[논문 리뷰] CNNPred: CNN-based stock market prediction using several data sources

Ehsan Hoseinzade, Saman Haratizadeh|arXiv (Cornell University)|2018. 10. 21.

Stock Market Forecasting Methods인용 수 10

한 줄 요약

이 논문은 주식 인덱스, 상품, 통화 및 선물과 같은 다양한 금융 데이터 소스에서 특징을 추출하기 위해 컨volutional 신경망(CNN)을 사용하는 딥러닝 프레임워크인 CNNPred를 제안한다. 이는 주요 글로벌 시장 인덱스의 다음 날 방향 예측을 위한 것이다. 모델은 교차 시장 상관관계와 자동 특징 학습을 활용하여 최신 기준(SOTA) 모델보다 뚜렷한 성능 향상을 달성한다.

ABSTRACT

Feature extraction from financial data is one of the most important problems in market prediction domain for which many approaches have been suggested. Among other modern tools, convolutional neural networks (CNN) have recently been applied for automatic feature selection and market prediction. However, in experiments reported so far, less attention has been paid to the correlation among different markets as a possible source of information for extracting features. In this paper, we suggest a CNN-based framework with specially designed CNNs, that can be applied on a collection of data from a variety of sources, including different markets, in order to extract features for predicting the future of those markets. The suggested framework has been applied for predicting the next day's direction of movement for the indices of S&P 500, NASDAQ, DJI, NYSE, and RUSSELL markets based on various sets of initial features. The evaluations show a significant improvement in prediction's performance compared to the state of the art baseline algorithms.

연구 동기 및 목표

• 이질적인 금융 데이터 소스에서 자동 특징 추출 문제를 해결하기 위해.
• 기존 접근 방식에서 종종 忽시되는 교차 시장 상관관계를 모델링하여 예측 정확도를 향상시키기 위해.
• 가격, 기술적 지표, 거시경제 데이터와 같은 다양한 입력 유형을 통합된 아키텍처 내에서 처리할 수 있는 딥러닝 프레임워크를 개발하기 위해.
• 실제 금융 시계열 데이터에 대해 CNN 기반 특징 학습의 효과를 다중 시장 예측 작업에 평가하기 위해.
• 상호 시장 의존성의 통합이 단일 시장 모델을 초월해 예측 성능을 향상시킨다는 것을 입증하기 위해.

제안 방법

• 프레임워크는 다양한 금융 소스(예: S&P 500, NASDAQ, 환율, 상품)로부터 온 다차원 시계열 입력을 일련의 1차원 시퀀스로 처리한다.
• 원시 및 파생 금융 데이터로부터 계층적 비선형 특징을 자동으로 학습하기 위해 특별히 설계된 1D-CNN 아키텍처를 사용한다.
• 입력 데이터에는 이전 가격, 기술적 지표(예: RSI, MACD), 선물 및 환율과 같은 관련 자산의 수익률이 포함된다.
• 모델은 주요 인덱스의 다음 날 가격 움직임 방향(상승/하락)을 예측하도록 엔드 투 엔드로 훈련된다.
• 원시 및 전처리된 데이터에서 관련 패턴을 직접 학습할 수 있는 CNN의 능력을 활용하여 특징 공학의 최소화를 이룬다.
• 다중 입력, 다중 소스 데이터 통합을 지원하여 모델이 다양한 시장 간 상호의존성을 포착할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 CNN 기반 모델은 주식 시장 외의 다양한 금융 데이터 소스, 특히 교차 시장 신호로부터 예측 가능한 특징을 효과적으로 추출할 수 있는가?
• RQ2 단일 시장 모델과 비교했을 때, 상호 시장 상관관계를 통합하면 다음 날 시장 방향 예측 정확도가 어떻게 향상되는가?
• RQ3 제안된 CNN 기반 특징 추출 방식은 전통적인 머신러닝 기준 모델에 비해 주식 시장 예측 작업에서 얼마나 뛰어난 성능을 보이는가?
• RQ4 S&P 500, DJI, NYSE, RUSSELL, NASDAQ와 같은 다양한 주요 인덱스에 대해 일관된 성능 향상을 보이며 일반화 가능한가?
• RQ5 CNN을 통한 자동 특징 학습이 수작업으로 선택된 기술적 지표에 대한 의존도를 줄이되 예측 능력은 유지할 수 있는가?

주요 결과

• CNNPred 프레임워크는 주요 주식 인덱스의 다음 날 방향 예측에서 최신 기준(SOTA) 알고리즘을 뚜렷이 능가한다.
• 상품, 환율, 선물 등 다수의 상관관계가 있는 시장의 데이터를 통합하면 단일 시장 데이터만 사용하는 모델보다 예측 정확도가 향상된다.
• 전통적 방법인 SVM, 랜덤 포레스트, LSTM 및 MLP와 같은 표준 딥러닝 모델보다 높은 분류 정확도와 F1 점수를 달성한다.
• CNN 기반 특징 추출 과정은 광범위한 수작업 특징 공학 없이도 금융 시계열 내 복잡한 비선형 패턴을 효과적으로 포착한다.
• S&P 500, NASDAQ, DJI, NYSE, RUSSELL 등 다양한 인덱스에 걸쳐 뛰어난 강건성을 보이며 광범위한 적용 가능성을 입증한다.
• 결과는 기존 예측 시스템에서 활용되지 않는 경향이 있는 상호 시장 의존성이 유의미한 예측 정보를 담고 있음을 확인한다.