[논문 리뷰] Data-driven Neural Architecture Learning For Financial Time-series Forecasting

Dat Thanh Tran, Juho Kanniainen외 2명|arXiv (Cornell University)|2019. 03. 05.

Stock Market Forecasting Methods참고 문헌 20인용 수 8

한 줄 요약

이 논문은 금융 시계열에서 복잡하고 비정상적이며 비선형적인 상관관계를 모델링하기 위해 일반화된 운영 퍼셉트론(GOPs)을 사용하는 데이터 기반 신경망 아키텍처 학습 프레임워크를 제안한다. 클래스 불균형을 다루기 위해 수정된 목적 함수를 도입함으로써, 대규모 한도 주문서(Limit Order Book) 데이터셋에서 텐서 기반 모델과 전통적 모델보다 우수한 성능을 보이며, 실제 금융 환경에서 뛰어난 예측 정확도를 입증한다.

ABSTRACT

Forecasting based on financial time-series is a challenging task since most real-world data exhibits nonstationary property and nonlinear dependencies. In addition, different data modalities often embed different nonlinear relationships which are difficult to capture by human-designed models. To tackle the supervised learning task in financial time-series prediction, we propose the application of a recently formulated algorithm that adaptively learns a mapping function, realized by a heterogeneous neural architecture composing of Generalized Operational Perceptron, given a set of labeled data. With a modified objective function, the proposed algorithm can accommodate the frequently observed imbalanced data distribution problem. Experiments on a large-scale Limit Order Book dataset demonstrate that the proposed algorithm outperforms related algorithms, including tensor-based methods which have access to a broader set of input information.

연구 동기 및 목표

• 비정상적이고 비선형적인 금융 시계열을 예측하는 데 있어 복잡하고 다중모달적인 상관관계를 다루는 도전 과제를 해결하기 위해.
• 다양한 데이터 모odal 간 이질적인 비선형 관계를 포착하는 데에 인간이 설계한 모델의 한계를 극복하기 위해.
• 고정된 아키텍처 가정에 의존하지 않고 데이터 기반 패턴에 적응하는 신경망 아키텍처 학습 방법을 개발하기 위해.
• 특히 방향성 예측 작업에서 흔히 발생하는 불균형한 데이터 분포의 영향을 최소화하기 위해.

제안 방법

• 이 방법은 일반화된 운영 퍼셉트론(GOPs)으로 구성된 이종 신경망 아키텍처를 사용하며, 이는 복잡한 비선형 사상(mapping)을 모델링할 수 있는 미분 가능한 연산자이다.
• 금융 시계열에서의 클래스 불균형을 고려하기 위해 수정된 목적 함수를 도입하여 소수의 방향성 이동에 대한 모델의 강건성을 향상시켰다.
• 아키텍처는 레이블이 부여된 금융 데이터에서 엔드 투 엔드로 훈련되며, 사전 구조적 가정 없이 입력 특징에서 직접 최적의 기능적 사상(mapping)을 학습한다.
• 이 접근법은 금융 데이터의 통계적 특성에 맞게 최적화된 효과적인 신경망 아키텍처를 발견하기 위해 데이터 기반의 탐색 메커니즘을 활용한다.
• 모델은 역전파와 경사 하강법을 사용하여 훈련되며, 방향성 예측 정확도를 최적화하기 위해 최적화된다.

실험 결과

연구 질문

• RQ1 비정상적이고 비선형적인 동역학을 보이는 금융 시계열 예측에서 데이터 기반 신경망 아키텍처 학습 접근법이 수작업으로 설계된 모델보다 뛰어난 성능을 내는가?
• RQ2 일반화된 운영 퍼셉트론으로 구성된 신경망 아키텍처가 금융 데이터의 다중모달성 및 이질적인 상관관계를 얼마나 효과적으로 포착하는가?
• RQ3 수정된 목적 함수가 불균형한 금융 시계열 예측 작업에서 성능을 얼마나 향상시키는가?
• RQ4 제안된 방법이 더 넓은 입력 정보를 활용하는 텐서 기반 모델보다 더 나은 성능을 내는가?

주요 결과

• 제안된 방법은 대규모 한도 주문서(Limit Order Book) 데이터셋에서 최신의 텐서 기반 방법보다 뛰어난 예측 성능을 달성한다.
• 수정된 목적 함수 덕분에 클래스 불균형 문제에 강건한 성능을 보이며, 이는 금융 시계열에서 흔한 문제이다.
• 데이터 기반 신경망 아키텍처 학습 접근법은 다양한 금융 데이터 모달 간의 복잡하고 비선형적인 상관관계를 효과적으로 포착한다.
• 텐서 기반 기준 모델이 사용하는 전체 입력 특징 세트에 접근할 수 없음에도 불구하고, 이 방법은 전통적 모델보다 방향성 예측 정확도에서 뛰어난 성능을 보였다.