[論文レビュー] Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network

Xing Wang, Yijun Wang+2 more|arXiv (Cornell University)|Sep 29, 2020

Stock Market Forecasting Methods被引用数 6

ひとこと要約

本稿では、株式関係の表現学習と時系列畳み込みネットワーク（TCN）を組み合わせたハイブリッドディープラーニングフレームワーク、Stock2Vecを提案する。株価の時系列的パターンを長期間にわたり捉えるために1次元の拡張因果畳み込みを用い、エンティティ埋め込み（Stock2Vec）を学習することで、ランダムフォレスト、XGBoost、LSTMといったベースラインモデルを上回る予測精度を達成するとともに、市場トレンドやボラティリティをよりよく捉えることができる。

ABSTRACT

We have proposed to develop a global hybrid deep learning framework to predict the daily prices in the stock market. With representation learning, we derived an embedding called Stock2Vec, which gives us insight for the relationship among different stocks, while the temporal convolutional layers are used for automatically capturing effective temporal patterns both within and across series. Evaluated on S&P 500, our hybrid framework integrates both advantages and achieves better performance on the stock price prediction task than several popular benchmarked models.

研究の動機と目的

• 株式のクロスセクション的関係と時系列的価格ダイナミクスを統合的にモデル化するグローバルなディープラーニングフレームワークを構築すること。
• 歴史的株価データに基づいて株式間の内在的関係を捉える分布的表現（Stock2Vec）を学習すること。
• 時系列畳み込みネットワーク（TCN）を活用して、複数の株式にわたる複雑な時系列的パターンを自動で抽出すること。
• 個別株式モデルや木構造ベースのアンサンブル手法の限界を克服し、長期的な依存関係や市場全体のトレンドを捉えること。
• 相関する市場全体のパターンから知識を転送することで、初期データが限られる新規株式（コールドスタート株式）の処理をより効果的に行えるようにすること。

提案手法

• 本フレームワークは、リターンパターンに基づいて低次元表現を学習するエンティティ埋め込み（Stock2Vec）を用い、自然言語処理におけるワードエムベッディングに類似した暗黙の関係を捉える。
• 拡張因果畳み込みを用いた時系列畳み込みネットワーク（TCN）を採用し、S&P 500全銘柄の価格系列における長距離時系列的依存関係をモデル化する。
• モデルはエンドツーエンドで訓練され、日次株価予測を目的とし、TCN部は自己回帰的特徴と市場全体に共通する時系列的要因を学習する。
• Stock2Vecは、歴史的リターン系列上で対照的学習の目的関数を用いて訓練され、株式間の構造的類似性を推定可能となる。
• ハイブリッドアーキテクチャは、Stock2Vec埋め込みをTCNの入力特徴として統合し、クロスセクション的および時系列的パターンを同時に学習可能にする。
• モデルはS&P 500データ上で評価され、標準的な回帰指標を用いてランダムフォレスト、XGBoost、LSTMベースのベースラインと性能を比較した。

実験結果

リサーチクエスチョン

• RQ1 クロスセクション的関係と時系列的ダイナミクスを統合的に学習するグローバルディープラーニングモデルは、個別的または木構造ベースのモデルに比べ、株価予測を改善できるか？
• RQ2 表現学習（Stock2Vec）は、生の株価データからは見えない株式間の内在的関係をどの程度捉えることができるか？
• RQ3 TCN部は、RNNと比較して、株価系列における長期的かつ非線形的な時系列的パターンをどの程度効果的に捉えられるか？
• RQ4 相関する市場全体のパターンを活用することで、歴史的データが限られるコールドスタート株式を効果的に処理できるか？
• RQ5 クロスセクション的（ベータに類似）および時系列的（アルファに類似）な学習を統合することで、予測精度およびトレンド検出能力が向上するか？

主な発見

• TCN-Stock2Vecモデルは、ランダムフォレスト、XGBoost、LSTMベースのモデルに比べ、日次株価予測において優れた性能を示し、全体的な予測誤差が低かった。
• Stock2Vec埋め込みは、株式間の潜在的関係を効果的に捉えており、個別株式特徴に依存するモデルよりも一般化性能に優れている。
• TCN部は、手動で設計されたテクニカルインジケータを必要とせず、価格データに内在する複雑な非線形的トレンドおよび季節的パターンを学習できた。
• 木構造ベースのモデル（ランダムフォレスト、XGBoost）は、大規模アンサンブルであっても過学習や不十分な分割により、予測の遅れや平坦な予測期間を示した。
• ハイブリッドモデルは、市場全体に共通する時系列的パターンを学習することで、予測の過度な振動を低減し、より安定的かつ正確な予測を実現した。
• グローバルモデリングアプローチにより、相関する株式や市場全体のパターンから知識を転送することで、コールドスタート予測が効果的に可能となった。