[論文レビュー] Multi-Scale RCNN Model for Financial Time-series Classification

Guang Liu, Xiaojie Wang+1 more|arXiv (Cornell University)|Nov 21, 2019

Stock Market Forecasting Methods参考文献 56被引用数 12

ひとこと要約

本稿では、金融時系列データにおけるマルチスケール特徴量と時間的依存性を統合的にモデル化することで、分類性能と取引利益を向上させる、MSTD-RCNNと呼ばれるマルチスケール再帰的畳み込みニューラルネットワークを提案する。畳み込みユニットを用いてスケールに特化した特徴抽出を行い、GRUを用いてスケール間の時間的ダイナミクスを捉えることで、3つの中国株価インデックスデータセットにおいて最先端の性能を達成し、ベースライン比でシミュレーテッド取引利益が最大149.54向上した。

ABSTRACT

Financial time-series classification (FTC) is extremely valuable for investment management. In past decades, it draws a lot of attention from a wide extent of research areas, especially Artificial Intelligence (AI). Existing researches majorly focused on exploring the effects of the Multi-Scale (MS) property or the Temporal Dependency (TD) within financial time-series. Unfortunately, most previous researches fail to combine these two properties effectively and often fall short of accuracy and profitability. To effectively combine and utilize both properties of financial time-series, we propose a Multi-Scale Temporal Dependent Recurrent Convolutional Neural Network (MSTD-RCNN) for FTC. In the proposed method, the MS features are simultaneously extracted by convolutional units to precisely describe the state of the financial market. Moreover, the TD and complementary across different scales are captured through a Recurrent Neural Network. The proposed method is evaluated on three financial time-series datasets which source from the Chinese stock market. Extensive experimental results indicate that our model achieves the state-of-the-art performance in trend classification and simulated trading, compared with classical and advanced baseline models.

研究の動機と目的

• マルチスケール（MS）特徴量と時間的依存性（TD）特性を効果的に統合できない既存の金融時系列分類モデルの限界を解決すること。
• 事前に定義されたパラメータ（例：DFT やウェーブレットのチューニングを避ける）を必要としない、MS特徴量を自動で学習するエンドツーエンドのディーブラーニングモデルの開発。
• 再帰ネットワークを用いてスケール間の時間的関係をモデル化することで、分類精度とシミュレーテッド取引利益の両方を向上させること。
• 中国株式市場のリアルタイムな分単位の金融時系列データを用いてモデルを評価し、実用的妥当性を確保すること。
• MS特徴量とTD特性を同時にモデル化することで、単一の特徴量のみを用いるモデルよりも優れた性能を達成できることを示すこと。

提案手法

• 単一スケールの金融時系列シーケンスからマルチスケール特徴量を抽出するために、複数の畳み込みニューラルネットワーク（CNN）ユニットを活用する。
• 異なるスケール間の時間的依存性をモデル化するため、ゲーテッド再帰ユニット（GRU）を用い、スケール特化表現間の長距離的かつ補完的な関係を捉える。
• CNNがスケール特化特徴を抽出し、GRUがそれらを時間的文脈とともに統合するエンドツーエンドでトレーニング可能なアーキテクチャを設計する。これにより、同時に最適化が可能となる。
• 金融時系列データの多クラス分類（上昇、下落、横這い）を目的として、標準的な誤差逆伝播法と交差エントロピー損失関数を用いてモデルを学習する。
• 予測ラベルを用いてシミュレーテッド取引アルゴリズムを実装し、取引コストとポジション管理を考慮して実世界の利益を評価する。
• 評価のため、中国株式市場の分単位のインデックス価格データセットを3つ構築する（SH000001、SZ399005、SZ399006）。これにより、現実的なデータ構造と性質を保証する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、金融時系列データにおいてマルチスケール特徴量と時間的依存性を効果的に統合できるか？
• RQ2 提案されたMSTD-RCNNモデルは、古典的および先進的なベースラインと比較して、分類性能とシミュレーテッド取引利益の両面で優れているか？
• RQ3 CNNを用いたマルチスケール特徴抽出とGRUを用いた時間的モデリング機構の統合は、モデルのロバストネスと予測品質にどのように影響を与えるか？
• RQ4 上昇トレンドと下落トレンドの誤分類が、シミュレーテッド取引利益にどの程度影響を及ぼすか？MSTD-RCNNはそのような誤りを低減できるか？
• RQ5 異なる市場トレンドを示す複数の金融インデックスにおいて、モデルの性能は一般化可能か？

主な発見

• MSTD-RCNNは、3つのデータセットすべてで最高のシミュレーテッド取引利益を達成した。それぞれSH000001では1419.85、SZ399005では1400.93、SZ399006では7609.42の利益を記録し、最良のベースライン（MS-RCNN）を上回った。差額は、それぞれ0（1419.85 - 1419.85）、0（1400.93 - 1400.93）、182.28（7609.42 - 7427.14）であった。
• SZ399006データセットでは、MSTD-RCNNはMS-CNNと比較して「下落」クラスで6.2%高い精度、「上昇」クラスで7.0%高い精度を達成しており、高インパクトトレンドカテゴリの分類精度が向上していることが示された。
• MSTD-RCNNは、SH000001では「上昇」と「下落」トレンドの誤分類を23件、SZ399005では50件減少させ、直接的に利益向上に寄与した。
• SZ399006では、「下落」クラスで60.0%、「上昇」クラスで60.8%の精度を達成し、MS-CNNの53.8%と53.8%を大きく上回った。
• B&H戦略は、全体的な市場の下落傾向のため、3つのデータセットすべてで損失を被ったが、MSTD-RCNNを含むすべてのディープラーニングモデルは正のリターンを記録した。これは、モデルのロバストネスを示している。
• 誤分類行列の分析から、MSTD-RCNNが「上昇」と「下落」の重要なカテゴリで低い誤差率を示していることが確認され、これがシミュレーテッド取引における優れた利益を生み出している主な要因であることが判明した。