[論文レビュー] Stock Embeddings: Learning Distributed Representations for Financial Assets

Rian Dolphin, Barry Smyth+1 more|arXiv (Cornell University)|Feb 14, 2022

Stock Market Forecasting Methods被引用数 6

ひとこと要約

本稿では、自然言語処理の原則を応用して、歴史的日次リターンのみを用いて金融資産の分散表現（埋め込み）を学習するニューラルネットワークベースの手法を提案する。この手法は、従来の相関に基づく手法と比較してポートフォリオのボラティリティを低減する点で優れている。ヘッジングタスクにおいて平均実現ボラティリティが21.3%に低下したのに対し、ピアソン相関を用いたベースラインは23.8%であった。

ABSTRACT

Identifying meaningful relationships between the price movements of financial assets is a challenging but important problem in a variety of financial applications. However with recent research, particularly those using machine learning and deep learning techniques, focused mostly on price forecasting, the literature investigating the modelling of asset correlations has lagged somewhat. To address this, inspired by recent successes in natural language processing, we propose a neural model for training stock embeddings, which harnesses the dynamics of historical returns data in order to learn the nuanced relationships that exist between financial assets. We describe our approach in detail and discuss a number of ways that it can be used in the financial domain. Furthermore, we present the evaluation results to demonstrate the utility of this approach, compared to several important benchmarks, in two real-world financial analytics tasks.

研究の動機と目的

• 機械学習研究において、価格予測に焦点を当てた研究が多いため、資産間の関係性をモデル化する研究の空白を埋めること。
• 歴史的リターンデータのみを用いて、密集した分散表現を学習する手法を開発すること。
• これらの埋め込み表現が、実務的な金融タスクにおいて従来の相関に基づく類似性測定法を上回るかを評価すること。
• 実世界の応用、例えばポートフォリオヘッジングやセクター分類において、埋め込み表現の有効性を示すこと。

提案手法

• モデルは、Word2Vecを模したニューラルネットワークアーキテクチャを用い、金融資産の時系列リターンから埋め込みを学習する。
• トレーニング中に意味的類似性を最適化するために、ネガティブサンプリング戦略を適用する。
• コンテキスト窓は、歴史的リターン系列に基づき定義され、各資産は時間的近接する他の資産に基づいて予測される。
• モデルは、リターンの分布的類似性に基づいて、資産間の微細な関係性をエンコードする低次元密集ベクトルを学習する。
• IQRフィルタリングを含むノイズ低減技術を適用して、耐障害性と一般化性能を向上させる。
• 学習済み埋め込み間のコサイン類似度を類似性測定に用い、従来のピアソン相関の代替または補完とする。

実験結果

リサーチクエスチョン

• RQ1 歴史的リターンから学習した株式の分散表現は、従来の相関よりも資産間の意味的な関係をより良く捉えられるか？
• RQ2 株式埋め込みは、ピアソン相関およびスピアマン相関と比較して、ポートフォリオ構築における類似・相違資産の同定にどの程度優れているか？
• RQ3 埋め込みベースの類似性は、2資産ヘッジ戦略の実現ボラティリティという観点から、性能を向上させられるか？
• RQ4 コンテキストサイズや埋め込み次元といったハイパーパrameterが、学習済み表現の質に与える影響は何か？
• RQ5 変更されたコンテキスト窓設計により、ラグ付きまたは因果関係（例：サプライヤー効果）を捉えることができるか？

主な発見

• 提案された埋め込み手法は、2資産ヘッジタスクにおいて平均実現ボラティリティが21.3%に低下した。これは、ピアソン相関を用いたベースラインの23.8%と比べて顕著に低い。
• 埋め込みベースのアプローチは、有意水準α = 0.01において、ピアソンベースラインと比較してボラティリティ低減の面で統計的に有意な改善を示した。
• 最良のパフォーマンスを示したバリエーションは、埋め込みとIQRノイズ低減、重み正規化を組み合わせたもので、100回のランダム試行において平均ボラティリティが最低であった。
• 埋め込みベースの手法から得られたポートフォリオボラティリティの分布は、低値に集中しており、より高い耐障害性と一貫性を示している。
• 後続のTukey HSD検定により、すべての埋め込みベース手法がピアソン相関ベースラインと比較して有意に低い平均ボラティリティを達成したことが確認された。
• 結果から、埋め込みベースの類似性測定法が、実務的なポートフォリオリスク管理タスクにおいて標準的な相関を上回ることが示唆された。