[논문 리뷰] Stock Price Prediction Using Convolutional Neural Networks on a Multivariate Timeseries

Sidra Mehtab, Jaydip Sen|SSRN Electronic Journal|2020. 01. 10.

Stock Market Forecasting Methods인용 수 10

한 줄 요약

이 논문은 네 해 치 역사적 데이터를 사용하여 NIFTY 50 지수의 일주일 후 예측을 위한 다변량 컨volution 신경망(CNN) 모델을 제안한다. CNN 모델은 워크-포워드 검증과 하이퍼파ram터 튜닝을 통해 안정적인 검증 손실과 수렴하는 훈련/검증 정확도를 달성하며, 기존의 기계학습 방법보다 실제 종가 예측에서 뛰어난 성능을 보였다.

ABSTRACT

Prediction of future movement of stock prices has been a subject matter of many research work. In this work, we propose a hybrid approach for stock price prediction using machine learning and deep learning-based methods. We select the NIFTY 50 index values of the National Stock Exchange of India, over a period of four years, from January 2015 till December 2019. Based on the NIFTY data during the said period, we build various predictive models using machine learning approaches, and then use those models to predict the Close value of NIFTY 50 for the year 2019, with a forecast horizon of one week. For predicting the NIFTY index movement patterns, we use a number of classification methods, while for forecasting the actual Close values of NIFTY index, various regression models are built. We, then, augment our predictive power of the models by building a deep learning-based regression model using Convolutional Neural Network with a walk-forward validation. The CNN model is fine-tuned for its parameters so that the validation loss stabilizes with increasing number of iterations, and the training and validation accuracies converge. We exploit the power of CNN in forecasting the future NIFTY index values using three approaches which differ in number of variables used in forecasting, number of sub-models used in the overall models and, size of the input data for training the models. Extensive results are presented on various metrics for all classification and regression models. The results clearly indicate that CNN-based multivariate forecasting model is the most effective and accurate in predicting the movement of NIFTY index values with a weekly forecast horizon.

연구 동기 및 목표

• NIFTY 50 지수에 대한 주식 가격 예측을 위한 하이브리드 기계학습 및 딥러닝 프레임워크 개발.
• 일주일 예측 수준에서 다변량 금융 시계열을 예측하는 데 컨volution 신경망의 효과성 평가.
• 기존 기계학습 및 딥러닝 접근 방식을 포함한 다양한 분류 및 회귀 모델의 성능 비교.
• 하이퍼파aram터 튜닝을 통한 CNN 모델 최적화로 검증 손실 최소화 및 수렴성 향상.
• 입력 변수 수, 모델 복잡도, 훈련 데이터 크기가 예측 정확도에 미치는 영향 평가.

제안 방법

• 2015년 1월부터 2019년 12월까지의 NIFTY 50 지수 데이터를 포함한 다변량 시계열 데이터를 사용.
• 다양한 기계학습 모델을 활용해 분류(방향성 이동) 및 회귀(실제 종가) 작업에 대해 훈련.
• 다중 컨볼루션 및 풀링 레이어를 갖춘 컨volution 신경망(CNN) 기반의 회귀 모델을 구축.
• 실시간 예측을 시뮬레이션하고 데이터 泄露를 방지하기 위해 워크-포워드 검증을 사용해 CNN 모델을 훈련.
• 검증 손실의 안정성 확보 및 훈련 및 검증 정확도의 수렴 보장하기 위해 하이퍼파aram터 튜닝 적용.
• 입력 변수 수, 서브모델 수, 입력 시퀀스 길이를 다양하게 조정한 세 가지 별도의 CNN 구성 테스트.

실험 결과

연구 질문

• RQ1 CNN 기반 모델이 기존 기계학습 모델보다 NIFTY 50 지수의 주간 종가 예측에서 뛰어난 성능을 보일 수 있는가?
• RQ2 입력 변수 수가 CNN 모델의 예측 성능에 미치는 영향은 어떠한가?
• RQ3 모델 복잡도와 입력 시퀀스 길이가 다변량 시계열 예측 정확도에 유의미하게 영향을 미치는가?
• RQ4 워크-포워드 검증이 금융 예측에서 딥러닝 모델의 강건성과 일반화 능력을 향상시키는가?
• RQ5 CNN 훈련 중 훈련 및 검증 정확도는 어떻게 수렴하는가? 어떤 하이퍼파aram터가 모델을 안정화시키는가?

주요 결과

• CNN 기반의 다변량 예측 모델은 NIFTY 50 지수 예측에서 모든 테스트 모델 중 가장 높은 예측 정확도를 달성했다.
• 훈련 반복 수가 증가함에 따라 검증 손실이 안정화되어 효과적인 모델 수렴을 나타냈다.
• 훈련 및 검증 정확도가 수렴하여 과적합 없이 잘 일반화된 모델임을 시사했다.
• 최적화된 하이퍼파aram터를 적용한 모델은 다양한 평가 지표에서 일관된 성능을 보였다.
• 워크-포워드 검증의 활용으로 실제 예측 환경을 시뮬레이션함으로써 모델 신뢰성이 향상되었다.
• 결과적으로 CNN이 단기 지수 예측을 위한 다변량 금융 시계열에서 시간적 패턴을 효과적으로 포착할 수 있음을 입증했다.