[논문 리뷰] Deep Learning Based on Generative Adversarial and Convolutional Neural Networks for Financial Time Series Predictions

Wilfredo Tovar|arXiv (Cornell University)|2020. 08. 08.

Stock Market Forecasting Methods참고 문헌 43인용 수 7

한 줄 요약

이 논문은 실질 주가 데이터의 핵심 추세를 유지하는 합성 금융 시계열 데이터를 생성하기 위해 생성적 적대 신경망(GAN) 프레임워크 내에 통합된 새로운 하이브리드 딥 러닝 모델인 Bi-LSTM-CNN을 제안한다. 이 모델은 여러 글로벌 지수에서 주가 움직임을 예측하는 데 있어 기존 접근 방식을 능가하며, 복잡한 시장 역학을 포착하는 데 있어 뛰어난 정확성과 강건성을 입증한다.

ABSTRACT

In the big data era, deep learning and intelligent data mining technique solutions have been applied by researchers in various areas. Forecast and analysis of stock market data have represented an essential role in today's economy, and a significant challenge to the specialist since the market's tendencies are immensely complex, chaotic and are developed within a highly dynamic environment. There are numerous researches from multiple areas intending to take on that challenge, and Machine Learning approaches have been the focus of many of them. There are multiple models of Machine Learning algorithms been able to obtain competent outcomes doing that class of foresight. This paper proposes the implementation of a generative adversarial network (GAN), which is composed by a bi-directional Long short-term memory (LSTM) and convolutional neural network(CNN) referred as Bi-LSTM-CNN to generate synthetic data that agree with existing real financial data so the features of stocks with positive or negative trends can be retained to predict future trends of a stock. The novelty of this proposed solution that distinct from previous solutions is that this paper introduced the concept of a hybrid system (Bi-LSTM-CNN) rather than a sole LSTM model. It was collected data from multiple stock markets such as TSX, SHCOMP, KOSPI 200 and the S&P 500, proposing an adaptative-hybrid system for trends prediction on stock market prices, and carried a comprehensive evaluation on several commonly utilized machine learning prototypes, and it is concluded that the proposed solution approach outperforms preceding models. Additionally, during the research stage from preceding works, gaps were found between investors and researchers who dedicated to the technical domain.

연구 동기 및 목표

• 동적인 시장에서 매우 복잡하고 혼란스러운 금융 시계열을 예측하는 데 도전하는 것.
• 더 유연하고 정확한 모델을 개발하여 기술적 금융 예측 분야에서 연구자들과 투자자들 사이의 격차를 메우는 것.
• 단일 모델 접근 방식(예: 독립형 LSTM)을 개선하기 위해 GAN 프레임워크 내에 Bi-LSTM과 CNN을 융합한 하이브리드 아키텍처를 도입하는 것.
• 실제 시장 추세의 핵심 특징을 유지하는 합성 금융 데이터를 생성하여 모델의 일반화 능력과 훈련을 향상시키는 것.
• 다양한 글로벌 주식 지수에서 표준 기계학습 베이스라인과의 비교를 통해 제안된 모델의 성능을 평가하는 것.

제안 방법

• 제안된 모델는 합성적 실감 나는 금융 시계열 데이터를 생성하기 위해 하이브리드 Bi-LSTM-CNN 아키텍처를 기반으로 한 생성자(generator)를 갖춘 생성적 적대 신경망(GAN) 프레임워크를 사용한다.
• 생성자 네트워크는 주가 시퀀스의 장기적 시간적 의존성을 포착하기 위해 이중 방향(Long Short-Term Memory, Bi-LSTM) 네트워크를 활용한다.
• 시퀀스 데이터에서 국소적이고 공간 유사 패턴을 추출하기 위해 Bi-LSTM 이후에 컨볼루션 신경망(CNN) 구성 요소를 통합하여 특징 표현을 향상시킨다.
• 판별자(discriminator) 네트워크는 생성된 시퀀스의 진위성을 실질적 금융 시계열 데이터와 비교하여, 데이터 품질 향상을 위한 적대적 훈련을 가능하게 한다.
• 모델은 교차 시장 적응성을 확보하기 위해 TSX, S&P 500, SHCOMP, KOSPI 200 등의 다수 글로벌 지수에서의 역사적 데이터를 기반으로 훈련된다.
• 표준 기계학습 평가 지표를 사용하여 다수의 벤치마크 모델과의 비교를 통해 시스템을 평가하며, 성능은 추세 예측 정확도 기준으로 평가된다.

실험 결과

연구 질문

• RQ1 GAN 프레임워크 내 하이브리드 Bi-LSTM-CNN 아키텍처가 실제 시장 추세 특성을 유지하는 합성 금융 시계열을 생성할 수 있는가?
• RQ2 제안된 Bi-LSTM-CNN GAN 모델은 금융 시계열 예측에서 독립형 LSTM 및 기타 전통적 모델 대비 예측 성능에서 어떻게 비교되는가?
• RQ3 제안된 모델이 S&P 500, TSX, SHCOMP, KOSPI 200와 같은 다양한 글로벌 주식 시장에서 얼마나 잘 일반화되는가?
• RQ4 하이브리드 딥 러닝 생성자와 함께 적대적 훈련을 통합하면 주가 추세 예측의 강건성과 정확성이 향상되는가?
• RQ5 합성 데이터 생성이 변동성이 크고 정적성이 없는 금융 환경에서 모델의 일반화 능력과 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 Bi-LSTM-CNN GAN 모델은 독립형 LSTM 네트워크를 포함한 기준 모델들보다 주가 추세 예측에서 뛰어난 성능을 달성한다.
• 하이브리드 아키텍처는 Bi-LSTM를 통한 장기적 의존성과 CNN를 통한 국소적 패턴 특징을 효과적으로 포착하여 예측 정확도를 향상시킨다.
• 모델은 다양한 글로벌 주식 지수에 걸쳐 강력한 일반화 능력을 보이며, 다양한 시장 행동에 대한 적응 가능성을 시사한다.
• GAN 프레임워크 내 적대적 훈련을 통해 합성 데이터의 품질이 향상되었고, 이는 예측 모델의 분류 능력을 향상시켰다.
• 종합적인 평가 결과, 제안된 모델이 추세 예측 작업에서 일반적으로 사용되는 기계학습 프로토타입을 모두 능가한다는 것이 확인되었다.
• 본 연구는 학술 연구와 실질적 투자자 수요 사이에 뚜렷한 격차가 있음을 밝혀내었으며, 제안된 모델이 향상된 정확성과 해석 가능성 덕분에 이를 메우는 데 기여한다.