[論文レビュー] Research on stock price forecast of general electric based on mixed CNN-LSTM model

Zeng‐Zhen Hu, Shen Bao+2 more|ArXiv.org|Jan 15, 2025

Energy Load and Power Forecasting被引用数 9

ひとこと要約

本論文は、General Electric の株価を予測する混合 CNN-LSTM モデルを構築し、特徴抽出に CNN、長期依存性に LSTM、動的学習率と L2 正則化を用いた SGD を採用する。適合は良好と報告される一方、リアルタイムおよび極端な市場条件でのテストが必要である。

ABSTRACT

Accurate stock price prediction is crucial for investors and financial institutions, yet the complexity of the stock market makes it highly challenging. This study aims to construct an effective model to enhance the prediction ability of General Electric's stock price trend. The CNN - LSTM model is adopted, combining the feature extraction ability of CNN with the long - term dependency handling ability of LSTM, and the Adam optimizer is used to adjust the parameters. In the data preparation stage, historical trading data of General Electric's stock is collected. After cleaning, handling missing values, and feature engineering, features with strong correlations to the closing price are selected and dimensionality reduction is performed. During model training, the data is divided into training, validation, and testing sets in a ratio of 7:2:1. The Stochastic Gradient Descent algorithm is used with a dynamic learning rate adjustment and L2 regularization, and the Mean Squared Error is used as the loss function, evaluated by variance, R - squared score, and maximum error. Experimental results show that the model loss decreases steadily, and the predicted values align well with the actual values, providing a powerful tool for investment decisions. However, the model's performance in real - time and extreme market conditions remains to be tested, and future improvements could consider incorporating more data sources.

研究の動機と目的

• 投資家や金融機関のための正確な株価予測の動機づけ。
• ハイブリッドな CNN-LSTM アーキテクチャを用いて GE の株価トレンド予測を改善することを目指す。
• 予測信号を強化するためにデータクリーニング、特徴量エンジニアリング、および次元削減を適用する。
• 標準的な回帰指標を用いてモデル性能を評価し、正則化によって過学習を防ぐ。

提案手法

• 過去の株価データから短期的特徴を抽出するために CNN を使用する。
• 価格ダイナミクスの長期的依存を捉えるために CNN の出力と LSTM を組み合わせる。
• 動的学習率と L2 正則化を用いた確率的勾配降下法で学習する。
• 要約で Adam によるパラメータ最適化を行い、損失関数として MSE を使用する。
• データを訓練、検証、テストに 7:2:1 の比率で分割する。
• 分散、決定係数 R-squared、最大誤差を用いて予測を評価する。

実験結果

リサーチクエスチョン

• RQ1 ベースライン手法と比べて、混合 CNN-LSTM モデルは GE の株価予測を改善できるか？
• RQ2 特徴量エンジニアリングと次元削減が予測性能に与える影響は何か？
• RQ3 標準および近期予測シナリオでのモデルの性能はどうなるか？
• RQ4 このアプローチのリアルタイムおよび極端な市場状況下での予測の限界は何か？

主な発見

• トレーニング中、モデルの損失は着実に低下する。
• 予測値は実際の GE の株価と良く一致する。
• このアプローチは投資判断を支援するツールとなり得る。
• リアルタイムの性能と極端な市場状況でのテストは今後の課題である。
• より多くのデータソースを組み込むことでさらなる改善が見込まれる、との示唆。