[논문 리뷰] Efficient Integration of Multi-Order Dynamics and Internal Dynamics in Stock Movement Prediction

Thanh Trung Huynh, Minh Hieu Nguyen외 5명|arXiv (Cornell University)|2022. 11. 11.

Stock Market Forecasting Methods인용 수 6

한 줄 요약

이 논문은 파형 기반 초그래프 어텐션과 LSTM 아키텍처 내 시간적 생성 필터를 통해 다중 순서 주식 상관관계를 효율적으로 모델링하고, 개별 주식의 동적 행동을 파악하는 딥러닝 프레임워크 ESTIMATE를 제안한다. 미국 주식시장 데이터 6년에 걸쳐 평가된 결과, ESTIMATE는 수익 창출 능력과 예측 안정성 측면에서 최신 기술(SOTA)을 초월한다.

ABSTRACT

Advances in deep neural network (DNN) architectures have enabled new prediction techniques for stock market data. Unlike other multivariate time-series data, stock markets show two unique characteristics: (i) \emph{multi-order dynamics}, as stock prices are affected by strong non-pairwise correlations (e.g., within the same industry); and (ii) \emph{internal dynamics}, as each individual stock shows some particular behaviour. Recent DNN-based methods capture multi-order dynamics using hypergraphs, but rely on the Fourier basis in the convolution, which is both inefficient and ineffective. In addition, they largely ignore internal dynamics by adopting the same model for each stock, which implies a severe information loss. In this paper, we propose a framework for stock movement prediction to overcome the above issues. Specifically, the framework includes temporal generative filters that implement a memory-based mechanism onto an LSTM network in an attempt to learn individual patterns per stock. Moreover, we employ hypergraph attentions to capture the non-pairwise correlations. Here, using the wavelet basis instead of the Fourier basis, enables us to simplify the message passing and focus on the localized convolution. Experiments with US market data over six years show that our framework outperforms state-of-the-art methods in terms of profit and stability. Our source code and data are available at \url{https://github.com/thanhtrunghuynh93/estimate}.

연구 동기 및 목표

• 금융 시장에서의 다중 순서 역학으로 인한 복잡하고 비쌍순서적 상관관계를 주식 예측에서 효과적으로 모델링하는 데 도전한다.
• 기존 방법에서 푸리에 기반 초그래프 컨볼루션의 비효율성과 낮은 국소화 성능을 해결한다.
• 모델의 과도한 파rameter화 없이도 개인 주식의 행동(내부 역학)을 학습된 고유한 시간 패턴을 통해 효과적으로 포착한다.
• 다중 순서 및 내부 역학을 통합한 확장성 있고 효과적인 딥러닝 프레임워크를 개발하여 양적 거래에 활용한다.
• 국소화된 초그래프 학습과 메모리 강화 시퀀스 모델링을 융합하여 실제 주가 움직임 예측의 정확도와 수익성을 향상시킨다.

제안 방법

• 메시지 전달의 단순화와 국소화된 특징 학습 향상을 위해 초그래프 컨볼루션에서 푸리에 기반 함수 대신 웨이블릿 기반 함수를 사용한다.
• 그룹 간 상관관계가 높은 주식들 사이의 국소화된 다중 순서 상호작용에 집중하는 어텐션 기반 초그래프 컨volution 레이어를 설계한다.
• 각 주식의 장기적 시간 패턴을 공유하면서도 고유하게 학습할 수 있도록 LSTM 네트워크에 시간적 생성 필터를 통합한다.
• 각 주식의 동적 행동을 별도의 모델을 학습하지 않고도 적응적으로 학습할 수 있도록 LSTM 내 메모리 기반 메커니즘을 활용한다.
• 동일 산업 또는 부문 내 상관관계 등을 반영하기 위해 외부 지식을 활용해 시장 초그래프를 구축한다.
• 실제 거래 성능을 최적화하기 위해 수익 기반 목적함수를 사용해 엔드 투 엔드 프레임워크를 훈련시킨다. 예측 정확도 외에도 실제 시장 성과를 고려한다.

실험 결과

연구 질문

• RQ1 주가 움직임 예측에서 다중 순서 역학—즉, 주식 간 비쌍순서적 상관관계—는 어떻게 효율적으로 모델링할 수 있는가?
• RQ2 금융 시계열에 대해 초그래프 컨볼루션에서 푸리에 기반 함수를 웨이블릿 기반 함수로 대체할 경우 어떤 영향을 미치는가?
• RQ3 과도한 계산 비용 없이도 개인 주식의 동적 행동(내부 역학)을 효과적으로 포착할 수 있는가?
• RQ4 통합적이면서도 개인화된 학습 메커니즘이 예측 정확도와 거래 수익성 향상에 기여할 수 있는가?
• RQ5 실제 시장 데이터 기반으로 최신 기술 대비 프레임워크의 수익성과 안정성 측면에서 성능은 어떠한가?

주요 결과

• 웨이블릿 기반 초그래프 어텐션 메커니즘은 푸리에 기반 대비 계산 복잡도를 크게 감소시키면서도 메시지 전달의 국소화 성능을 유지하거나 향상시킨다.
• 시간적 생성 필터는 LSTM이 개인 주식 패턴을 효율적으로 학습할 수 있도록 해주며, 주별 모델 학습이 필요 없고 과도한 파arameter화를 줄인다.
• ESTIMATE는 미국 주식시장 데이터 6년에 걸쳐 최신 기술 대비 더 높은 누적 수익을 달성하여 실질적인 거래 성능에서 뛰어난 성능을 입증한다.
• 다양한 시장 조건에서도 성능이 뛰어나 안정성을 보이며, 변동성과 변화하는 상관관계에 대한 강건성을 나타낸다.
• 모델은 개념 드프트(concept drift)에 민감함을 보이며, 장기적 구현을 위해서는 시간에 따라 변화하는 초그래프와 외부 데이터(예: 뉴스, 실적 발표)의 통합이 필수적임을 시사한다.
• 실험 결과, 다중 순서 역학과 내부 역학을 동시에 모델링할 경우, 단일 또는 둘 다 고려하지 않는 방법에 비해 성능 향상이 뚜렷하게 나타남을 확인했다.