[論文レビュー] Modeling Chaotic Behavior of Stock Indices Using Intelligent Paradigms

Ajith Abraham, Ninan Sajith Philip+1 more|ArXiv.org|May 5, 2004

Stock Market Forecasting Methods参考文献 28被引用数 64

ひとこと要約

本稿では、人工ニューラルネットワーク（Levenberg-Marquardt法で訓練済み）、サポートベクターマシン、Takagi-Sugeno型ニューロファジィシステム、および差分ブースティングニューラルネットワークを用いた、株価インデックスにおける混沌とした挙動の比較的評価を提案する。ナスダック-100とS&P CNX NIFTYのデータをそれぞれ7年間および4年間使用し、すべてのモデルが複雑で非線形的な市場動態を高い精度で捉えることができた。これは、金融予測におけるモデルの頑健性と信頼性を裏付けている。

ABSTRACT

The use of intelligent systems for stock market predictions has been widely established. In this paper, we investigate how the seemingly chaotic behavior of stock markets could be well represented using several connectionist paradigms and soft computing techniques. To demonstrate the different techniques, we considered Nasdaq-100 index of Nasdaq Stock MarketS and the S&P CNX NIFTY stock index. We analyzed 7 year's Nasdaq 100 main index values and 4 year's NIFTY index values. This paper investigates the development of a reliable and efficient technique to model the seemingly chaotic behavior of stock markets. We considered an artificial neural network trained using Levenberg-Marquardt algorithm, Support Vector Machine (SVM), Takagi-Sugeno neuro-fuzzy model and a Difference Boosting Neural Network (DBNN). This paper briefly explains how the different connectionist paradigms could be formulated using different learning methods and then investigates whether they can provide the required level of performance, which are sufficiently good and robust so as to provide a reliable forecast model for stock market indices. Experiment results reveal that all the connectionist paradigms considered could represent the stock indices behavior very accurately.

研究の動機と目的

• 接続主義的およびソフトコンピューティング技術が、金融時系列の見かけ上混沌とした挙動を効果的にモデル化できるかどうかを調査すること。
• 実世界の株価インデックスデータ上で、ANN、SVM、ニューロファジィ、DBNNといった複数の知能的枠組みの性能を比較すること。
• これらのモデルが、株価インデックスの予測において信頼性があり頑健な精度を達成できるかどうかを特定すること。
• ハイブリッド型および学習最適化モデルが、金融市場における非線形ダイナミクスを捉える有効性を検証すること。

提案手法

• 収束が速く、高い精度を発揮するLevenberg-Marquardt法で訓練された人工ニューラルネットワーク（ANN）を採用した。
• カーネル法を用いたサポートベクターマシン（SVM）を適用し、株価インデックスデータにおける非線形関係をモデル化した。
• ファジィ論理とニューラルネットワーク学習を組み合わせることで、解釈可能な非線形モデリングを実現したTakagi-Sugeno型ニューロファジィモデルを活用した。
• 繰り返し誤差を是正することで予測精度を向上させる差分ブースティングニューラルネットワーク（DBNN）を実装した。
• すべてのモデルを、ナスダック-100の7年間およびS&P CNX NIFTYの4年間のデータで訓練およびテストし、頑健性を確保した。
• 将来のインデックス値をモデル化するために時系列データを入力とし、標準的な予測評価指標を用いて性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 知能的枠組みは、株価インデックスに観察される混沌とした非線形ダイナミクスを正確にモデル化できるか？
• RQ2 実際の金融データにおける予測性能に関して、ANN、SVM、ニューロファジィ、DBNNといった異なる接続主義的モデルは、どのように比較されるか？
• RQ3 DBNN やTakagi-Sugenoシステムのようなハイブリッド型または学習最適化モデルは、標準モデルに比べて優れた予測精度を提供するか？
• RQ4 ナスダック-100やNIFTYのような異なる市場インデックスにおいて、これらのモデルの性能は一貫しているか？
• RQ5 金融時系列の本質的な予測不能性にもかかわらず、ソフトコンピューティング技術は信頼性があり頑健な予測を提供できるか？

主な発見

• ANN、SVM、ニューロファジィ、DBNNの4つの知能的枠組みすべてが、株価インデックスの混沌とした挙動を高い精度でモデル化した。
• Levenberg-Marquardt法で訓練されたANNは、ナスダック-100およびNIFTYの両データセットにおいて、収束が速く、優れた予測性能を示した。
• サポートベクターマシンは、特に金融時系列における非線形パターンの処理において、頑健な結果を達成した。
• Takagi-Sugeno型ニューロファジィモデルは、高精度な予測を維持しながら、解釈可能なルールベースのインサイトを提供した。
• 差分ブースティングニューラルネットワーク（DBNN）は、データ内の誤差パターンを繰り返し精緻化することで、予測精度を向上させた。
• 全体として、すべてのモデルが十分に良好で頑健な予測を生成した。これは、金融市場モデリングにおけるこれらのモデルの実用可能性を裏付けている。