[論文レビュー] Risk Management via Anomaly Circumvent: Mnemonic Deep Learning for Midterm Stock Prediction

Xinyi Li, Yinchuan Li+2 more|arXiv (Cornell University)|Aug 3, 2019

Stock Market Forecasting Methods参考文献 22被引用数 11

ひとこと要約

本論文は、異常を回避することで中期株価予測を改善するため、ARMA、CAPM、および隠れマルコフモデルを統合した新しい深層学習モデルであるMid-LSTMを提案する。S&P 500データを用いたポートフォリオバックテストにおいて、2–4%の高い精度と最大120.16%の年間リターン（シャープレシオ2.99）を達成した。

ABSTRACT

Midterm stock price prediction is crucial for value investments in the stock market. However, most deep learning models are essentially short-term and applying them to midterm predictions encounters large cumulative errors because they cannot avoid anomalies. In this paper, we propose a novel deep neural network Mid-LSTM for midterm stock prediction, which incorporates the market trend as hidden states. First, based on the autoregressive moving average model (ARMA), a midterm ARMA is formulated by taking into consideration both hidden states and the capital asset pricing model. Then, a midterm LSTM-based deep neural network is designed, which consists of three components: LSTM, hidden Markov model and linear regression networks. The proposed Mid-LSTM can avoid anomalies to reduce large prediction errors, and has good explanatory effects on the factors affecting stock prices. Extensive experiments on S&P 500 stocks show that (i) the proposed Mid-LSTM achieves 2-4% improvement in prediction accuracy, and (ii) in portfolio allocation investment, we achieve up to 120.16% annual return and 2.99 average Sharpe ratio.

研究の動機と目的

• 市場の異常による累積的予測誤差の課題に対処すること。
• 市場トレンドと隠れ状態を組み込むことで、予測の安定性を向上させる深層学習モデルの開発。
• 金融理論（CAPM）と統計モデリング（ARMA）を深層ニューラルネットワークに統合することで、投資リスクを低減すること。
• 取引量や市場相関といった主要変数の影響を明示することで、定量的アナリストのためのモデルの解釈可能性を向上させること。
• 従来の手法と比較して、予測精度およびポートフォリオリターンの両面で優れた性能を示すこと。

提案手法

• 株価のダイナミクスをモデル化するため、取引量、マーケットインデックス、CAPMに基づく相関を組み込んだ中期ARMA（Mid-ARMA）モデルを構築する。
• LSTMによるシーケンス学習、HMMによる隠れ状態検出、および最終的な価格精練のための線形回帰を統合した3要素構造の深層ニューラルネットワーク「Mid-LSTM」を設計する。
• LSTMを用いて、長期的な依存関係を捉えるために、株価、取引量、マーケットインデックスのシーケンスを予測する。
• HMMを用いて、価格および取引量に影響を与える潜在的市場状態を検出し、異常検知と回避を可能にする。
• HMMの状態と相関係数を線形回帰層に統合し、金融理論を用いて予測を精錬する。
• S&P 500データ上でエンドツーエンドにモデルを訓練し、予測精度およびリスク調整リターンを最適化する。

実験結果

リサーチクエスチョン

• RQ1 異常を検出し回避することで、深層学習モデルが中期株価予測における累積的予測誤差を効果的に低減できるか。
• RQ2 CAPMとARMAを深層学習フレームワークに統合することで、予測精度およびモデルの頑健性がどのように向上するか。
• RQ3 HMMコンponentが、ボラティリティの高い市場環境における異常検知とモデル安定性にどの程度寄与するか。
• RQ4 Mid-LSTMモデルが、従来の機械学習および深層学習のベースラインと比較して、予測精度およびポートフォリオパフォーマンスの両面で優れているか。
• RQ5 市場相関と取引量ダイナミクスが、提案モデルの予測力およびリスク管理能力にどのように影響を与えるか。

主な発見

• Mid-LSTMは、S&P 500株式において、ベースラインモデル比で2–4%の予測精度の向上を達成した。
• 平均分散ポートフォリオ配分において、Mid-LSTMは平均年間リターン120.16%、シャープレシオ2.99を達成した。
• 特にマーケットインデックスと高い相関を持つ株式において、異常回避の面で優れた性能を示した。
• Mid-LSTMの線形回帰コンponentは解釈可能な重みを提供し、定量的アナリストが隠れ市場状態および取引量の価格への影響を評価できる。
• ポートフォリオバックテストの結果、Mid-LSTMに基づく予測は、従来手法と比較して顕著に高いリスク調整リターンをもたらした。
• CAPMとARMAの深層学習フレームワークへの統合により、モデルの頑健性および金融的解釈可能性が向上した。