[論文レビュー] Using Deep Learning for price prediction by exploiting stationary limit order book features

Avraam Tsantekidis, Nikolaos Passalis+4 more|arXiv (Cornell University)|Oct 23, 2018

Stock Market Forecasting Methods被引用数 8

ひとこと要約

本稿では、限界委託価格参照（LOB）データから、中央価格を基準として正規化された価格差分を計算することで、定常的特徴量を抽出する新規手法を提案する。これにより、中央価格の変動予測に向けた深層学習（DL）が効果的に可能となる。この手法は、非定常的価格信号の安定化と、高頻度金融データにおける特徴表現の向上を実現し、複数のDLモデルにおいて顕著な性能向上を達成する。特に、空間的特徴抽出と時系列モデリングを統合するハイブリッドCNN-LSTMアーキテクチャが、単体のCNNやLSTMを上回る性能を発揮する。

ABSTRACT

The recent surge in Deep Learning (DL) research of the past decade has successfully provided solutions to many difficult problems. The field of quantitative analysis has been slowly adapting the new methods to its problems, but due to problems such as the non-stationary nature of financial data, significant challenges must be overcome before DL is fully utilized. In this work a new method to construct stationary features, that allows DL models to be applied effectively, is proposed. These features are thoroughly tested on the task of predicting mid price movements of the Limit Order Book. Several DL models are evaluated, such as recurrent Long Short Term Memory (LSTM) networks and Convolutional Neural Networks (CNN). Finally a novel model that combines the ability of CNNs to extract useful features and the ability of LSTMs' to analyze time series, is proposed and evaluated. The combined model is able to outperform the individual LSTM and CNN models in the prediction horizons that are tested.

研究の動機と目的

• 金融分野の深層学習における非定常的価格データの課題に対処するため、限界委託価格参照（LOB）データから定常的特徴量を導出すること。
• CNN、LSTM、ハイブリッドアーキテクチャを含む多様な深層学習モデルに対して、これらの定常的特徴量の有効性を評価すること。
• 空間的特徴抽出と時系列モデリングを統合する新しいCNN-LSTMモデルを設計・検証し、より優れた価格予測を実現すること。
• 定常的特徴量が生の価格入力と比較して、モデルの不安定性を低減し、予測精度を向上させることを実証すること。
• 注目メカニズムやインテリジェントサンプリングなどの今後の改善策について、より効果的な特徴利用の観点から検討すること。

提案手法

• 中央価格を基準として正規化された価格差分を計算することで、限界委託価格参照（LOB）データから定常的特徴量を導出する。これにより、絶対的価格レベルに対して不変となる。
• SVM や MLP など、時系列データを内蔵で処理しないモデル向けに、50件のディープネスイベントをカバーするローリングウィンドウを適用し、固定サイズの入力サンプルを生成する。
• ハイブリッドCNN-LSTMアーキテクチャを採用：CNN層がLOBのディープネスから局所的な空間的パターンを抽出し、LSTM層が時間ステップ間の時間的依存関係をモデル化する。
• データセットで観察されたクラス不均衡問題を軽減するため、訓練中に重み付き損失関数を適用し、学習の安定性を向上させる。
• 価格差分を正規化することで、特徴量が安定した有界な範囲に保たれ、モデルの一般化性能と収束性が向上するようにする。
• MLP、SVM、CNN、LSTM、CNN-LSTM といった複数のモデルを、同一の特徴セットで評価することで、公平な比較と妥当性の検証を実施する。

実験結果

リサーチクエスチョン

• RQ1 限界委託価格参照データから導出された定常的特徴量は、中央価格の変動予測における深層学習モデルの性能を顕著に向上させるか？
• RQ2 提案されたCNN-LSTMハイブリッドモデルは、単体のCNNおよびLSTMモデルと比較して、予測精度と学習安定性の面で優れているか？
• RQ3 定常的特徴量は、特に大規模な価格変動が生じる状況下でも、金融時系列の非定常性の影響をどれほど軽減するか？
• RQ4 中央価格を基準とした正規化された価格差分を特徴量として使用することで、生の価格値と比較して一般化性能が向上し、過学習が抑制されるか？
• RQ5 CNNの空間的特徴抽出とLSTMの時系列モデリングを統合することによる主な利点は何か？

主な発見

• 提案された定常的特徴量は、SVM、MLP、CNN、LSTM といったすべての評価対象モデルにおいて、生の価格特徴量を顕著に上回る性能を発揮する。これは、正規化および本質的な定常性に起因する。
• CNN-LSTMハイブリッドモデルは、個別のCNNおよびLSTMモデルよりも優れた性能を発揮し、テストデータにおいてより高い予測精度と安定性を示した。
• 重み付き損失関数を用いた訓練により、クラス不均衡に起因する学習のフラクチュエーションが効果的に抑制され、収束性が向上した。
• 中央価格を基準とした価格差分を特徴量として使用することで、意味のあるマイクロ構造信号が強調され、絶対的価格ドリフトに起因するノイズが抑制された。
• 定常的特徴量を用いて訓練されたモデルは、上昇、下降、横這いの3クラスすべてにおいて、平均F1スコア、精度、再現率が向上し、多クラス分類性能が向上した。
• 結果から、高周波取引における深層学習の有効な適用に、特徴の定常性が極めて重要な要因であることが確認された。特に、市場が変動しやすい状況下で顕著である。