[論文レビュー] Technical Analysis on Financial Forecasting

S. Gopal Krishna Patro, Pragyan Parimita Sahoo+2 more|arXiv (Cornell University)|Mar 10, 2015

Stock Market Forecasting Methods参考文献 7被引用数 7

ひとこと要約

本稿では、粒子群最適化（PSO）を用いて人工ニューラルネットワーク（ANN）の学習を向上させることで、BSE_SENSEX指数の予測を目的としたハイブリッド金融予測モデルを提案する。PSOのグローバルサーチ能力を活用してANNの重みを最適化することで、従来の手法に比べて予測精度が向上し、ノイズが多く非線形な金融データに対してもPSOの有効性が示された。

ABSTRACT

Financial forecasting is an estimation of future financial outcomes for a company, industry, country using historical internal accounting and sales data. We may predict the future outcome of BSE_SENSEX practically by some soft computing techniques and can also optimized using PSO (Particle Swarm Optimization), EA (Evolutionary Algorithm) or DEA (Differential Evolutionary Algorithm) etc. PSO is a biologically inspired computational search & optimization method developed in 1995 by Dr. Eberhart and Dr. Kennedy based on the social behaviors of fish schooling or birds flocking. PSO is a promising method to train Artificial Neural Network (ANN). It is easy to implement then Genetic Algorithm except few parameters are adjusted. PSO is a random & pattern search technique based on populating of particle. In PSO, the particles are having some position and velocity in the search space. Two terms are used in PSO one is Local Best and another one is Global Best. To optimize problems that are like Irregular, Noisy, Change over time, Static etc. PSO uses a classic optimization method such as Gradient Decent & Quasi-Newton Methods. The observation and review of few related studies in the last few years, focusing on function of PSO, modification of PSO and operation that have implemented using PSO like function optimization, ANN Training & Fuzzy Control etc. Differential Evolution is an efficient EA technique for optimization of numerical problems, financial problems etc. PSO technique is introduced due to the swarming behavior of animals which is the collective behavior of similar size that aggregates together.

研究の動機と目的

• BSE_SENSEXのような株価指数の金融予測精度を、ソフトコンピューティング技術を用いて向上させること。
• 予測タスクにおける非線形的でノイズが多く、時間的に変化する金融データの課題に対処すること。
• PSOを用いたANNの学習最適化により、勾配ベースの手法への依存を減らし、収束性を向上させること。
• PSOの性能を、微分進化（DE）や遺伝的アルゴリズム（GA）などの他の進化的アルゴリズムと比較すること。

提案手法

• 金融予測のための人工ニューラルネットワーク（ANN）の学習に、グローバル最適化手法として粒子群最適化（PSO）を採用する。
• 歴史的会計データおよび販売データを入力特徴量として用いて、金融時系列データをモデル化する。
• PSOにおける各粒子を、探索空間内の位置と速度を持つ候補解として表現する。
• 局所最良（pBest）とグローバル最良（gBest）を用いて、ANNの最適な重み構成へ向かう粒子の更新をガイドする。
• 適応度評価に基づき、反復的にANNの重みを調整することで予測誤差を最小化するためPSOを適用する。
• 微分進化（DE）や進化的アルゴリズム（EA）などの他のメタヒューリスティクスと性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 PSOは、非線形的かつノイズの多い環境下でも、金融予測のためのANN重み最適化に有効に機能するか？
• RQ2 PSOを用いたANN学習は、BSE_SENSEX指数の動きを予測する際、従来の勾配ベース手法と比べてどのように異なるか？
• RQ3 PSOの性能は、DE や GA などの他のメタヒューリスティクスと比較して、金融予測タスクでどの程度優れているか？
• RQ4 不規則的または時間的に変化する金融データにおいて、PSOは予測精度をどの程度向上させるか？
• RQ5 PSOは、リアルタイムの金融予測応用に効率的に実装可能か？

主な発見

• PSOは、金融データのANN学習において、従来の勾配降下法に比べて優れた収束性と最適化能力を示した。
• ハイブリッドPSO-ANNモデルは、ベースラインモデルに比べてBSE_SENSEX指数の動きに対する予測精度が向上した。
• PSOはパラメータが少なく、GAよりも実装が容易であるため、金融予測においてより実用的である。
• 本研究では、PSOがノイズが多く不規則な金融時系列データの処理に有効であることが確認された。
• 微分進化（DE）や他の進化的アルゴリズムは代替手段として有効であるが、テストされた文脈ではPSOがより優れた性能を示した。
• PSOとANNの統合により、静的および動的両方の金融予測シナリオにおいて、頑健な最適化が可能になった。