[論文レビュー] Trader-Company Method: A Metaheuristic for Interpretable Stock Price Prediction

Katsuya Ito, Kentaro Minami+2 more|arXiv (Cornell University)|Dec 18, 2020

Stock Market Forecasting Methods参考文献 34被引用数 6

ひとこと要約

本稿では、金融機関を模倣するメタヒューリスティックフレームワーク「Trader-Company」を提案する。このフレームワークでは、解釈可能な「トレーダー」——各々が単純な数学的式（アルファファクター）を用いて株価リターンを予測する——を用いる。『会社』はこれらの予測を集約し、動的に再訓練を行い、成績が悪いトレーダーを除外し、ランダムに生成された新たなトレーダーを採用することで、米国および英国の株式データにおいて優れたパフォーマンスを発揮しながら、モデルの解釈可能性を保証する。

ABSTRACT

Investors try to predict returns of financial assets to make successful investment. Many quantitative analysts have used machine learning-based methods to find unknown profitable market rules from large amounts of market data. However, there are several challenges in financial markets hindering practical applications of machine learning-based models. First, in financial markets, there is no single model that can consistently make accurate prediction because traders in markets quickly adapt to newly available information. Instead, there are a number of ephemeral and partially correct models called "alpha factors". Second, since financial markets are highly uncertain, ensuring interpretability of prediction models is quite important to make reliable trading strategies. To overcome these challenges, we propose the Trader-Company method, a novel evolutionary model that mimics the roles of a financial institute and traders belonging to it. Our method predicts future stock returns by aggregating suggestions from multiple weak learners called Traders. A Trader holds a collection of simple mathematical formulae, each of which represents a candidate of an alpha factor and would be interpretable for real-world investors. The aggregation algorithm, called a Company, maintains multiple Traders. By randomly generating new Traders and retraining them, Companies can efficiently find financially meaningful formulae whilst avoiding overfitting to a transient state of the market. We show the effectiveness of our method by conducting experiments on real market data.

研究の動機と目的

• 単一のモデルが一貫してリターンを予測できない、非ステーションリティでほぼ効率的な金融市場の課題に対処すること。
• ブラックボックス型機械学習モデルの限界を克服し、定量的金融で一般的に用いられる単純で式によるアルファファクターを通じて解釈可能性を強調すること。
• 非定常的市場状態に応じて動的に予測モデルを進化させるスケーラブルで適応的なフレームワークの開発。
• 企業統治を模倣した訓練メカニズム（会社）を通じて、複数の弱い解釈可能なモデル（トレーダー）のアンサンブル集約により、予測のロバスト性を向上させること。

提案手法

• 各『トレーダー』は、弱学習者として、将来の株価リターンを予測するために単純な数学的式（例：リターン比の対数、テクニカルインジケーター）を適用する。
• 『会社』は複数のトレーダーの予測を重み付きアンサンブル戦略で集約するメタラーナーとして機能する。
• 会社は4つのコア機能を実装する：(1) 予測の集約、(2) 成績不良トレーダーの再訓練による教育、(3) 成績不良トレーダーの除外、(4) 数式のランダム生成による新規トレーダーの採用。
• トレーダーは歴史的リターンを用いて更新され、成績は予測精度またはシャープレシオによって測定され、除外および採用の指針とする。
• この手法は、時間経過とともにトレーダーの集団が進化する進化計算の一種であり、一時的な市場状態への過剰適合を回避する。
• 定量的金融で一般的に用いられる人間が読める基本的な数学的式に制限することで、解釈可能性を維持するフレームワークとして設計されている。

実験結果

リサーチクエスチョン

• RQ1 解釈可能な式によるアルファファクターを進化させるメタヒューリスティックフレームワークは、標準的なベースラインモデルを上回る株価予測性能を示せるか？
• RQ2 トレーダーの動的採用・再訓練・除外は、非定常的市場状態に適応するためにどの程度有効か？
• RQ3 弱い解釈可能なモデルのアンサンブル集約は、個々のモデルと比較して予測のロバスト性をどの程度向上させるか？
• RQ4 会社の統治を模倣した訓練メカニズムは、変動が激しい金融データにおいて過剰適合を低減し一般化性能を向上させるか？
• RQ5 深層学習アーキテクチャに依存せずに、米国および英国市場など異なる市場で一貫した上回り性能を達成できるか？

主な発見

• Trader-Company手法は、米国および英国の株式市場データセットにおいて、標準ベースラインモデルを上回る優れた予測パフォーマンスを示した。
• アブレーションスタディにより、採用・除外・教育・集約の各コンポonentが、全体のモデルパフォーマンスに有意に寄与していることが確認された。
• 一部の設定では、予測精度が51％を超えた。これは、非常に効率的な市場においてもランダムな当たる確率を上回る明確な優位性を示している。
• 解釈可能な式によるトレーダーの使用により、モデルの意思決定論理の明確な金融的解釈が可能となり、実世界の取引における信頼性と実用性が向上した。
• ランダム生成と選択的保持によるトレーダーの動的進化により、過剰適合を避けながら市場状態の変化に適応できるシステムが実現された。
• 異なる市場状態においてもロバスト性を維持したため、一時的な市場非効率性やノイズに対して耐性があることが示唆された。