[論文レビュー] Supervised Autoencoder MLP for Financial Time Series Forecasting

Bartosz Bieganowski, Robert Ślepaczuk|arXiv (Cornell University)|Apr 2, 2024

Stock Market Forecasting MethodsDecision Sciences被引用数 3

ひとこと要約

本論文は、ノイズ付加データと三重バリアラベルを用いてリスク調整リターンを向上させるための教師ありオートエンコーダー多層パーセプトロン（SAE-MLP）を提案する。最適なノイズレベルとボトルネックサイズが戦略のパフォーマンスを顕著に向上させることを示しており、S&P 500、EUR/USD、BTC/USDのデータにおいて、従来手法を上回る性能を得るためにはハイパーパrameterチューニングが不可欠であることが明らかになった。

ABSTRACT

This paper investigates the enhancement of financial time series forecasting with the use of neural networks through supervised autoencoders, aiming to improve investment strategy performance. It specifically examines the impact of noise augmentation and triple barrier labeling on risk-adjusted returns, using the Sharpe and Information Ratios. The study focuses on the S&P 500 index, EUR/USD, and BTC/USD as the traded assets from January 1, 2010, to April 30, 2022. Findings indicate that supervised autoencoders, with balanced noise augmentation and bottleneck size, significantly boost strategy effectiveness. However, excessive noise and large bottleneck sizes can impair performance, highlighting the importance of precise parameter tuning. This paper also presents a derivation of a novel optimization metric that can be used with triple barrier labeling. The results of this study have substantial policy implications, suggesting that financial institutions and regulators could leverage techniques presented to enhance market stability and investor protection, while also encouraging more informed and strategic investment approaches in various financial sectors.

研究の動機と目的

• 教師ありオートエンコーダーを用いた金融時系列予測において、アルゴリズム的投資戦略のパフォーマンスを向上させること。
• ノイズによるデータ拡張とオートエンコーダーによるノイズ除去が、戦略の有効性を高めることを調査すること。
• 分類器のパフォーマンスに与える三重バリアラベルと単純な方向分類の影響を評価すること。
• ハイパーパrameterチューニングがリスク調整リターンを最適化する役割を果たすかを評価すること。
• 三重バリアラベルを用いた金融予測に特化した新たな最適化指標を開発すること。

提案手法

• 高頻度価格データの圧縮表現を学習するために、教師ありオートエンコーダー-MLP（SAE-MLP）アーキテクチャを採用した。
• 一般化と市場ノイズに対するロバストネスを向上させるために、学習中にガウスノイズを適用した。
• 次元削減と特徴量学習を促進するために、オートエンコーダーにボトルネック層を設けた。
• 正確な価格値の予測ではなく、価格の方向性を予測することで、価格予測を分類タスクに変換した。
• 固定期間ではなく、利益目標（プロフィットターゲット）とストップロスを基準にエグジットポイントを定義するため、三重バリアラベルを実装した。
• 三重バリアラベル付きデータに特化した最適化指標を新たに開発し、このラベリング方式下でのモデルの訓練と評価をより効果的に行えるようにした。

実験結果

リサーチクエスチョン

• RQ1 ノイズによるデータ拡張とオートエンコーダーによるノイズ除去が、金融トレーディング戦略のパフォーマンスを向上させるか？
• RQ2 単純な方向分類と比較して、三重バリアラベルが分類器のパフォーマンスを向上させるか？
• RQ3 ハイパーパrameterチューニングが投資戦略のパフォーマンスを向上させるか？
• RQ4 三重バリアラベル付き金融データに適した新たな最適化指標を効果的に導出し、適用できるか？
• RQ5 最適な戦略パフォーマンスは、ノイズレベルやオートエンコーダーのボトルネックサイズの変動に対してどれほど感受性を示すか？

主な発見

• ガウスノイズによるデータ拡張とオートエンコーダーによるノイズ除去が、戦略パフォーマンスを顕著に向上させた。特に、ノイズとボトルネックのバランスが取れた状態で最良の結果が得られた。
• アプローチ3（ノイズとオートエンコーダーによるノイズ除去を併用）は、等ウェートドポートフォリオのインフォーメーションレシオにおいて、すべてのバー長さでベースライン手法を上回った。
• 15分および30分のバーにおいて、三重バリアラベルは単純な方向分類を上回り、市場ノイズの処理能力と最適化の対称性が向上したことが示された。
• 5分バーでは三重バリアラベルのパフォーマンスが、ノイズ拡張アプローチに劣った。これは、高頻度設定において潜在的な制限がある可能性を示唆している。
• ハイパーパrameterチューニングが不可欠であることが判明した。最適なパフォーマンスは、ノイズレベルとボトルネックサイズの特定の組み合わせでのみ現れ、これらのパrameterと戦略リターンとの間には非線形な関係があることが明らかになった。
• 本研究では、三重バリアラベルに特化した新たな最適化指標を導出し、このラベリング方式下でのモデル訓練と評価をより効果的に行えるようにした。