[論文レビュー] Using Deep Learning Neural Networks and Candlestick Chart Representation to Predict Stock Market

Rosdyana Mangir Irawan Kusuma, Trang-Thi Ho+3 more|arXiv (Cornell University)|Feb 25, 2019

Stock Market Forecasting Methods被引用数 24

ひとこと要約

本稿では、株価時系列データをキャンドルスティック図に変換し、畳み込みニューラルネットワーク（CNN）、残差ネットワーク（ResNet）、VGGに類似したアーキテクチャを用いて将来の価格動向を予測する深層学習手法を提案する。本手法は台湾株式市場データセットで92.2%、インドネシア株式市場データセットで92.1%の精度を達成し、精度およびFスコアの面で先行研究を上回った。

ABSTRACT

Stock market prediction is still a challenging problem because there are many factors effect to the stock market price such as company news and performance, industry performance, investor sentiment, social media sentiment and economic factors. This work explores the predictability in the stock market using Deep Convolutional Network and candlestick charts. The outcome is utilized to design a decision support framework that can be used by traders to provide suggested indications of future stock price direction. We perform this work using various types of neural networks like convolutional neural network, residual network and visual geometry group network. From stock market historical data, we converted it to candlestick charts. Finally, these candlestick charts will be feed as input for training a Convolutional Neural Network model. This Convolutional Neural Network model will help us to analyze the patterns inside the candlestick chart and predict the future movements of stock market. The effectiveness of our method is evaluated in stock market prediction with a promising results 92.2% and 92.1% accuracy for Taiwan and Indonesian stock market dataset respectively. The constructed model have been implemented as a web-based system freely available at http://140.138.155.216/deepcandle/ for predicting stock market using candlestick chart and deep learning neural networks.

研究の動機と目的

• キャンドルスティック図の視覚的パターンを活用することで、株価予測の精度を向上させること。
• 畳み込みニューラルネットワーク（CNN）、ResNet、VGGを含む深層ニューラルネットワークの、画像ベースの株価動向予測への有効性を評価すること。
• 取引期間の長さ、画像サイズ、ボリュームデータの含め方がモデル性能に与える影響を調査すること。
• 訓練済みモデルを用いた、トレーダー向けの公開可能なウェブベースの意思決定支援システムの開発。
• 標準的な指標（精度、Fスコア、MCC）を用いて、本手法を既存の手法と比較すること。

提案手法

• 台湾およびインドネシアの株式市場から取得した歴史的データ（始値、高値、安値、終値、出来高）を、コンピュータグラフィックス技術を用いてキャンドルスティック図に変換した。
• 学習および評価のため、スライディングウインドウ手法を用いて1か月、2か月、3か月の複数期間の時系列シーケンスを生成した。
• キャンドルスティック図画像を、標準的なCNN、ResNet、VGGに類似したアーキテクチャを含む深層学習モデルに供給し、空間的パターンを学習した。
• 解像度の影響を評価するために、2種類の画像サイズ（50×50ピクセルおよび20×20ピクセル）をテストした。
• 比較のため、従来の機械学習モデル（ランダムフォレスト、K近傍法）も評価した。
• 最終的なモデルは、http://140.138.155.216/deepcandle/ にウェブアプリケーションとしてデプロイされ、一般公開され、リアルタイム予測が可能になった。

実験結果

リサーチクエスチョン

• RQ1 深層畳み込みニューラルネットワークは、株価市場データのキャンドルスティック図画像から予測可能なパターンを効果的に学習できるか？
• RQ2 取引期間の長さ（1か月、2か月、3か月）が、モデルの予測精度にどのように影響するか？
• RQ3 キャンドルスティック図に出来高データを含めることで、深層学習モデルの株価方向予測性能が向上するか？
• RQ4 本手法は、Patel（2015）、Khaidemら、Zhang（2018）といった既存手法と比較して、精度およびFスコアで優れているか？
• RQ5 本手法を用いたウェブベースのシステムは、トレーダーに対して実用的で使いやすい株価予測を提供できるか？

主な発見

• 本手法は台湾株式市場データセットで92.2%、インドネシア株式市場データセットで92.1%の精度を達成し、先行研究を顕著に上回った。
• 3か月の取引期間を用いたモデルが、感度、特異度、精度、およびマシュー・ピアソン相関係数（MCC）を含む全指標で最高の性能を示した。
• キャンドルスティック図に出来高情報を追加しても、モデル性能に顕著な向上は見られず、出来高を含まない視覚的パターンのみで高精度な予測が可能であることが示唆された。
• Patelの手法と比較すると、S&P BSE Sensexでは97.2%の精度（Patelの89.84%）を達成し、リライアンス・インダストリーズでは93.9%（Patelの92.22%）を記録した。
• SNSやニュースのセンチメント分析を用いたZhangの手法（61.7%の精度）と比較して、本手法は92.6%の精度を達成し、優れた性能を示した。
• ウェブベースのシステム「DeepCandle」（http://140.138.155.216/deepcandle/）は正常に実装され、リアルタイム予測のための一般公開が完了した。