[論文レビュー] Support Vector Machine Model for Currency Crisis Discrimination

Arindam Chaudhuri|arXiv (Cornell University)|Mar 3, 2014

Stock Market Forecasting Methods参考文献 12被引用数 3

ひとこと要約

本論文は、実世界の経済データを活用してアルゼンチンの為替危機を予測するための多項式カーネル関数を用いたサポートベクターマシン（SVM）モデルを提案する。研究では、3次および4次多項式カーネルが一般化性能が最も高く、少数のデータサブセットでも正確な早期警戒検出を可能にした。これはアルゼンチンの為替危機評価においてSVMを用いた初めてのアプローチである。

ABSTRACT

Support Vector Machine (SVM) is powerful classification technique based on the idea of structural risk minimization. Use of kernel function enables curse of dimensionality to be addressed. However, proper kernel function for certain problem is dependent on specific dataset and as such there is no good method on choice of kernel function. In this paper, SVM is used to build empirical models of currency crisis in Argentina. An estimation technique is developed by training model on real life data set which provides reasonably accurate model outputs and helps policy makers to identify situations in which currency crisis may happen. The third and fourth order polynomial kernel is generally best choice to achieve high generalization of classifier performance. SVM has high level of maturity with algorithms that are simple, easy to implement, tolerates curse of dimensionality and good empirical performance. The satisfactory results show that currency crisis situation is properly emulated using only small fraction of database and could be used as an evaluation tool as well as an early warning system. To the best of knowledge this is the first work on SVM approach for currency crisis evaluation of Argentina.

研究の動機と目的

• アルゼンチンにおける為替危機を、実証的経済データを用いて検出可能な機械学習モデルの開発を目的とする。
• 特に高次元データ条件下におけるSVMのカーネル関数の効果を評価することを目的とする。
• 危機の兆候を高精度で同定することで、政策立案者向けの信頼性の高い早期警戒システムを構築することを目的とする。
• SVMが限られたデータで複雑な金融危機をモデル化する可能性を実証することを目的とする。
• 特にアルゼンチンのような新興市場において、SVMを用いた為替危機検出のベンチマークを確立することを目的とする。

提案手法

• 本研究では、過学習を低減する構造的リスク最小化に基づく分類手法としてサポートベクターマシン（SVM）を採用する。
• カーネル関数を用いて入力データを高次元空間に変換し、次元の呪いを緩和する。
• 3次および4次多項式カーネルをテストした結果、複雑さと性能のバランスが最良であった。
• 危機期間と非危機期間を模擬するために、アルゼンチンの実際の歴史的経済データを用いてモデルを学習する。
• 一般化精度を指標としてモデルの性能を評価し、誤検出（偽陽性）と見逃し（偽陰性）を最小限に抑えることに注力する。
• データ削減戦略を適用した結果、データセットのわずかな部分集合でも信頼性の高い予測が可能であることが示された。

実験結果

リサーチクエスチョン

• RQ1 SVMにおけるどのカーネル関数がアルゼンチンの為替危機検出において最も高い一般化性能を示すか？
• RQ2 経済データの限定的サブセットで学習した機械学習モデルは、為替危機を正確に予測できるか？
• RQ3 SVMは、危機予測に一般的に見られる高次元金融データをどれほど効果的に処理できるか？
• RQ4 SVMは新興経済における為替危機の信頼性の高い早期警戒システムとしてどれほど有効に機能できるか？
• RQ5 この文脈において、多項式カーネルと他のカーネル関数との間に顕著な性能差があるか？

主な発見

• 3次および4次多項式カーネルは、一般化精度の観点から他のカーネル関数を一貫して上回った。
• SVMモデルは、全データセットのわずかな部分集合で学習させても高い予測正確性を達成しており、優れたデータ効率性を示した。
• モデルは高次元入力特徴に対しても頑健であった。カーネル変換により次元の呪いを効果的に管理できた。
• 本研究は、SVMが金融危機予測に実用的で、政策立案者にとって実用的意義を持つ成熟した、実装可能で効果的なツールであることを確認した。
• 本研究は、アルゼンチンにおける為替危機評価にSVMを応用した初の試みであり、分野における新しいベンチマークを確立した。
• 結果は、特にデータ制限のある新興市場において、SVMを実用的な早期警戒システムとして活用できることを支持している。