[論文レビュー] Turnover Prediction Of Shares using Data Mining techniques : A Case Study

D. S. Shashaank, V Sruthi+2 more|arXiv (Cornell University)|Aug 1, 2015

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

ひとこと要約

本研究では、歴史的市場データを用いて、データマイニング手法を提案し、日次株式売買高を予測する。Rを用いてBorutaによる特徴選択と分類モデル（ランダムフォレスト、SVM、決定木、多項ロジスティック回帰）を採用。95％の予測精度を達成し、売買高の予測と、株式取引量に影響を与える主要な市場属性の同定において、高い有効性を示した。

ABSTRACT

Predicting the turnover of a company in the ever fluctuating Stock market has always proved to be a precarious situation and most certainly a difficult task in hand. Data mining is a well-known sphere of Computer Science that aims on extracting meaningful information from large databases. However, despite the existence of many algorithms for the purpose of predicting the future trends, their efficiency is questionable as their predictions suffer from a high error rate. The objective of this paper is to investigate various classification algorithms to predict the turnover of different companies based on the Stock price. The authorized dataset for predicting the turnover was taken from www.bsc.com and included the stock market values of various companies over the past 10 years. The algorithms were investigated using the "R" tool. The feature selection algorithm, Boruta, was run on this dataset to extract the important and influential features for classification. With these extracted features, the Total Turnover of the company was predicted using various classification algorithms like Random Forest, Decision Tree, SVM and Multinomial Regression. This prediction mechanism was implemented to predict the turnover of a company on an everyday basis and hence could help navigate through dubious stock market trades. An accuracy rate of 95% was achieved by the above prediction process. Moreover, the importance of stock market attributes was established as well.

研究の動機と目的

• 変動が激しい市場において、従来の手法が高い誤差率を示す中で、株式売買高を予測する課題に取り組む。
• 歴史的株価データに基づき、日次売買高を予測するための複数の分類アルゴリズムの性能を評価する。
• 厳密な特徴選択を用いて、売買高に最も影響を与える市場属性を同定する。
• 不確実な株式市場における投資意思決定を支援する、実用的で日次予測可能なシステムを開発する。
• 10年分のデータセットを用いたデータマイニング技術により、高い予測精度を達成する。

提案手法

• 本研究では、公開ソースから入手した10年分の株式市場価格データを用いて、予測モデルの学習と評価を実施した。
• Borutaという特徴選択アルゴリズムを適用し、データセットから最も関連性が高く影響力のある特徴を同定した。
• 選択された特徴を用いて、4つの分類アルゴリズム（ランダムフォレスト、決定木、SVM、多項ロジスティック回帰）の学習と評価を実施した。
• すべてのモデルは、統計的計算とデータ分析を目的としたRプログラミング言語を用いて実装・比較した。
• 予測タスクは、高精度に日次売買高水準を予測することを目的とした分類問題として定式化した。
• モデルの性能は、正答率に基づき評価され、最良のモデルで95％の正答率を達成した。

実験結果

リサーチクエスチョン

• RQ1 歴史的市場データを用いた場合、どの分類アルゴリズムが日次株式売買高の予測において最も優れた性能を示すか？
• RQ2 データに基づくと、売買高に最も影響を与える市場属性は何か？
• RQ3 Borutaを用いた特徴選択は、売買高予測モデルの精度向上に寄与するか？
• RQ4 データマイニング技術は、株式売買高予測の誤差をどの程度低減できるか？
• RQ5 標準的な機械学習ツールを用いて、日次売買高予測システムを効果的に構築できるか？

主な発見

• 提案手法は95％の予測精度を達成し、日次株式売買高の予測において優れた性能を示した。
• ランダムフォレスト、SVM、決定木、多項ロジスティック回帰はいずれも高い予測能力を示し、最良のモデルで95％の正答率を達成した。
• Borutaアルゴリズムは、最も関連性のある特徴を的確に同定し、モデルの解釈可能性と性能を向上させた。
• 株価、取引高、時価総額といった主要な市場属性が、売買高予測において顕著に影響を与えることが判明した。
• 本研究では、データマイニング技術が金融予測タスクにおける予測誤差を顕著に低減できることを確認した。
• 本フレームワークにより、日次売買高予測が可能となり、不確実な株式市場環境下での実用的利便性を提供する。