[論文レビュー] Predicting Abnormal Returns From News Using Text Classification

Ronny Luss, Alexandre d’Aspremont|ArXiv.org|Sep 16, 2008

Stock Market Forecasting Methods参考文献 27被引用数 13

ひとこと要約

本稿では、サポートベクターマシン（SVM）を用いて、金融ニュースのテキストと歴史的絶対リターンを組み合わせた複数カーネル学習（MKL）フレームワークを提案し、イントラデイの異常な株価変動を予測する。テキスト特徴量が歴史的リターンのみに比べて異常リターンの大きさを顕著に優れて予測できることを示しており、リターンの方向性は予測不可能であるが、MKLにより分類精度と頑健性が向上し、効率的な解析的中心カットプレーン最適化によって実現される。

ABSTRACT

We show how text from news articles can be used to predict intraday price movements of financial assets using support vector machines. Multiple kernel learning is used to combine equity returns with text as predictive features to increase classification performance and we develop an analytic center cutting plane method to solve the kernel learning problem efficiently. We observe that while the direction of returns is not predictable using either text or returns, their size is, with text features producing significantly better performance than historical returns alone.

研究の動機と目的

• 金融ニュースのテキストが、歴史的リターンのみから可能な範囲を超えて、イントラデイの異常株価リターンを予測できるかどうかを調査すること。
• テキストニュースデータと価格リターンデータを統合する機械学習フレームワークを構築し、異常リターンの大きさをよりよく予測すること。
• 複数カーネル学習（MKL）を用いてテキストおよびリターン特徴量を最適に組み合わせ、分類性能を向上させること。
• 大規模なMKL問題を効率的に解くための最適化アルゴリズムである解析的中心カットプレーン法を設計・実装すること。
• 無関係またはノイズの多いカーネル（例：ランダムカーネル、不適切に指定されたガウスカーネル）の含められた場合におけるMKLフレームワークの頑健性を評価すること。

提案手法

• ニュース記事（例：ロイター、ウォール・ストリート・ジャーナル）のテキストを処理し、テキスト分類モデルの入力として用いる語頻度特徴量に変換する。
• さまざまな時間窓（例：10～250分）における歴史的絶対リターンを追加の予測特徴量として用いる。
• サポートベクターマシン（SVM）分類器を訓練し、ニュース発表後の固定時間窓内に異常リターン（75百分位数を超えるもの）が発生するかどうかを予測する。
• テキストおよびリターン特徴量からの線形およびガウスカーネルを組み合わせる複数カーネル学習（MKL）を用い、分類性能を最大化する最適なカーネル重みを学習する。
• 大規模なMKL問題を効率的に解くために、解析的中心カットプレーン法を開発し、標準的なソルバーに比べて計算時間を短縮する。
• ニュース公開後のさまざまな時間窓（例：10～250分）において、精度とシャープレシオを用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 金融ニュース記事のテキストは、歴史的株価リターンのみに比べて、イントラデイの異常株価リターンをより効果的に予測できるか？
• RQ2 テキストとリターン特徴量を複数カーネル学習（MKL）で統合することで、単独で用いる場合に比べて予測精度が顕著に向上するか？
• RQ3 ランダムまたは不適切に指定されたガウスカーネルなどの無関係またはノイズの多いカーネルを含めても、MKLフレームワークの性能は頑健か？
• RQ4 MKLモデルの性能は、カーネル重みの正確なチューニングに敏感か、それとも最適でない重み付けでも良好な結果が得られるか？
• RQ5 解析的中心カットプレーン法のような効率的な最適化アルゴリズムは、ファイナンス分野のテキスト分類における大規模なMKL問題に効果的に適用可能か？

主な発見

• テキスト特徴量のみで得られる性能は、歴史的リターンのみの場合に比べて、異常リターンの大きさを顕著に優れて予測しており、MKLによる統合で精度が大幅に向上する。
• リターンの方向性はテキストまたはリターンのどちらを用いても予測できないが、本研究で提案するフレームワークを用いることで、異常リターンの大きさ（絶対値）は高い精度で予測可能である。
• 高品質なカーネルをMKLの組み合わせに含めることは、優れた性能を発揮する上で不可欠であり、劣化したまたは不適切に指定されたガウスカーネルを用いるとうなずきの精度低下が生じる。
• MKLフレームワークは、不要なカーネルの含められても頑健である。最適なセットにランダムカーネルを3つ追加しても性能にほとんど影響がなく、これらのカーネルはほぼゼロの重みを受ける。
• 解析的中心カットプレーン法は、大規模なMKL問題を効率的に解き、標準的なソルバーに比べて計算速度が優れており、高い精度を維持する。
• カーネルの重みを均等に設定しても性能が強く保たれるため、高精度なカーネル重みの最適化が良好な結果を得るために絶対に必要であるとは限らない。