[論文レビュー] Incorporating Fine-grained Events in Stock Movement Prediction

Deli Chen, Yanyan Zou+4 more|arXiv (Cornell University)|Oct 11, 2019

Stock Market Forecasting Methods参考文献 28被引用数 4

ひとこと要約

本稿では、分野特化型のファイナンスイベント辞書（TFED）を用いて抽出された詳細なファイナンスイベント構造をニューラルモデルに組み込むことで、株価変動予測のための新規アプローチを提案する。この手法は、構造的株価予測モデル（SSPM）と、イベント抽出と株価予測を共同で学習するマルチタスクフレームワーク（MSSPM）を用いて、予測不能なニュースタイプに対しても一般化性能が著しく向上する。

ABSTRACT

Considering event structure information has proven helpful in text-based stock movement prediction. However, existing works mainly adopt the coarse-grained events, which loses the specific semantic information of diverse event types. In this work, we propose to incorporate the fine-grained events in stock movement prediction. Firstly, we propose a professional finance event dictionary built by domain experts and use it to extract fine-grained events automatically from finance news. Then we design a neural model to combine finance news with fine-grained event structure and stock trade data to predict the stock movement. Besides, in order to improve the generalizability of the proposed method, we design an advanced model that uses the extracted fine-grained events as the distant supervised label to train a multi-task framework of event extraction and stock prediction. The experimental results show that our method outperforms all the baselines and has good generalizability.

研究の動機と目的

• 粗い粒度の $<$S,P,O$>$ トリプルではなく、詳細なイベント構造を活用することで、株価変動予測を改善すること。
• 事前に定義されたイベント辞書にカバーされていないニュース（すなわち「カバーされていないニュース」）に対して失敗する既存モデルの限界を是正すること。
• 詳細なイベントから遠隔教師付き学習を用いて、イベント抽出と株価予測を共同で学習させることで、モデルの一般化性能を向上させること。
• ファイナンス専門家によるドメイン知識を活かしたプロフェッショナルなファイナンスイベント辞書（TFED）を構築し、金融ニュースからの正確な詳細なイベント抽出を可能にすること。
• テキスト、イベント構造、分単位の株式取引データを効果的に統合するニューラルアーキテクチャを設計すること。

提案手法

• ファイナンス専門家がキュレートした32種類のイベントタイプを備えた分野特化型のTOPIXファイナンスイベント辞書（TFED）を構築し、詳細なイベント抽出を可能にする。
• TFEDを用いて、金融ニュースからイベントタイプ、トリガー、および時間、価格、変化率などの役割を含む詳細なイベントを自動抽出する。
• ニューステキスト、詳細なイベント構造、時系列株式取引データをアテンションおよびゲーティング機構を介して統合する構造的株価予測モデル（SSPM）を設計する。
• 詳細なイベントを遠隔教師付き学習として用いて、イベント抽出と株価予測を共同で学習するマルチタスク構造的株価予測モデル（MSSPM）を提案する。
• 表現学習を強化するために、ニュースと株式データ間のゲーティング統合機構とコアテンションを実装する。
• MSSPMにCRF層を適用し、イベント抽出におけるシーケンスラベルの整合性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 詳細なイベント構造を組み込むことで、粗い粒度の $<$S,P,O$>$ 構造に比べて、より良い株価変動予測が達成できるか？
• RQ2 事前に定義されたイベント辞書にカバーされていないニュース（すなわち「カバーされていないニュース」）に対して、株価予測モデルの性能はどのように変化するか？
• RQ3 イベント抽出と株価予測の共同学習により、未知またはOoV（語彙外）イベントに対してもモデルの一般化性能が向上するか？
• RQ4 アテンション機構と統合モジュールが、モデルの予測性能にどの程度寄与しているか？
• RQ5 詳細なイベントを遠隔教師付き学習として用いることで、イベント抽出部のロバスト性が向上するか？

主な発見

• SSPMモデルは、カバー済みニュースにおいて67.6%の精度を達成し、すべてのベースラインを上回り、詳細なイベント統合の有効性を示している。
• カバーされていないニュースでは、SSPMの精度は63.4%に低下し、固定されたTFED辞書依存性による一般化性能の限界が示された。
• MSSPMモデルは、カバーされていないニュースにおいて65.2%の精度を達成し、SSPMに比べ1.8%の相対的向上を示し、一般化性能の向上を確認した。
• MSSPMにおけるマルチタスク学習アプローチにより、イベント抽出のマイクロ-F1は84.3%に向上、株価予測のMCCは0.315に達し、パイプライン手法（79.2% F1、0.297 MCC）を上回った。
• アブレーションスタディでは、統合関数を削除すると、SSPMの精度が1.5ポイント低下し、MSSPMでは1.1ポイント低下し、特徴統合におけるその重要性を裏付けた。
• ニュースと株式データ間のコアテンション機構は顕著に寄与しており、SSPMでこれを削除すると1.3ポイントの精度低下を示し、マルチモodal相互作用におけるその重要性を強調した。