[論文レビュー] Stock Price Prediction Using Convolutional Neural Networks on a Multivariate Timeseries

Sidra Mehtab, Jaydip Sen|SSRN Electronic Journal|Jan 10, 2020

Stock Market Forecasting Methods被引用数 10

ひとこと要約

本稿では、4年間の歴史的データを用いてNIFTY 50インデックスの1週間先の予測を行うための多次元畳み込みニューラルネットワーク（CNN）モデルを提案する。CNNモデルは、ウォークフォワード検証とハイパーパrameterチューニングを用いることで、実際の終値予測において従来の機械学習手法を上回り、安定した検証損失と訓練／検証精度の収束を達成した。

ABSTRACT

Prediction of future movement of stock prices has been a subject matter of many research work. In this work, we propose a hybrid approach for stock price prediction using machine learning and deep learning-based methods. We select the NIFTY 50 index values of the National Stock Exchange of India, over a period of four years, from January 2015 till December 2019. Based on the NIFTY data during the said period, we build various predictive models using machine learning approaches, and then use those models to predict the Close value of NIFTY 50 for the year 2019, with a forecast horizon of one week. For predicting the NIFTY index movement patterns, we use a number of classification methods, while for forecasting the actual Close values of NIFTY index, various regression models are built. We, then, augment our predictive power of the models by building a deep learning-based regression model using Convolutional Neural Network with a walk-forward validation. The CNN model is fine-tuned for its parameters so that the validation loss stabilizes with increasing number of iterations, and the training and validation accuracies converge. We exploit the power of CNN in forecasting the future NIFTY index values using three approaches which differ in number of variables used in forecasting, number of sub-models used in the overall models and, size of the input data for training the models. Extensive results are presented on various metrics for all classification and regression models. The results clearly indicate that CNN-based multivariate forecasting model is the most effective and accurate in predicting the movement of NIFTY index values with a weekly forecast horizon.

研究の動機と目的

• NIFTY 50インデックスにおける株価予測のためのハイブリッド機械学習およびディープラーニングフレームワークの開発。
• 畳み込みニューラルネットワーク（CNN）が週次予測の多次元金融時系列予測にどの程度有効であるかの評価。
• 従来の機械学習およびディープラーニングアプローチを含む、さまざまな分類および回帰モデルの性能比較。
• ハイパーパrameterチューニングを用いてCNNモデルを最適化し、検証損失を最小化し、収束を向上させること。
• 入力変数の数、モデルの複雑さ、およびトレーニングデータ量が予測精度に与える影響の評価。

提案手法

• 2015年1月から2019年12月までのNIFTY 50インデックスの多次元時系列データ（複数の金融指標を含む）を用いる。
• 分類（方向性の移動）および回帰（実際の終値）タスクのためのさまざまな機械学習モデルをトレーニングする。
• 複数の畳み込み層およびプーリング層を備えた畳み込みニューラルネットワーク（CNN）を用いたディープラーニングベースの回帰モデルを構築する。
• データ漏洩を避けるために、リアルタイム予測をシミュレートするため、ウォークフォワード検証を用いてCNNモデルをトレーニングする。
• 検証損失の安定化と訓練・検証精度の収束を確保するため、ハイパーパrameterチューニングを適用する。
• 入力変数の数、サブモデルの数、および入力シーケンス長を変更した3つの異なるCNN設定をテストする。

実験結果

リサーチクエスチョン

• RQ1 CNNベースのモデルは、従来の機械学習モデルに比べ、NIFTY 50インデックスの週次終値予測において優れているか？
• RQ2 入力変数の数がCNNモデルの予測性能にどのように影響するか？
• RQ3 モデルの複雑さおよび入力シーケンス長は、多次元時系列における予測精度に顕著な影響を与えるか？
• RQ4 ウォークフォワード検証は、金融予測におけるディープラーニングモデルの頑健性と一般化性能を向上させることができるか？
• RQ5 CNNトレーニング中に訓練および検証精度はどのように収束するか？また、どのハイパーパramータがモデルを安定化させるか？

主な発見

• CNNベースの多次元予測モデルは、全テストモデルの中でNIFTY 50インデックスの予測精度が最も高かった。
• トレーニングイテレーションが増加するにつれて検証損失が安定し、効果的なモデル収束を示した。
• 訓練精度と検証精度が収束したため、過学習を避け、モデルがうまく一般化していることが示された。
• 最適化されたハイパーパrameterを備えたモデルは、複数の評価指標において一貫した性能を示した。
• ウォークフォワード検証の使用により、実世界の予測条件をシミュレートしたため、モデルの信頼性が向上した。
• 結果から、CNNは短期的なインデックス予測における多次元金融時系列の時間的パターンを特に効果的に捉えることができることが示された。