーニングアプローチは、ホールド・アンド・ホールドや他の機械学習モデルを上回るパフォーマンスを示すか？
• RQ5 取引コストは、アクティブトレーディング戦略の収益性およびリスク調整リターンにどの程度影響を与えるか？

主な発見

• ディープラーニングモデルは、特徴量のエンジニアリングを一切行わず、生の価格入力を用いても、統計的に有意な金融市場のトレンド予測を達成した。
• 提案された確率的取引戦略は、2年間のバックテストにおいて、現実の取引コストを想定した状況下でも、全テスト対象銘柄で正の累積リターンを達成した。
• 0.1%の手数料率の場合、アマゾン（AMZN）で累積利益が152.2%に達し、ベースラインのホールド・アンド・ホールド収益（86.1%）を上回った。
• 取引コストが0.07%未満の場合、全資産においてシャープレシオが0.5を超えた。これは、強力なリスク調整リターンを示している。
• 図10の線形回帰分析から、アクティブトレーディング戦略の累積利益は、資産のボラティリティと正の相関関係にあることが示された。
• 0.1%の手数料率下で、低ボラティリティ資産（T、JNJ、KO）では戦略が低性能にとどまり、このアプローチにとって高いボラティリティが好ましい可能性があることが示された。