[論文レビュー] Stock Market Price Prediction: A Hybrid LSTM and Sequential Self-Attention based Approach

Karan Pardeshi, Sukhpal Singh Gill+1 more|arXiv (Cornell University)|Aug 7, 2023

Stock Market Forecasting Methods参考文献 14被引用数 7

ひとこと要約

本論文は、長短期記憶ネットワークと逐次自己注意メカニズムを組み合わせたハイブリッドディープラーニングモデルLSTM-SSAMを提案し、株価予測の精度を向上させることを目的としている。このモデルは、歴史的価格トレンドと季節性を活用し、SBIN、HDFCBANK、BANKBARODAのデータセットにおいて、既存の手法と比較して優れたRMSEおよびR²スコアを達成し、最先端の性能を発揮した。

ABSTRACT

One of the most enticing research areas is the stock market, and projecting stock prices may help investors profit by making the best decisions at the correct time. Deep learning strategies have emerged as a critical technique in the field of the financial market. The stock market is impacted due to two aspects, one is the geo-political, social and global events on the bases of which the price trends could be affected. Meanwhile, the second aspect purely focuses on historical price trends and seasonality, allowing us to forecast stock prices. In this paper, our aim is to focus on the second aspect and build a model that predicts future prices with minimal errors. In order to provide better prediction results of stock price, we propose a new model named Long Short-Term Memory (LSTM) with Sequential Self-Attention Mechanism (LSTM-SSAM). Finally, we conduct extensive experiments on the three stock datasets: SBIN, HDFCBANK, and BANKBARODA. The experimental results prove the effectiveness and feasibility of the proposed model compared to existing models. The experimental findings demonstrate that the root-mean-squared error (RMSE), and R-square (R2) evaluation indicators are giving the best results.

研究の動機と目的

• 歴史的価格トレンドと季節性を活用することで、株価予測の精度を向上させるディープラーニングモデルの開発を目的とする。
• LSTMに逐次自己注意メカニズムを統合し、長距離依存関係や重要な価格パターンをより効果的に捉える能力を向上させることを目的とする。
• 実世界の株価データセットを用いて提案モデルの性能を評価し、既存の最先端モデルと比較することを目的とする。
• 予測誤差をRMSEで最小化し、予測力の強さをR²で最大化するという、主な評価指標として用いる。

提案手法

• モデルは、歴史的株価の時間的依存関係を学習するための主要なシーケンスエンコーダとして、長短期記憶（LSTM）ネットワークを用いる。
• LSTM層の後に逐次自己注意メカニズムが適用され、シーケンス内の異なる時系列の重要度を動的に重みづけする。
• 注意メカニズムは、関連する歴史的価格パターンやトレンドに注目することで、文脈に適した表現を計算する。
• 最終的な予測ヘッドは、注意メカニズムで調整されたLSTM出力から得られる強化された文脈特徴に基づき、将来の価格予測を生成する。
• 予測誤差を最小化するために、平均二乗誤差損失を用いてエンドツーエンドでモデルを訓練する。
• アーキテクチャは、3つのインド銀行株式（SBIN、HDFCBANK、BANKBARODA）を対象として評価される。

実験結果

リサーチクエスチョン

• RQ1 単体のLSTMや他のディープラーニングモデルと比較して、ハイブリッドLSTMと逐次自己注意メカニズムを組み合わせたモデルは、株価予測の精度を向上させることができるか？
• RQ2 自己注意メカニズムは、長期間の依存関係や重要な価格トレンドを捉える能力をどの程度向上させるか？
• RQ3 RMSEおよびR²指標において、提案されたLSTM-SSAMモデルは多様な株価データセットでどのように性能を発揮するか？
• RQ4 逐次自己注意の統合により、異なる市場環境下でもより頑健で汎用性の高い予測が可能になるか？

主な発見

• LSTM-SSAMモデルは、SBIN、HDFCBANK、BANKBARODAの全データセットにおいて、比較対象の全モデルの中で最小の決定根平均二乗誤差（RMSE）を達成した。
• モデルは最高の決定係数（R²）を記録し、実際の価格変動への強い説明力と適合性を示した。
• 逐次自己注意の統合により、モデルの顕著な価格パターンへの注目能力が著しく向上し、予測におけるノイズ低減効果が得られた。
• 標準LSTMや他の注意メカニズムを統合したアーキテクチャを含むベースラインモデルと比較して、RMSEおよびR²指標の両方で提案モデルが優れた性能を発揮した。