[論文レビュー] Neural networks for stock price prediction

Yuegang Song, Yulong Zhou+1 more|arXiv (Cornell University)|May 29, 2018

Stock Market Forecasting Methods参考文献 18被引用数 3

ひとこと要約

本研究では、中国の3種の株式（中国工商銀行、万科A、貴州茅台）における株価予測のために、バックプロパゲーション（BP）、径路基底関数（RBF）、一般回帰ニューラルネットワーク（GRNN）、サポートベクターマシン回帰（SVMR）、最小二乗SVM回帰（LS-SVMR）の5つのニューラルネットワークモデルを評価した。平均二乗誤差（MSE）および平均絶対パcent誤差（MAPE）を指標として用い、BPニューラルネットワークは全株式において他の4つのモデルを常に上回り、優れた予測精度と安定性を示した。

ABSTRACT

Due to the extremely volatile nature of financial markets, it is commonly accepted that stock price prediction is a task full of challenge. However in order to make profits or understand the essence of equity market, numerous market participants or researchers try to forecast stock price using various statistical, econometric or even neural network models. In this work, we survey and compare the predictive power of five neural network models, namely, back propagation (BP) neural network, radial basis function (RBF) neural network, general regression neural network (GRNN), support vector machine regression (SVMR), least squares support vector machine regresssion (LS-SVMR). We apply the five models to make price prediction of three individual stocks, namely, Bank of China, Vanke A and Kweichou Moutai. Adopting mean square error and average absolute percentage error as criteria, we find BP neural network consistently and robustly outperforms the other four models.

研究の動機と目的

• 個別株価予測における5つのニューラルネットワークモデル（BP、RBF、GRNN、SVMR、LS-SVMR）の予測性能を評価・比較すること。
• 異なる市場環境下で、株価予測において最も高い精度と安定性を示すモデルを特定すること。
• BPニューラルネットワークの優れた性能が、本質的な構造的利点に起因するのか、あるいはカーネル関数の選択によるものなのかを検証すること。
• 予測残差の分析を通じて、市場効率性の仮説を検証し、予測誤差に系�的バイアスが存在するかどうかを同定すること。

提案手法

• 3種のA株（中国工商銀行、万科A、貴州茅台）の歴史的終値を用いて、5つのニューラルネットワークモデルを学習およびテストした。
• バックプロパゲーション（BP）ニューラルネットワークは、誤差逆伝播による重み調整を実行する多層フィードフォワードアーキテクチャを採用した。
• 径路基底関数（RBF）ネットワークは、非線形マッピングにガウス型径路基底関数を用いた単一の隠れ層を採用した。
• 一般回帰ニューラルネットワーク（GRNN）は、パラゼン窓推定に依存する非パラメトリックなカーネルベースの回帰手法を採用した。
• サポートベクターマシン回帰（SVMR）および最小二乗SVM回帰（LS-SVMR）は、凸二次計画問題のグローバル最適化を達成するため、構造的リスク最小化を適用した。
• モデルの性能は、平均二乗誤差（MSE）および平均絶対パーセント誤差（MAPE）を用いて評価され、BPの安定性を評価するため100回の独立した実行が実施された。

実験結果

リサーチクエスチョン

• RQ1 BP、RBF、GRNN、SVMR、LS-SVMRの5つのニューラルネットワークモデルの中で、複数の株式において最も高い精度の株価予測を達成するのはどれか？
• RQ2 BPニューラルネットワークは、異なる株式および評価指標において、精度と安定性の両面で他のモデルを常に上回るか？
• RQ3 SVMRにおける異なるカーネル関数（線形、多項式、シグモイド、RBF）の選択が予測性能に与える影響は何か？また、デフォルトのRBFカーネルが最適な結果をもたらすか？
• RQ4 残差に観察された予測バイアスは、市場効率性と整合的か、それとも株価プロセスにおける利用可能な非効率性を示唆するか？
• RQ5 ランダムな重み初期化を伴う繰り返しの学習実行によって、BPニューラルネットワークの安定性を実証的に検証できるか？

主な発見

• BPニューラルネットワークは、全3銘柄において平均二乗誤差（MSE）および平均絶対パーセント誤差（MAPE）が最低であり、RBF、GRNN、SVMR、LS-SVMRを一貫して上回った。
• 中国工商銀行では、BPのMSEは0.009、MAPEは0.019であり、RBF（MSE: 0.010、MAPE: 0.020）およびRBFカーネルを用いたSVMR（MSE: 0.012、MAPE: 0.023）よりも顕著に低い値を示した。
• 万科Aでは、BPのMSEは2.976、MAPEは0.049であり、RBF（MSE: 4.686、MAPE: 0.065）およびLS-SVMR（MSE: 5.472、MAPE: 0.072）を上回った。
• 貴州茅台では、BPのMSEは395.1、MAPEは0.026であり、GRNN（MSE: 1103.6、MAPE: 0.048）およびLS-SVMR（MSE: 405.5、MAPE: 0.027）を上回った。
• 100回の実行におけるBP予測の標準偏差は極めて低く（中国工商銀行ではMSEで4.8×10⁻⁵）、ランダムな重み初期化にもかかわらず高い安定性が確認された。
• 残差分析から、系�的負のバイアス（平均誤差 eₜ < 0）が確認され、これは市場効率性と矛盾し、株価変動に予測可能なパターンが存在することを示唆した。