[논문 리뷰] A Novel Ensemble Deep Learning Model for Stock Prediction Based on Stock Prices and News

Yang Li, Yi Pan|arXiv (Cornell University)|2020. 07. 23.

Stock Market Forecasting Methods참고 문헌 22인용 수 17

한 줄 요약

이 논문은 역사적 주가 및 뉴스 감성 정보를 사용하여 주가 움직임을 예측하기 위해 장기 단기 기억(LSTM) 및 게이트형 순환 단위(GRU) 네트워크를 완전히 연결된 신경망과 융합하는 새로운 블렌딩 앙상블 딥러닝 모델을 제안한다. 기존 방법과 비교해 평균 제곱 오차를 57.55% 감소시키고 이동 방향 정확도를 33.34% 향상시켜 주가 추세 예측에서 뛰어난 성능을 보여준다.

ABSTRACT

In recent years, machine learning and deep learning have become popular methods for financial data analysis, including financial textual data, numerical data, and graphical data. This paper proposes to use sentiment analysis to extract useful information from multiple textual data sources and a blending ensemble deep learning model to predict future stock movement. The blending ensemble model contains two levels. The first level contains two Recurrent Neural Networks (RNNs), one Long-Short Term Memory network (LSTM) and one Gated Recurrent Units network (GRU), followed by a fully connected neural network as the second level model. The RNNs, LSTM, and GRU models can effectively capture the time-series events in the input data, and the fully connected neural network is used to ensemble several individual prediction results to further improve the prediction accuracy. The purpose of this work is to explain our design philosophy and show that ensemble deep learning technologies can truly predict future stock price trends more effectively and can better assist investors in making the right investment decision than other traditional methods.

연구 동기 및 목표

• 수치적 주가 가격 데이터와 텍스트 기반 뉴스 감성 정보를 효과적으로 통합하여 주가 이동 예측을 향상시키는 딥러닝 모델을 개발하는 것.
• 기존 모델이 가격 데이터 또는 텍스트 데이터만 사용하거나 시간적 시계열 동적 특성을 고려하지 못하는 한계를 해결하는 것.
• 다양한 순환 아키텍처를 활용한 앙상블 학습을 통해 예측 정확도를 향상시키는 것.
• 다양한 RNN과 감성 분석을 융합함으로써 금융 예측에서 강건성과 성능 향상이 가능함을 입증하는 것.

제안 방법

• 모델는 이중 수준의 앙상블 아키텍처를 사용한다: 1단계에서는 주가 가격 및 뉴스 감성 데이터를 각각 처리하는 두 개의 별도된 RNN(LSTM 및 GRU)을 적용한다.
• 뉴스 기사에 감성 분석을 적용하여 긍정 또는 부정 감성 점수를 추출하고, 이를 RNN의 입력 특징으로 활용한다.
• LSTM과 GRU의 출력을 연결하여 완전히 연결된 신경망(FCNN)에 통과시켜 최종 주가 방향 예측을 도출한다.
• 블렌딩 앙상블 접근법은 다수의 RNN 예측을 융합하여 분산을 줄이고 일반화 능력을 향상시킨다.
• 모델는 역전파와 Adam 최적화를 사용하여 히스토리컬 데이터에서 평균 제곱 오차를 최소화하는 방식으로 엔드 투 엔드로 훈련된다.
• 기억 유지와 관련성의 균형을 맞추기 위해 고정된 히스토리컬 윈도우 크기를 사용하여 관련 과거 이벤트를 포착한다.

실험 결과

연구 질문

• RQ1 LSTM 및 GRU와 같은 다수의 순환 신경망을 감성 강화 입력과 함께 융합함으로써 주가 방향 예측 정확도가 향상되는가?
• RQ2 가격 및 뉴스 데이터를 모두 사용할 때, 앙상블 모델의 성능이 개별 RNN 또는 전통적 모델보다 우수한가?
• RQ3 뉴스 기사의 텍스트 감성 정보를 통합함으로써 예측의 강건성이 얼마나 향상되는가? 특히 수치적 가격 데이터만 사용하는 모델 대비.
• RQ4 블렌딩 앙상블 접근법이 예측 오차를 감소시키고 F1 점수 및 이동 방향 정확도와 같은 주요 지표를 향상시키는가?
• RQ5 특히 장기 추세와 단기 시장 충격을 포착하는 데 있어, 모델은 새로운 데이터에 잘 일반화되는가?

주요 결과

• 제안된 블렌딩 앙상블 모델은 평균 제곱 오차(MSE)를 438.94에서 186.32로 감소시켜 기존 최고 성능 모델 대비 57.55% 향상시켰다.
• 모델는 이동 방향 정확도(MDA)를 기존 최고 수준의 모델 대비 33.34% 향상시켜 보류 테스트 세트에서 최대 67%에 이를 정도로 향상되었다.
• 정밀도는 40% 향상되었고, 재현율은 50% 향상되었으며, F1 점수는 44.78% 향상되어 종합적인 분류 성능 향상을 보였다.
• 가격 시계열과 감성 특징을 모두 통합함으로써 단일 데이터 유형만 사용하는 모델보다 훨씬 정확도 높은 예측이 가능함을 입증했다.
• 다양한 RNN 아키텍처를 활용한 앙상블 학습이 금융 예측에서 모델의 강건성과 일반화 능력을 향상시킨다는 점을 시사한다.
• 모델의 성능는 금융 시장에서 수익성으로 간주되는 60% 기준을 초월하여 투자자에게 실질적인 가치를 제공함을 시사한다.