[論文レビュー] Stock Price Correlation Coefficient Prediction with ARIMA-LSTM Hybrid Model

Hyeong Kyu Choi|arXiv (Cornell University)|Aug 5, 2018

Stock Market Forecasting Methods被引用数 48

ひとこと要約

本論文は将来の株価ペアの相関係数を予測するARIMA-LSTMハイブリッドを提案し、複数の期間と資産セットにおいて従来モデルより優れた予測性能を示す。ARIMAは線形性を、LSTMは非線形残差を捉え、アプローチは歩前検証で評価されている。

ABSTRACT

Predicting the price correlation of two assets for future time periods is important in portfolio optimization. We apply LSTM recurrent neural networks (RNN) in predicting the stock price correlation coefficient of two individual stocks. RNNs are competent in understanding temporal dependencies. The use of LSTM cells further enhances its long term predictive properties. To encompass both linearity and nonlinearity in the model, we adopt the ARIMA model as well. The ARIMA model filters linear tendencies in the data and passes on the residual value to the LSTM model. The ARIMA LSTM hybrid model is tested against other traditional predictive financial models such as the full historical model, constant correlation model, single index model and the multi group model. In our empirical study, the predictive ability of the ARIMA-LSTM model turned out superior to all other financial models by a significant scale. Our work implies that it is worth considering the ARIMA LSTM model to forecast correlation coefficient for portfolio optimization.

研究の動機と目的

• ポートフォリオ最適化を目的として将来の株価相関の正確な予測を行う。
• 線形（ARIMA）と非線形（LSTM）の時系列モデリングを組み合わせ、相関データの傾向と複雑なパターンの両方を捉える。
• 標準モデルと予測性能を比較し、期間と資産サブセットを横断した頑健性を評価する。
• 歩前評価フレームワークと複数の指標（MSE、RMSE、MAE）を用いて一般化を検討する。

提案手法

• 相関時系列の線形成分をモデル化・フィルタリングして残差を得るためにARIMAを使用する。
• ARIMA残差上でLSTMを訓練し非線形ダイナミクスを捉える。
• LSTM訓練のために24ステップの入力構造と20ステップのシーケンスを集約する。
• 開発期間と2つのテスト期間にわたる歩前最適化でモデルを評価し、MSE、RMSE、MAEを比較する。
• ARIMA-LSTMをFull Historical、Constant Correlation、Single-Index、Multi-Groupモデルと比較する。

実験結果

リサーチクエスチョン

• RQ1 ARIMA-LSTMハイブリッドは従来モデルより株価ペア相関係数の予測誤差（MSE/MAE/RMSE）を小さくするか。
• RQ2 ARIMA-LSTMモデルは開発期間、Test1、Test2の異なる期間および資産サブセットでどう機能するか。
• RQ3 ARIMA-LSTMアプローチはS&P 500内の異なる銘柄選択に対して頑健か。
• RQ4 ハイブリッドモデルはポートフォリオ最適化のための従来の相関予測子に対してどの程度改善されるか。

主な発見

• ARIMA-LSTMは全データセットで最も低い予測誤差を達成し、Developmentで0.1786、Test1で0.1889、Test2で0.2154のMSEを示す。
• ARIMA-LSTMモデルは開発期間とテスト期間で全ベンチマークモデル（Full Historical、Constant Correlation、Single-Index、Multi-Group）をMSE、RMSE、MAEの全ての指標で上回る。
• Development、Test1、Test2においてConstant Correlationモデルは非ハイブリッドモデルの中で最良だが、すべての指標でARIMA-LSTMに及ばない。
• 10個のランダム資産セットの頑健性チェックではMSEが0.1447〜0.2353の範囲で、資産間で安定した性能を示す。