[論文レビュー] Modeling Financial Time Series using LSTM with Trainable Initial Hidden States

Jungsik Hwang|arXiv (Cornell University)|Jul 14, 2020

Stock Market Forecasting Methods被引用数 8

ひとこと要約

本稿では、トレーニング可能な初期隠れ状態を備えたLSTMベースのモデルを提案し、金融時系列のモデリングに用いる。このモデルにより、時間的パターンと潜在表現のエンドツーエンド学習が可能となる。韓国株式データを用いた実験では、潜在空間における株式間の類似性を捉え、将来のトレンドを効果的に予測できることを示した。本研究は、ポートフォリオ最適化への応用可能性を示唆している。

ABSTRACT

Extracting previously unknown patterns and information in time series is central to many real-world applications. In this study, we introduce a novel approach to modeling financial time series using a deep learning model. We use a Long Short-Term Memory (LSTM) network equipped with the trainable initial hidden states. By learning to reconstruct time series, the proposed model can represent high-dimensional time series data with its parameters. An experiment with the Korean stock market data showed that the model was able to capture the relative similarity between a large number of stock prices in its latent space. Besides, the model was also able to predict the future stock trends from the latent space. The proposed method can help to identify relationships among many time series, and it could be applied to financial applications, such as optimizing the investment portfolios.

研究の動機と目的

• LSTMアーキテクチャにおいて、初期隠れ状態をエンドツーエンドで学習することで、金融時系列モデリングを改善すること。
• 高次元の株価データを低次元の潜在空間に表現できるようにすること。
• 潜在空間において、複数の時系列間の相対的な類似性を捉えること。
• 学習された潜在表現から将来の株価トレンドを予測すること。
• 改善された時系列表現を活用して、ポートフォリオ管理などの実用的応用を支援すること。

提案手法

• 固定ゼロ初期化ではなく、トレーニング可能な初期隠れ状態を備えた長短期記憶（LSTM）ネットワークを用いる。
• 初期隠れ状態は学習中に最適化され、金融時系列の初期ダイナミクスをよりよく表現するようにする。
• ネットワークは入力時系列を再構築することを目的として訓練され、意味のある時間的パターンと依存関係を学習できる。
• 各時系列を処理した後のLSTMの最終隠れ状態から潜在表現を抽出する。
• 類似した株価変動が近くに埋め込まれる共通の低次元表現空間を学習する。
• 同じ学習済み潜在空間を用いて、再構築タスクと下流の予測タスクの両方が可能になる。

実験結果

リサーチクエスチョン

• RQ1 トレーニング可能な初期隠れ状態は、LSTMオートエンコーダフレームワークにおける金融時系列の表現品質を向上させることができるか？
• RQ2 学習された潜在空間は、複数の株価時系列間の相対的な類似性をどれほど効果的に捉えられるか？
• RQ3 モデルから得られる潜在表現は、将来の株価トレンドを予測するために使用できるか？
• RQ4 固定ゼロ初期化を用いた標準LSTMに比べ、本モデルは金融データにおける複雑な時間的依存関係をよりよく捉えられるか？
• RQ5 学習された表現は、ポートフォリオ最適化のような実用的金融応用を支援できるか？

主な発見

• モデルは金融時系列の再構築に成功しており、時間的パターンを効果的に捉えていることが示された。
• 最終隠れ状態にエンコードされた潜在空間は、多数の株価間の相対的な類似性を効果的に表現していた。
• モデルは、潜在表現のみを用いても将来の株価トレンドを予測する能力を示した。
• トレーニング可能な初期隠れ状態の使用により、複雑な高次元時系列データの表現能力が向上した。
• 結果から、学習された潜在空間は、ポートフォリオ最適化などの金融応用に活用可能であると考えられる。