[論文レビュー] Stock Prices Prediction using Deep Learning Models

Jialin Liu, Fei Chao+2 more|arXiv (Cornell University)|Sep 25, 2019

Stock Market Forecasting Methods参考文献 31被引用数 18

ひとこと要約

本稿では、1次元残差畳み込みオートエンコーダー（C1D-VAE）とLSTMネットワークを組み合わせた深層学習フレームワークを提案し、株価予測の精度を向上させることを目的としている。時系列データのノイズ除去と、絶対価格の代わりに変化率（ROC）を予測することで、ベースライン手法よりも顕著に高い精度を達成しており、ROCに基づく予測によりMAPEが最大30％低減され、複数の主要株価指数において相関係数およびTheilのU統計量が向上している。

ABSTRACT

Financial markets have a vital role in the development of modern society. They allow the deployment of economic resources. Changes in stock prices reflect changes in the market. In this study, we focus on predicting stock prices by deep learning model. This is a challenge task, because there is much noise and uncertainty in information that is related to stock prices. So this work uses sparse autoencoders with one-dimension (1-D) residual convolutional networks which is a deep learning model, to de-noise the data. Long-short term memory (LSTM) is then used to predict the stock price. The prices, indices and macroeconomic variables in past are the features used to predict the next day's price. Experiment results show that 1-D residual convolutional networks can de-noise data and extract deep features better than a model that combines wavelet transforms (WT) and stacked autoencoders (SAEs). In addition, we compare the performances of model with two different forecast targets of stock price: absolute stock price and price rate of change. The results show that predicting stock price through price rate of change is better than predicting absolute prices directly.

研究の動機と目的

• 金融時系列データに内在するノイズと非線形性に対処し、株価予測の精度を向上させること。
• 高次元で変動が激しい株価データにおける特徴抽出とノイズ低減を改善すること。
• 絶対価格を直接予測するのではなく、株価の変化率（ROC）を予測することで、より優れた性能が得られるかどうかを検証すること。
• ノイズ除去オートエンコーダーとLSTMによる逐次モデリングを統合した深層学習モデルを構築すること。
• 標準的な指標を用いて、複数の主要株価指数を対象にモデルの性能を検証すること。

提案手法

• モデルは、生の株価時系列データの階層的でノイズの少ない表現を学習するために、1次元残差畳み込みニューラルネットワーク（C1D-VAE）を用いる。
• スパースオートエンコーダーを1次元特徴マップに適用し、さらに次元削減とノイズ抑制を実現する。
• ノイズ除去済みの特徴量をLSTMネットワークに供給し、時系列モデリングと将来の株価予測を実行する。
• 2つの予測ターゲットを比較する：翌日の絶対価格の直接予測と、株価の変化率（ROC）を介した間接的予測。
• 入力特徴として、歴史的株価、インデックス、マクロ経済変数を含め、平均二乗誤差損失を用いてエンドツーエンドで学習を行う。
• MAPE、TheilのU統計量、予測値と実際の値の間の相関係数を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 1次元残差畳み込みオートエンコーダーは、ノイズの多い金融時系列データから効果的にノイズ除去と深層特徴抽出が可能か？
• RQ2 株価の変化率（ROC）を予測することで、絶対価格を直接予測するのと比較して、より高い予測精度が得られるか？
• RQ3 本稿で提案するC1D-VAE + LSTMモデルは、ウェーブレット-SAE + LSTMベースラインと比較して、複数の主要株価指数において予測精度に優れているか？
• RQ4 価格ダイナミクスに関する事前知識（ROCを介して）を組み込むことで、モデルの汎用性とロバスト性がどの程度向上するか？
• RQ5 本モデルは、ボラティリティやトレンドが異なる多様な金融市場においても、高い性能を維持できるか？

主な発見

• C1D-VAE + LSTMモデルは、CSI 300、Nifty 50、S&P 500を含む全テストインデックスで、ウェーブレット-SAE + LSTMベースラインよりも低い平均絶対誤差率（MAPE）を達成した。
• 株価の変化率（ROC）を予測することで、絶対価格を直接予測する手法よりも顕著に高い性能が得られ、S&P 500インデックスではMAPEが最大30％低減された。
• ROCに基づくモデルでは、予測値と実際の価格の相関係数が一貫して高く、S&P 500では0.973であったのに対し、直接予測では0.955であった。
• TheilのU統計量は、ROCモデル（S&P 500では0.005）が直接予測（S&P 500では0.007）よりも一貫して低く、より優れた予測精度を示した。
• ROCの予測曲線は、実際の価格動向をよく再現しており、特にボラティリティの高い時期において、直接予測モデルよりも大きなずれが少なかった。
• 本モデルは、Nikkei 225 や DJIA を含む6つの主要なグローバルインデックスにおいても、一貫した改善が見られ、全評価指標で高い性能を発揮した。