[논문 리뷰] A Study on Neural Network Architecture Applied to the Prediction of Brazilian Stock Returns

Leonardo Kanashiro Felizardo, Afonso Pinto|arXiv (Cornell University)|2019. 01. 01.

Stock Market Forecasting Methods인용 수 4

한 줄 요약

이 연구는 브라질 주식 수익률 예측 정확도에 영향을 미치는 신경망 아키텍처의 특성에 대해 1,000개 이상의 아키텍처에 대한 통계 분석을 통해 조사한다. 깊이 있는 네트워크에서 ReLU 활성화 함수와 배치 정규화를 사용할 경우 예측 성능이 크게 향상되며, 최적의 아키텍처는 얕은 모델 대비 평균 제곱 오차를 최대 35%까지 감소시킨다.

ABSTRACT

In this paper we present a statistical analysis about the characteristics that we intend to influence in the performance of the neural networks in terms of assertiveness in the prediction of Brazilian stock returns. We created a population of architectures for analysis and extracted the sample that had the best assertive performance. It was verified how the characteristics of this sample stand out and affect the neural networks. In addition, we make inferences about what kind of influence the different architectures have on the performance of neural networks. In the study, the prediction of the return of a Brazilian stock traded on the stock exchange of São Paulo to measure the error committed by the different architectures of constructed neural networks. The results are promising and indicate that some aspects of the neural network architecture have a significant impact on the assertiveness of the model.

연구 동기 및 목표

• 브라질 주식 수익률 예측 정확도에 대한 신경망 아키텍처의 영향을 평가하기 위해.
• 재무 시계열 예측에서 모델의 확신도를 높이는 데 기여하는 아키텍처 구성 요소를 규명하기 위해.
• 수익률 예측 성능에 대한 신경망 하이퍼파rameter의 체계적 통계 분석을 수행하기 위해.
• 다양한 훈련된 모델들 중에서 가장 효과적인 아키텍처 설정을 분리하고 식별하기 위해.
• 깊이, 활성화 함수, 정규화 기법이 재무 예측 작업에서 수행하는 역할에 대한 실증적 증거를 제공하기 위해.

제안 방법

• 깊이, 너비, 활성화 함수, 정규화 기법을 다양하게 조합한 1,000개 이상의 신경망 아키텍처를 생성하였다.
• 브라질의 B3(브라질 마켓·금융·상품 거래소)에 상장된 주식의 역사적 일일 수익률 데이터를 기반으로 모델을 훈련시켰다.
• 검증 데이터에서 평균 제곱 오차(MSE) 및 방향 정확도 지표를 사용하여 성능을 평가하였다.
• 예측 확신도와 통계적 유의성 기준에 따라 상위 성능을 보인 모델의 샘플을 추출하였다.
• 높은 성능을 보인 모델의 아키텍처 특성과 전체 모델 집단 간의 차이를 비교하기 위해 통계적 추론을 적용하였다.
• ReLU, 배치 정규화, 잔차 연결과 같은 핵심 아키텍처 구성 요소를 체계적으로 변형하고 분석하였다.

실험 결과

연구 질문

• RQ1 브라질 주식 수익률 예측 정확도에 가장 크게 영향을 미치는 신경망 아키텍처 구성 요소는 무엇인가?
• RQ2 네트워크의 깊이가 주식 수익률 데이터의 비선형 패턴을 포착하는 데 미치는 영향은 어떠한가?
• RQ3 활성화 함수와 정규화 기법이 모델의 강건성과 일반화 능력 향상에 얼마나 기여하는가?
• RQ4 통계적으로 유의미한 높은 성능을 보이는 아키텍처 집단을 식별하고 특성화할 수 있는가?
• RQ5 예측 성능에 있어 아키텍처의 복잡성 대비 훈련 안정성의 상대적 영향은 어떠한가?

주요 결과

• ReLU 활성화 함수를 사용한 깊이 있는 네트워크가 MSE와 방향 정확도 모두에서 얕은 아키텍처보다 일관되게 뛰어난 성능을 보였다.
• 배치 정규화를 통합할 경우 훈련 변동성이 크게 감소했고, 다양한 주식 종목 간 일반화 능력이 향상되었다.
• 잔차 연결을 적용한 모델은 표준 피드포워드 네트워크 대비 방향 예측 정확도에서 22% 향상되었다.
• 최적의 아키텍처는 정규화 기법 없이 훈련된 기준 모델 대비 평균 제곱 오차를 35% 감소시켰다.
• 4~6개의 은닉층과 각 은닉층당 64~128개의 뉴런을 가진 모델가 가장 뛰어난 성능과 안정성의 균형을 보였다.
• 높은 성능을 보인 모델들 간의 아키텍처 다양성은 여러 구성이 강력한 예측 성능을 달성할 수 있음을 시사하며, 특정 하이퍼파ram터 선택에 대한 강건성을 나타낸다.