[論文レビュー] Stock Market Trend Analysis Using Hidden Markov Models

G. Kavitha, A. Udhayakumar+1 more|arXiv (Cornell University)|Nov 19, 2013

Stock Market Forecasting Methods参考文献 13被引用数 6

ひとこと要約

本稿では、1日当たりの価格変動を観測値として、隠れた市場状態を推定することで株式市場のトレンドを分析するための隠れマルコフモデル（HMM）を提案する。1日当たりの価格差と定常状態確率分布を用いて、最適な隠れた状態系列を特定し、その結果、1日収益が金融時系列におけるトレンド予測のための最適な状態系列をもたらすことが示された。

ABSTRACT

Price movements of stock market are not totally random. In fact, what drives the financial market and what pattern financial time series follows have long been the interest that attracts economists, mathematicians and most recently computer scientists [17]. This paper gives an idea about the trend analysis of stock market behaviour using Hidden Markov Model (HMM). The trend once followed over a particular period will sure repeat in future. The one day difference in close value of stocks for a certain period is found and its corresponding steady state probability distribution values are determined. The pattern of the stock market behaviour is then decided based on these probability values for a particular time. The goal is to figure out the hidden state sequence given the observation sequence so that the trend can be analyzed using the steady state probability distribution( ) values. Six optimal hidden state sequences are generated and compared. The one day difference in close value when considered is found to give the best optimum state sequence.

研究の動機と目的

• HMMを用いて、隠れた状態によって支配される確率的プロセスとして株式市場行動をモデル化すること。
• 観測された価格変動から隠れた状態系列を推定することで、金融時系列における繰り返しパターンを特定すること。
• 異なる観測系列（例：1日収益）が最適な隠れた状態系列を生成する有効性を評価すること。
• 定常状態確率分布に基づいて、トレンド分析に最も適した状態系列を特定すること。
• 定量的ファイナンス分野における市場トレンド予測のためのデータ駆動型で確率論的なフレームワークを提供すること。

提案手法

• 著者らは、観測可能な価格変動に影響を与える未観測の市場状態を有する隠れマルコフモデルとして株価動向をモデル化する。
• 1日当たりの終値差を観測系列として用い、隠れた市場状態を推定する。
• 各隠れた状態の定常状態確率分布を計算し、長期的な行動パターンを特徴付ける。
• 6つの異なる隠れた状態系列を生成し、モデル評価基準を用いて比較する。
• 一貫性があり解釈可能な市場トレンドを反映できる能力に基づき、最適な系列を選定する。
• 標準的なHMM推論技術、特に前方後方アルゴリズムとビタビデコードを用いて状態系列推定を行う。

実験結果

リサーチクエスチョン

• RQ1 隠れマルコフモデルは、株式市場トレンドにおける繰り返しパターンを効果的に捉え、予測できるか？
• RQ2 1日当たりの価格差などの観測系列の中で、どのものがトレンド分析のための最も正確な隠れた状態系列をもたらすか？
• RQ3 隠れた状態の定常状態確率分布は、識別可能な市場レジームとどのように関係しているか？
• RQ4 複数生成された隠れた状態系列の間で、市場行動のモデル化において性能に差は生じるか？
• RQ5 確率的状態遷移を用いることで、HMMは金融時系列の予測可能性をどの程度向上できるか？

主な発見

• 終値の1日差が、トレンド分析のための最も最適な隠れた状態系列を生み出した。
• 隠れた状態の定常状態確率分布は、長期的な市場行動パターンを効果的に表現できた。
• 6つの異なる隠れた状態系列が生成され評価され、1日収益系列が優れた性能を示した。
• HMMフレームワークは、価格動向を確率的状態遷移としてモデル化することで、繰り返し現れる市場トレンドを的確に特定できた。
• 結果から、株式市場の動きは純粋にランダムではなく、背後にある状態依存的ダイナミクスを有することが確認された。
• 本研究は、価格変動の確率的モデリングを通じて、HMMを用いた金融トレンド予測の実現可能性を示した。