[논문 리뷰] Multi-Scale RCNN Model for Financial Time-series Classification

Guang Liu, Xiaojie Wang외 1명|arXiv (Cornell University)|2019. 11. 21.

Stock Market Forecasting Methods참고 문헌 56인용 수 12

한 줄 요약

이 논문은 다중 스케일 특징과 시간적 종속성을 동시에 모델링하는 MSTD-RCNN를 제안한다. 이는 금융 시계열 데이터의 분류 성능과 투자 수익률을 향상시키기 위한 다중 스케일 순환 합성곱 신경망이다. 다양한 스케일에서의 특징 추출을 위한 합성곱 유닛과 서로 다른 스케일 간의 시간적 동적 관계를 포착하기 위한 GRU를 조합함으로써, 세 개의 중국 주식 인덱스 데이터셋에서 최신 기술(SOTA) 성능을 달성하였으며, 시뮬레이션 투자 수익률에서 기준 모델 대비 최대 149.54% 향상되었다.

ABSTRACT

Financial time-series classification (FTC) is extremely valuable for investment management. In past decades, it draws a lot of attention from a wide extent of research areas, especially Artificial Intelligence (AI). Existing researches majorly focused on exploring the effects of the Multi-Scale (MS) property or the Temporal Dependency (TD) within financial time-series. Unfortunately, most previous researches fail to combine these two properties effectively and often fall short of accuracy and profitability. To effectively combine and utilize both properties of financial time-series, we propose a Multi-Scale Temporal Dependent Recurrent Convolutional Neural Network (MSTD-RCNN) for FTC. In the proposed method, the MS features are simultaneously extracted by convolutional units to precisely describe the state of the financial market. Moreover, the TD and complementary across different scales are captured through a Recurrent Neural Network. The proposed method is evaluated on three financial time-series datasets which source from the Chinese stock market. Extensive experimental results indicate that our model achieves the state-of-the-art performance in trend classification and simulated trading, compared with classical and advanced baseline models.

연구 동기 및 목표

• 기존의 금융 시계열 분류 모델이 다중 스케일(MS) 특징과 시간적 종속성(TD) 특성을 효과적으로 통합하지 못하는 한계를 해결한다.
• 사전 정의된 파rameter(예: DFT 또는 웨이블릿 튜닝 방지) 없이 다중 스케일 특징을 자동으로 학습하는 엔드 투 엔드 딥 러닝 모델을 개발한다.
• 순환 신경망을 활용한 다중 스케일 간 시간적 관계 모델링을 통해 분류 정확도와 시뮬레이션 투자 수익률을 향상시킨다.
• 실제 분석에 적합한 실시간 분단위 금융 시계열 데이터를 중국 주식 시장에서 확보하여 모델의 실용적 관련성을 확보한다.
• 다중 스케일 및 시간적 종속성 특성을 동시에 모델링할 경우, 단일 특성만 사용하는 모델보다 우수한 성능을 내는지 입증한다.

제안 방법

• 단일 스케일 입력 금융 시계열 시퀀스에서 다중 스케일 특징을 추출하기 위해 다수의 합성곱 신경망(CNN) 유닛을 활용한다.
• 다양한 스케일 간의 시간적 종속성을 모델링하기 위해 게이트드 순환 유닛(GRU)을 사용하여 스케일 특징 표현 간 장거리 및 상보적 관계를 포착한다.
• CNN이 스케일 특징을 추출하고 GRU가 시간적 맥락을 융합하여 공동 최적화가 가능한 엔드 투 엔드 학습 가능한 아키텍처를 설계한다.
• 금융 시계열의 다중 클래스 분류(상승, 하락, 정체)를 위해 표준 백프로파게이션과 교차 엔트로피 손실을 사용하여 모델을 훈련시킨다.
• 예측 레이블을 기반으로 시뮬레이션 투자 알고리즘을 구현하여 실세계 수익률을 평가하며, 거래 수수료 및 포지션 관리 기능을 통합한다.
• 평가를 위해 중국 주식 시장의 분단위 인덱스 가격 데이터셋 세 개(SH000001, SZ399005, SZ399006)를 구축하여 실제 데이터의 구조와 특성을 반영한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 금융 시계열에서 다중 스케일 특징과 시간적 종속성을 효과적으로 융합하여 분류 정확도를 향상시킬 수 있는가?
• RQ2 제안된 MSTD-RCNN 모델이 전통적 및 고급 기준 모델 대비 분류 성능과 시뮬레이션 투자 수익률 측면에서 뛰어난 성능을 보일 수 있는가?
• RQ3 CNN 기반의 다중 스케일 특징 추출과 GRU 기반의 시간적 모델링 메커니즘의 통합이 모델의 강건성과 예측 정확도에 어떤 영향을 미치는가?
• RQ4 상승과 하강 추세 간 오분류가 시뮬레이션 투자 성과에 미치는 영향은 어느 정도이며, MSTD-RCNN은 이러한 오류를 줄일 수 있는가?
• RQ5 다양한 시장 추세를 보이는 다른 금융 인덱스에 대해서도 모델의 성능이 일반화 가능한가?

주요 결과

• MSTD-RCNN는 모든 세 데이터셋에서 가장 높은 시뮬레이션 투자 수익률을 기록하였으며, 각각 SH000001, SZ399005, SZ399006에서 1419.85, 1400.93, 7609.42의 수익을 기록하여 최고의 기준 모델(MS-RCNN) 대비 0, 0, 182.28의 수익 증가를 기록했다.
• SZ399006 데이터셋에서 MSTD-RCNN는 '하락' 클래스의 정밀도를 MS-CNN 대비 6.2% 향상시키고, '상승' 클래스의 정밀도를 7.0% 향상시켜 고영향력 추세 카테고리의 분류 정확도 향상을 입증했다.
• SH000001에서 MSTD-RCNN는 MS-CNN 대비 '상승'과 '하락' 추세 간 오분류를 23건 감소시키고, SZ399005에서는 50건 감소시켜 직접적으로 수익률 향상에 기여했다.
• SZ399006에서 MSTD-RCNN는 '하락' 클래스에 대해 60.0%의 정밀도, '상승' 클래스에 대해 60.8%의 정밀도를 기록하여 MS-CNN의 각각 53.8% 수준을 크게 초월했다.
• 시장 전체의 하락 추세로 인해 B&H 전략은 모든 세 데이터셋에서 손실을 기록한 반면, MSTD-RCNN를 포함한 모든 딥 러닝 모델은 양의 수익률을 기록하여 모델의 강건성을 입증했다.
• 혼동 행렬 분석 결과, MSTD-RCNN가 '상승' 및 '하락'과 같은 핵심 카테고리에서 낮은 오류율을 기록하고 있음을 확인하였으며, 이는 시뮬레이션 투자 수익률 향상의 주요 원인임을 확인했다.