[논문 리뷰] Predicting the direction of stock market prices using random forest

Luckyson Khaidem, Snehanshu Saha외 1명|arXiv (Cornell University)|2016. 04. 29.

Stock Market Forecasting Methods인용 수 117

한 줄 요약

논문은 기술 지표를 사용한 Random Forest 앙상블로 주가 방향을 분류하고, 다수의 데이터셋에서 강력한 OOB 수렴과 1–3개월 예측 정확도를 보여준다.

ABSTRACT

Predicting trends in stock market prices has been an area of interest for researchers for many years due to its complex and dynamic nature. Intrinsic volatility in stock market across the globe makes the task of prediction challenging. Forecasting and diffusion modeling, although effective can't be the panacea to the diverse range of problems encountered in prediction, short-term or otherwise. Market risk, strongly correlated with forecasting errors, needs to be minimized to ensure minimal risk in investment. The authors propose to minimize forecasting error by treating the forecasting problem as a classification problem, a popular suite of algorithms in Machine learning. In this paper, we propose a novel way to minimize the risk of investment in stock market by predicting the returns of a stock using a class of powerful machine learning algorithms known as ensemble learning. Some of the technical indicators such as Relative Strength Index (RSI), stochastic oscillator etc are used as inputs to train our model. The learning model used is an ensemble of multiple decision trees. The algorithm is shown to outperform existing algo- rithms found in the literature. Out of Bag (OOB) error estimates have been found to be encouraging. Key Words: Random Forest Classifier, stock price forecasting, Exponential smoothing, feature extraction, OOB error and convergence.

연구 동기 및 목표

• 투자 위험을 줄이기 위해 주가 방향 예측을 분류 문제로 동기화한다.
• 잡음이 많고 비선형인 주가 데이터를 다루기 위해 앙상블 학습(Random Forest)을 활용한다.
• 여러 기간과 데이터셋에 걸쳐 OOB 에러, ROC 및 표준 분류 지표를 사용해 예측 성능을 평가한다.

제안 방법

• 노이즈를 줄이기 위해 지수 평활화를 사용하여 시계열 데이터를 전처리한다.
• 지표(RSI, stochastic oscillator, Williams %R, MACD, PROC, OBV)를 특징으로 추출한다.
• 볼록 껍질을 통해 선형 분리를 테스트하고 2D로 시각화하기 위해 PCA를 적용한다.
• 부트스트랩 앙상제 각 Random Forest 분류기를 학습한다.
• OOB 에러, 정확도, 정밀도, 재현율, 특이도 및 ROC AUC로 평가한다.

실험 결과

연구 질문

• RQ1 기술 지표를 사용하여 기술적으로 주가의 방향(상승 또는 하락)을 고정된 며칠 ahead에서 Random Forest가 신뢰성 있게 예측할 수 있는가?
• RQ2 다른 주식과 예측 기간(1–3개월)에서 Random Forest의 성능(OOB 에러, 정확도, ROC AUC)은 어떻게 비교되는가?
• RQ3 이 맥락에서 트리의 수가 OOB 에러와 수렴에 어떤 영향을 미치는가?
• RQ4 선정된 특징(기술 지표)이 Apple, GE, Samsung과 같은 데이터셋에서 방향 예측에 충분하고 강건한가?

주요 결과

• RF는 데이터셋 전반에서 방향 예측 정확도 높다: Apple 1 month 86.84%, 3 months 93.97%; GE 1 month 84.72%, 3 months 92.54%; Samsung 1 month 84.71%, 3 months 92.54%.
• ROC AUC는 세 데이터셋과 모든 시점에서 0.9 이상으로 상승; 상승/하락 예측 간 강력한 구분을 나타냄.
• 트리 수가 증가함에 따라 OOB 에러가 감소하여 더 많은 트리에서 수렴성과 과적합 감소를 보여준다.
• 다양한 지표(정확도, 정밀도, 재현율, 특이도)에서 1–3개월 기간에 걸쳐 모델의 견고성이 뒷받침된다.
• Ensemble margin analysis는 체비셰프 기반 경계와 함께 숲의 강도가 일반화 오차를 낮춘다는 것을 보여준다.