[論文レビュー] Stock Chart Pattern recognition with Deep Learning

Marc Velay, Fabrice Daniel|arXiv (Cornell University)|Aug 1, 2018

Stock Market Forecasting Methods参考文献 6被引用数 14

ひとこと要約

本稿では、1D CNN、2D CNN、LSTM の深層学習モデルを用いて、歴史的価格データにおける一般的な株価チャートパターン（売りフラッグ、ダブルトップ、ダブルボtom）の検出を評価している。手作業でラベル付けされたデータセットを用い、LSTM モデルが最高の検出精度と一般化性能を示し、ハードコーディングされたアルゴリズムや CNN に基づくアプローチよりも優れていることが判明した。これは、スパarsな低信号入力データに対しては、CNN アプローチが困難を抱えるためである。

ABSTRACT

This study evaluates the performances of CNN and LSTM for recognizing common charts patterns in a stock historical data. It presents two common patterns, the method used to build the training set, the neural networks architectures and the accuracies obtained.

研究の動機と目的

• 株価時系列データにおける一般的なテクニカル分析のチャートパターンの自動検出を目的とする。
• 深層学習モデル（CNN、LSTM）の性能と一般化能力を、ハードコーディングされたルールベースのアルゴリズムと比較することを目的とする。
• 深層学習が、偽陰性（見逃されたパターン）を低減しつつ、偽陽性（誤検出）を低く保てるかどうかを評価することを目的とする。
• スパースでノイズの多い金融時系列データにおけるパターン認識に深層学習を適用する可能性を調査することを目的とする。
• マルチタスク学習やデータ前処理技術（例：オートエンコーダー）が、異なる株式銘柄間でモデルの頑健性を向上させる可能性を探ることを目的とする。

提案手法

• 訓練および評価のための一貫性があり高品質な教師データを保証するため、ハードコーディングされたアルゴリズムを用いてチャートパターンのラベル付きデータセットを構築した。
• 2D CNN（価格チャートの画像表現を対象とする）、1D CNN（生の時系列データを対象とする）、LSTM（順序付けられた価格データを対象とする）の3つの深層学習モデルを訓練した。
• CNN がスパースな入力とデータに限られた信号に敏感であるため、グリッドサーチを用いてハイパーパramータを最適化した。
• 混同行列および性能指標を算出する前に、手動で偽陽性および偽陰性を検証・修正した。
• 再現率と偽陰性率に注目し、ハードコーディングされたベースラインと比較することで、モデルの一般化能力を評価した。
• オートエンコーダーを用いて入力データのノイズ除去と特徴学習の強化を試み、CNN および LSTM モデルの性能向上を検討した。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、再現率と一般化性能の観点から、ハードコーディングされたルールベースのシステムよりも、一般的な株価チャートパターンをより効果的に検出できるか？
• RQ2 2D CNN、1D CNN、LSTM のアーキテクチャは、スパースでノイズの多い OHLC データからチャートパターンを検出する際に、どのように比較されるか？
• RQ3 深層学習モデルは、ハードコーディングされた検出器で定義されたパrameter 範囲をわずかに超える範囲でも、どれほど一般化できるか？
• RQ4 ある株式で訓練されたモデルは、他の株式に対しても一般化できるか、それとも訓練データセットに強く依存するか？
• RQ5 オートエンコーダーなどのデータ前処理技術により、ノイズ低減とパターン表現の強化が実現され、検出精度が向上するか？

主な発見

• LSTM モデルは最高の再現率 0.64 を達成し、スパースな入力データのため、1D および 2D CNN が高精度に到達できなかった。
• 2D CNN は、チャート画像における非ゼロピクセルのスパarsity が著しく影響し、意味のある空間的特徴を学習することが困難であった。
• 1D CNN も同様に性能が低く、スパースなデータと生時系列データにおける特徴学習の不備が原因と考えられる。
• ハードコーディングされたアルゴリズムはほぼ偽陽性ゼロであったが、偽陰性が著しく高く、一般化能力に欠けていた。
• LSTM モデルは部分的な一般化を示し、ハードコーディングされた境界をわずかに超えるパターンを検出できたが、依然として 1.2% の誤差率を示した。
• 異なる株式間でのモデルの移植性は低く、マルチデータセットでの事前学習が行われない限り、一般化が難しいことが示唆された。