[論文レビュー] The Short-Term Predictability of Returns in Order Book Markets: a Deep Learning Perspective

Lorenzo Lucchese, Mikko S. Pakkanen+1 more|arXiv (Cornell University)|Nov 24, 2022

Stock Market Forecasting Methods被引用数 8

ひとこと要約

本稿は、深層学習を用いて高頻度の注文書市場における短期予測可能性を調査し、注文書データの新たなボリューム表現を提案する。結果として、複数の銘柄および時間枠において、中央価格リターンが注文書のダイナミクスによって予測可能であることが示され、ボリューム表現がモデルのパフォーマンスを顕著に向上させている。

ABSTRACT

In this paper, we conduct a systematic large-scale analysis of order book-driven predictability in high-frequency returns by leveraging deep learning techniques. First, we introduce a new and robust representation of the order book, the volume representation. Next, we carry out an extensive empirical experiment to address various questions regarding predictability. We investigate if and how far ahead there is predictability, the importance of a robust data representation, the advantages of multi-horizon modeling, and the presence of universal trading patterns. We use model confidence sets, which provide a formalized statistical inference framework particularly well suited to answer these questions. Our findings show that at high frequencies predictability in mid-price returns is not just present, but ubiquitous. The performance of the deep learning models is strongly dependent on the choice of order book representation, and in this respect, the volume representation appears to have multiple practical advantages.

研究の動機と目的

• 高頻度市場における注文書市場のリターンが、市場効率性の仮定が成り立たない超高周波数領域において、注文書データによって予測可能であるかどうかを調査すること。
• 異なる注文書データ表現が、リターン予測のための深層学習モデルのパフォーマンスに与える影響を評価すること。
• リターン予測のための深層学習モデルが、複数の時間枠および複数の銘柄に一般化可能かどうかを評価すること。
• 予測性能を厳密に評価するための形式的統計的推論フレームワーク（モデル信頼区間集合）を提供すること。

提案手法

• 時間経過に伴い買い・売り両側の各価格レベルにおける指値数量（キュー・ボリューム）を符号化する新しい注文書表現「ボリューム表現」を提案する。
• 複数の時間的フィルターサイズを持つインセプションモジュールを備えた、畳み込み層および再帰層に基づく深層学習アーキテクチャを採用し、多スケールのダイナミクスを捉える。
• 将来の時間ステップにおける中央価格リターンの方向（上昇、下落、横這い）を複数時間枠にわたって予測可能な、アテンション機構を備えたシーケンス・ツー・シーケンスモデルを採用する。
• モデルの予測性能を正式に比較するため、モデル信頼区間集合（MCS）を適用し、統計的堅牢性を確保する。
• 標準化された深層学習パイプライン（共通のハイパーパrameterを有する）を用いて、複数の銘柄におけるナスダックの高頻度データを用いてモデルを訓練および評価する。
• 時間的畳み込みネットワークと長短期記憶（LSTM）ユニットを統合し、注文書ダイナミクスにおける局所的および長期的依存関係をモデル化する。

実験結果

リサーチクエスチョン

• RQ1 高頻度市場における注文書データに、将来の中央価格リターンを統計的に有意に予測可能にする情報が含まれており、その予測可能期間はどの程度まで延びるのか？
• RQ2 提案されたボリューム表現を含む、注文書表現の選択が、深層学習モデルの予測性能にどのように影響を与えるか？
• RQ3 1つの深層学習モデルが複数の時間枠（多時間枠モデリング）において効果的にリターンを予測可能であり、単一時間枠モデルと比較してパフォーマンスが向上するか？
• RQ4 異なる銘柄間で普遍的な取引パターンが存在する証拠はあるか？ つまり、1つのモデルが複数の銘柄に効果的に一般化可能か？

主な発見

• 注文書市場における高頻度リターンは、広範かつ統計的に有意な予測可能性を示しており、全テスト対象銘柄および時間枠において、ランダムな当選確率を常に上回るパフォーマンスを発揮している。
• ボリューム表現は、従来の表現と比較して、予測精度において顕著に優れており、複数の銘柄にわたる強固な一般化性能を示している。
• アテンション機構を備えたシーケンス・ツー・シーケンスアーキテクチャを用いた多時間枠モデリングは、単一時間枠モデルと比較して予測性能を向上させており、将来のリターンの軌道を同時にモデル化することで学習が促進されていることが示唆される。
• 1つの銘柄で訓練した単一の深層学習モデルが、他の銘柄に対しても比較的うまく一般化できており、注文書ダイナミクスに普遍的かつ資産間共通の取引パターンが存在する可能性を示している。
• モデル信頼区間集合（MCS）の結果、ボリューム表現を用いたモデルは代替手法よりも統計的に優れていることが確認され、p値からその優位性に強い信頼が得られた。
• 異なる表現を用いたモデル間の性能差は顕著であり、ボリューム表現は時間枠全体で平均分類精度約58％を達成しており、50％のベースラインを著しく上回っている。