[論文レビュー] Financial Trading Model with Stock Bar Chart Image Time Series with Deep Convolutional Neural Networks

Ömer Berat Sezer, Ahmet Murat Özbayoğlu|arXiv (Cornell University)|Mar 11, 2019

Stock Market Forecasting Methods被引用数 11

ひとこと要約

本論文では、30日分の株価ローソク足時間系列データを2次元画像に変換し、畳み込みニューラルネットワーク（CNN）を用いて売買・ホールドのシグナルを予測する、深層学習に基づく新規なアルゴリズム取引手法を提案する。CNN-BIモデルは、トレンドのない市場や売り市場においてもBuy-and-Hold戦略を上回り、市場状況にかかわらず一貫したパフォーマンスを示し、平均52.35%の成功率と最大下落率に対する121.31%のリターンを達成した。

ABSTRACT

Even though computational intelligence techniques have been extensively utilized in financial trading systems, almost all developed models use the time series data for price prediction or identifying buy-sell points. However, in this study we decided to use 2-D stock bar chart images directly without introducing any additional time series associated with the underlying stock. We propose a novel algorithmic trading model CNN-BI (Convolutional Neural Network with Bar Images) using a 2-D Convolutional Neural Network. We generated 2-D images of sliding windows of 30-day bar charts for Dow 30 stocks and trained a deep Convolutional Neural Network (CNN) model for our algorithmic trading model. We tested our model separately between 2007-2012 and 2012-2017 for representing different market conditions. The results indicate that the model was able to outperform Buy and Hold strategy, especially in trendless or bear markets. Since this is a preliminary study and probably one of the first attempts using such an unconventional approach, there is always potential for improvement. Overall, the results are promising and the model might be integrated as part of an ensemble trading model combined with different strategies.

研究の動機と目的

• 従来の時系列データに依存せずに、2次元の株価ローソク足画像を入力として用いる新規なアルゴリズム取引モデルの開発を目的とする。
• 株価データの視覚的表現を用いてトレーニングされた深層CNNモデルの、多様な市場状況下でのパフォーマンスを評価することを目的とする。
• 視覚的パターン認識が、畳み込みニューラルネットワークを用いて金融時系列に応用可能かどうかを評価することを目的とする。
• 画像ベースの深層学習が、Buy-and-Holdのような標準的ベンチマークを上回る可能性を検証することを目的とする。
• 今後のアンサンブルモデルの基盤を築くことを目的とし、画像ベースと従来の時系列アプローチを統合する。

提案手法

• ダウ30銘柄の30日分の歴史的価格データ（始値、高値、安値、終値）を30×30ピクセルの2次元ローソク足画像に変換する。
• ラベルとして「買い」「売り」「ホールド」を付与し、これらの2次元画像を入力として深層畳み込みニューラルネットワーク（CNN）をトレーニングする。
• 特徴抽出および取引シグナル分類のため、標準的なCNNアーキテクチャ（例：AlexNetやVGGスタイルに類似）を用いる。
• バブル崩壊後から2012年までの期間（2007–2012）と、2012年以降の期間（2012–2017）という2つの異なる期間のアウトオブサンプルデータを用いて、モデルの頑健性を検証する。
• シミュレーテッド取引システムに予測結果を統合し、年間リターン、最大下落率、取引統計などのパフォーマンス指標を算出する。
• 明確なシグナルが得られない場合には現金を保有するという取引ルールを適用し、結果として48–49%の未使用率（idle ratio）が得られた。

実験結果

リサーチクエスチョン

• RQ1 2次元畳み込みニューラルネットワークは、数値的時系列データに依存せずに、株価データの視覚的表現から直接取引シグナルを学習できるか？
• RQ2 画像ベースのCNN-BIモデルのパフォーマンスは、バブル市場、下落市場、トレンドのない市場という異なる市場レジームにおいて、Buy-and-Hold戦略と比較してどうなるか？
• RQ3 モデルは、市場状況や時間的変動にかかわらず一貫したパフォーマンスとシグナル生成を維持できるか？
• RQ4 高い未使用率（ほぼ50%）が、特にバブル市場において全体の利益性にどのような影響を与えるか？
• RQ5 多資産バスケット処理や動的市場レジーム適応戦略を用いることで、モデルのパフォーマンスを向上させられるか？

主な発見

• CNN-BIモデルは、両テスト期間を通じて平均52.35%の成功率を達成し、ランダムウォークを上回り、統計的に有意義なシグナルを生成した。
• 年間40–60件の取引が発生し、平均取引期間は3日間であった。これは、一貫した頻度の高い取引活動を示している。
• 最大下落率に対するリターン（RoMaD）において、モデルは2007–2012年には121.31%、2012–2017年には61.62%を達成し、Buy-and-Holdを上回った。
• 年間リターンは2007–2012年が7.20%、2012–2017年が5.86%であり、よりボラティリティの高かった初期期間でより良好なパフォーマンスを示した。
• 未使用率は48.20–48.88%と高く、これは2012–2017年のバブル市場期間においてリターンが制限された可能性を示しており、未利用資産による機会費用が生じたと考えられる。
• 最大下落率は2007–2012年が34.92%、2012–2017年が19.48%であり、後期の期間ではより優れたリスク調整パフォーマンスを示した。