[논문 리뷰] Deep learning models for price forecasting of financial time series: A review of recent advancements: 2020-2022

Cheng Zhang, Nilam Nur Amir Sjarif외 1명|arXiv (Cornell University)|2023. 04. 21.

Stock Market Forecasting Methods참고 문헌 120인용 수 7

한 줄 요약

이 논문은 2020년에서 2022년 사이에 재무 시계열 가격 예측을 위한 딥러닝 모델의 최근 발전을 검토하며, 트랜스포머, GAN, GNN, DQNN에 중점을 둡니다. 모델 아키텍처, 응용 사례, 그리고 상호 교환 조건을 평가하여 점 예측 및 구간 예측, 앙상블 신뢰성, 데이터 양의 영향에 대한 통찰을 제공하며, 정량 금융 및 머신러닝 분야의 연구자와 전문가를 위한 종합적인 가이드를 제공합니다.

ABSTRACT

Accurately predicting the prices of financial time series is essential and challenging for the financial sector. Owing to recent advancements in deep learning techniques, deep learning models are gradually replacing traditional statistical and machine learning models as the first choice for price forecasting tasks. This shift in model selection has led to a notable rise in research related to applying deep learning models to price forecasting, resulting in a rapid accumulation of new knowledge. Therefore, we conducted a literature review of relevant studies over the past three years with a view to aiding researchers and practitioners in the field. This review delves deeply into deep learning-based forecasting models, presenting information on model architectures, practical applications, and their respective advantages and disadvantages. In particular, detailed information is provided on advanced models for price forecasting, such as Transformers, generative adversarial networks (GANs), graph neural networks (GNNs), and deep quantum neural networks (DQNNs). The present contribution also includes potential directions for future research, such as examining the effectiveness of deep learning models with complex structures for price forecasting, extending from point prediction to interval prediction using deep learning models, scrutinising the reliability and validity of decomposition ensembles, and exploring the influence of data volume on model performance.

연구 동기 및 목표

• 2020년에서 2022년 사이에 재무 시계열 가격 예측에 적용된 딥러닝 모델에 대한 종합적인 리뷰를 제공하는 것.
• 트랜스포머, GAN, GNN, DQNN와 같은 고급 딥러닝 모델의 아키텍처 설계, 실용적 구현 및 상대적 성능을 분석하는 것.
• 재무 예측 환경에서 이러한 모델의 장점과 한계를 평가하는 것.
• 핵심 연구 격차를 식별하고 향후 연구 방향을 제안하는 것—예를 들어, 구간 예측, 앙상블 신뢰성, 데이터 양의 영향 등.

제안 방법

• 통계 금융, 머신러닝, 인공지능 분야에서 2020년에서 2022년 사이에 출판된 동료 심사 논문을 대상으로 체계적인 문헌 리뷰를 수행하는 것.
• 재무 시계열 예측에 응용된 딥러닝 아키텍처를 기반으로 분류 및 분석하는 것.
• 변동성이 높은 시장에서 예측 정확도, 강건성, 일반화 능력과 같은 핵심 지표를 기반으로 모델 성능 평가.
• 분해 기반 앙상블, 트랜스포머의 어텐션 메커니즘, GAN의 적대적 훈련, GNN의 그래프 기반 모델링에 대한 연구 결과 통합.
• 신규로 나타나는 추세 평가—예를 들어, 양자 기반 신경망(DQNN)의 재무 예측 통합.
• 보고된 결과와 실험 설정의 비판적 분 析를 통해 방법론적 과제와 열린 문제 식별.

실험 결과

연구 질문

• RQ1 2020년에서 2022년 사이에 딥러닝 모델은 재무 시계열 가격 예측에 어떻게 발전했는가?
• RQ2 트랜스포머, GAN, GNN, DQNN는 재무 자산 가격 예측에서 상대적으로 어떤 강점과 약점을 지니는가?
• RQ3 분해 기반 앙상블 방법은 재무 시계열에서 예측의 안정성과 타당성을 얼마나 향상시키는가?
• RQ4 데이터 양은 재무 예측 작업에서 딥러닝 모델의 성능과 일반화 능력에 어떤 영향을 미치는가?
• RQ5 딥러닝을 활용해 점 예측에서 구간 또는 확률 예측으로의 예측 향상에 대한 새로운 연구 방향은 무엇인가?

주요 결과

• 트랜스포머는 특히 자기 어텐션 메커니즘을 통해 재무 시계열의 장거리 의존성을 효과적으로 포착하는 데 강력한 성능을 보였다.
• 생성 적대적 네트워크(GAN)는 합성 데이터 생성 및 변동성 모델링에 성공적으로 적용되어 저데이터 환경에서의 강건성을 향상시켰다.
• 그래프 신경망(GNN)은 자산 간 의존성과 시장 네트워크 구조를 효과적으로 모델링하여 다중 자산 예측 성능을 향상시켰다.
• 딥 컨티뉴엄 신경망(DQNN)은 아직 초기 단계이지만 유망한 방향성을 지니고 있으나, 하드웨어 및 확장성 제약으로 인해 실증적 검증은 제한되어 있다.
• 신호 분해 기반 앙상블(예: EMD, VMD)은 예측 안정성을 향상시키지만, 그 신뢰성과 타당성에 대해서는 추가 검토가 필요하다.
• 점 예측에서 구간 예측 또는 확률 예측으로의 전환 추세가 확산되고 있으며, 딥러닝 모델은 점점 불확실성 정량화를 지원하는 경향을 보이고 있다.