[論文レビュー] Forecasting non-stationary financial time series through genetic algorithm

M. B. Porecha, Pradipta Kumar Panigrahi+3 more|ArXiv.org|Jul 18, 2005

Complex Systems and Time Series Analysis参考文献 4被引用数 5

ひとこと要約

本稿では、非定常な金融時系列（NASDAQやBSEインデックスを含む）のトレンドを予測するために、離散ウェーブレット変換（Coiflets）と遺伝的アルゴリズムを組み合わせたハイブリッド手法を提案する。ウェーブレットを用いてトレンドを分離し、ラグされたトレンド値から遺伝的アルゴリズムを適用して明示的な解析的方程式を導出することで、NASDAQではR² = 0.99994、平均誤差0.06831%という高い精度を達成し、市場の方向性と大きさの両方において強力な予測能力を示した。

ABSTRACT

We utilize a recently developed genetic algorithm, in conjunction with discrete wavelets, for carrying out successful forecasts of the trend in financial time series, that includes the NASDAQ composite index. Discrete wavelets isolate the local, small scale variations in these non-stationary time series, after which the genetic algorithm's predictions are found to be quite accurate. The power law behavior in Fourier domain reveals an underlying self-affine dynamical behavior, well captured by the algorithm, in the form of an analytic equation. Remarkably, the same equation captures the trend of the Bombay stock exchange composite index quite well.

研究の動機と目的

• 非定常な金融時系列の予測という挑戦に取り組む。このような時系列は、複雑で非線形的かつスケール依存的なダイナミクスを示す。
• 特にCoifletsを用いた離散ウェーブレット変換を活用し、金融インデックスのランダムな揺らぎから決定的トレンド成分を分離する。
• ニューラルネットワークのような「ブラックボックス」的性質を避けるために、データ駆動型の予測モデルを構築し、トレンドの進化を明示的な解析的方程式として得る。
• NASDAQおよびBSEコンpositeインデックスの両方で手法を検証し、異なる市場間での一般化可能性を評価する。
• 抽出されたトレンドのパワースペクトルを分析することで、金融時系列の背後にあるダイナミカルな性質を解明する。

提案手法

• 本手法は、多スケール性とモーメントの消失特性を活かして最適なトレンド抽出が可能なCoifletウェーブレットを用い、金融時系列をトレンド成分と揺らぎ成分に分解する。
• 抽出されたトレンド系列に遺伝的アルゴリズムを適用し、過去の値（x(t-1), x(t-3), x(t-4)）を入力として、1日先の予測用の解析的方程式を進化させる。
• 選択、交叉、突然変異を経て、訓練データ700点における平均二乗誤差をフィットネス関数として定義した方程式の文字列の集団を進化させる。
• 位相空間再構築の適切な次元を保証するため、偽の近隣点法により埋め込み次元m=4を決定する。
• 最終的な予測方程式は、743点のOut-of-sampleデータに対して相関係数、R²、平均誤差、トレンド方向一致率の指標を用いて検証する。
• トレンドのフーリエ領域におけるパワースペクトル解析により、自己相似的およびダイナミカルな性質を評価し、1.88のパワー法則指数が整数的（integrable）な挙動に近いことを示した。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドウェーブレット-遺伝的アルゴリズムフレームワークは、非定常な金融時系列における決定的トレンドの抽出と予測を効果的に行えるか？
• RQ2 生データに直接遺伝的アルゴリズムを適用するのと比較して、Coifletウェーブレットの使用が予測精度を顕著に向上させるか？
• RQ3 パワースペクトル解析によって明らかにされたトレンドのダイナミクスは、金融インデックスの背後にある力学系の性質をどのように示すか？
• RQ4 NASDAQデータから導出された同一の解析的予測方程式が、BSE Sensexのような異なる市場インデックスのトレンドを正確に予測できるか？
• RQ5 ウェーブレットベースの前処理を組み込むことで、金融予測における遺伝的アルゴリズムのロバスト性と一般化能力は向上するか？

主な発見

• 生NASDAQデータに直接遺伝的アルゴリズムを適用した場合、パーコネーション法と比較して僅かに優れた予測にとどまり、ランダムな揺らぎが予測精度を妨げていることが示された。
• Coifletウェーブレットを用いてトレンドを抽出した後、遺伝的アルゴリズムは予測値と実測値の間にR² = 0.99994の高い一致を達成し、ほぼ完全なフィットを示した。
• NASDAQにおける予測トレンドの平均絶対誤差はわずか0.06831%にとどまり、短期予測において極めて高い精度を示した。
• x_fit(t) = (x(t-4) * (x(t-1))²) / (x(t-3) + 1) という形で導出された予測方程式は、価格変動の方向性を的確に捉えており、742回の方向予測のうち40回の不一致にとどまった。
• トレンドのパワースペクトルは、指数1.88のパワー法則減衰を示し、これは力学系が混沌としたもの（指数~1）よりも整数的（integrable）な挙動に近いことを示唆した。
• 同一の予測方程式はBSE Sensexのトレンド予測にも適用可能であり、平均誤差0.08693%を達成し、本手法の異なる金融インデックスへの適用可能性を確認した。