[論文レビュー] Time Series Prediction : Predicting Stock Price

Aaron Elliot, Cheng Hua Hsu|arXiv (Cornell University)|Oct 16, 2017

Stock Market Forecasting Methods参考文献 1被引用数 5

ひとこと要約

本論文は、S&P 500株価予測のための4つのモデル—マルティングール、線形、一般化線形モデル（GLM）、LSTMベースのRNN—を評価する。RNNは時系列的依存性を捉える能力を有するが、予測精度においても単純なマルティングールベースラインを上回らない。これは時系列予測における持続的な課題を示している。本研究では、実用的で低リスクな予測の展開を可能にするために、オンラインからバッチへのアルゴリズムおよびオプションベースの取引戦略を導入する。

ABSTRACT

Time series forecasting is widely used in a multitude of domains. In this paper, we present four models to predict the stock price using the SPX index as input time series data. The martingale and ordinary linear models require the strongest assumption in stationarity which we use as baseline models. The generalized linear model requires lesser assumptions but is unable to outperform the martingale. In empirical testing, the RNN model performs the best comparing to other two models, because it will update the input through LSTM instantaneously, but also does not beat the martingale. In addition, we introduce an online to batch algorithm and discrepancy measure to inform readers the newest research in time series predicting method, which doesn't require any stationarity or non mixing assumptions in time series data. Finally, to apply these forecasting to practice, we introduce basic trading strategies that can create Win win and Zero sum situations.

研究の動機と目的

• S&P 500株価データに対する4つの時系列モデル—マルティングール、線形、GLM、RNN—の予測性能を評価すること。
• 現実の仮定のもとで、GLM や RNN といった高度なモデルが単純なベースラインモデルを上回れるかどうかを評価すること。
• 予測モデルを用いてウィンウィンまたはゼロサムの結果を達成する実用的取引戦略を探索すること。
• オンラインからバッチへのアルゴリズムおよび乖離尺度を、定常性の仮定なしに予測を行うためのツールとして導入すること。

提案手法

• モデルの学習および評価に、入力時系列データとしてS&P 500インデックスを用いる。
• 現在の株価が最良の予測であると仮定するマルティングールモデルをベースラインとして採用する。
• 対数正規分布に従うリターンをモデル化するため、対数リンク関数を用いた一般化線形モデル（GLM）を適用する。
• 時系列データにおける長期的依存性を捉えるために、長短期記憶（LSTM）再帰ニューラルネットワークを実装する。
• オンライン学習モデルを理論的保証とともにバッチ学習に変換するオンラインからバッチへの（OTB）アルゴリズムを導入する。
• 予測を実際の取引に応用するため、オプションヘッジ、アービタージュ、均等化、スキャルピングを含む取引戦略を設計する。

実験結果

リサーチクエスチョン

• RQ1 LSTM-RNN といったディープラーニングモデルは、マルティングールといった単純なモデルを上回って株価を予測できるか？
• RQ2 対数リンク関数を用いたGLMは、線形モデルおよびマルティングールベースラインに比べ、S&P 500データにおいて予測精度を向上させられるか？
• RQ3 定常性および混合仮定が、株価予測における従来の時系列モデルの性能に及ぼす制限はどの程度か？
• RQ4 オンラインからバッチへのアルゴリズムは、定常性や混合仮定を必要としない状況でも、予測の強固さを実現できるか？
• RQ5 予測モデルは、オプションベースおよびアルゴリズム取引戦略を用いて、どのようにして一貫したリターンを生み出す実用的応用が可能になるか？

主な発見

• RNNモデルはMAEおよびRMSEの観点で4つのモデルの中で最高の性能を示したが、依然としてマルティングールベースラインに劣る。
• 現在の株価が最良の予測であると仮定するマルティングールモデルは、強力なベンチマークのままであり、株価リターンの予測可能性が限定的であることを示唆している。
• 線形モデルより少ない仮定を要するGLMモデルも、マルティングールを上回ることはできず、予測力の向上が限定的であることを示している。
• 提案されたオンラインからバッチへのアルゴリズムにより、定常性や混合仮定に依存せずに予測が可能となり、非定常時系列に対する強固な代替手段を提供している。
• オプションヘッジ、アービタージュ、均等化といった取引戦略により、予測モデルを実用的で低リスクな応用に変換でき、ウィンウィンまたはゼロサムの結果を達成できる。
• 予測精度が最適でない場合でも、モデルとオプションおよびアルゴリズム戦略を統合することで、利益が得られるとともにリスクが軽減される取引が可能になる。