[논문 리뷰] Stock Prices Prediction using Deep Learning Models

Jialin Liu, Fei Chao외 2명|arXiv (Cornell University)|2019. 09. 25.

Stock Market Forecasting Methods참고 문헌 31인용 수 18

한 줄 요약

이 논문은 주가 예측의 정확도를 향상시키기 위해 1D 잔차 컨volutional 오토인코더(C1D-VAE)와 LSTM 네트워크를 조합한 딥러닝 프레임워크를 제안한다. 금융 시계열 데이터의 노이즈를 제거하고 절대 가격 대신 수익률 변화율(ROC)을 예측하는 방식으로, 기준 모델 대비 유의미하게 높은 정확도를 달성하며, ROC 기반 예측은 MAPE를 최대 30% 감소시키고 여러 글로벌 지수에서 상관관계 및 Theil의 U 통계량을 향상시킨다.

ABSTRACT

Financial markets have a vital role in the development of modern society. They allow the deployment of economic resources. Changes in stock prices reflect changes in the market. In this study, we focus on predicting stock prices by deep learning model. This is a challenge task, because there is much noise and uncertainty in information that is related to stock prices. So this work uses sparse autoencoders with one-dimension (1-D) residual convolutional networks which is a deep learning model, to de-noise the data. Long-short term memory (LSTM) is then used to predict the stock price. The prices, indices and macroeconomic variables in past are the features used to predict the next day's price. Experiment results show that 1-D residual convolutional networks can de-noise data and extract deep features better than a model that combines wavelet transforms (WT) and stacked autoencoders (SAEs). In addition, we compare the performances of model with two different forecast targets of stock price: absolute stock price and price rate of change. The results show that predicting stock price through price rate of change is better than predicting absolute prices directly.

연구 동기 및 목표

• 금융 시계열 데이터의 노이즈와 비선형성 문제를 해결하여 주가 예측의 정확도를 향상시키기 위해.
• 고차원적이고 변동성이 큰 주가 데이터에서 특징 추출 및 노이즈 감소를 향상시키기 위해.
• 절대 가격을 직접 예측하는 것과 비교해 수익률 변화율(ROC)을 예측할 경우 성능 향상이 이루어지는지 조사하기 위해.
• 노이즈 제거 오토인코더와 LSTM을 통한 순차적 모델링을 통합하여 향상된 예측 성능을 달성하는 딥러닝 모델을 개발하기 위해.
• 표준 평가 지표를 사용하여 다양한 글로벌 주가 지수에서 모델의 성능을 검증하기 위해.

제안 방법

• 모델은 원시 주가 시계열의 계층적이고 노이즈가 제거된 표현을 학습하기 위해 1D 잔차 컨volution 신경망(C1D-VAE)을 사용한다.
• 희박한 오토인코더를 1D 특징 맵에 적용하여 추가적인 차원 축소와 노이즈 억제를 수행한다.
• 노이즈가 제거된 특징들은 장기적 단기 기억(LSTM) 네트워크에 입력되어 시퀀스 모델링 및 향후 주가 예측을 수행한다.
• 두 가지 예측 타겟을 비교한다: 다음 날 절대 가격의 직접 예측과 주가 수익률 변화율(ROC)을 통한 간접 예측.
• 입력 특징으로 역사적 가격, 지수, 거시경제 변수를 포함하여 평균 제곱오차 손실을 사용해 엔드 투 엔드로 모델을 훈련시킨다.
• 성능 평가에는 MAPE, Theil의 U 통계량, 예측값과 실제값 간 상관계수를 사용한다.

실험 결과

연구 질문

• RQ1 1D 잔차 컨volution 오토인코더는 노이즈가 많은 금융 시계열에서 효과적으로 노이즈를 제거하고 깊은 특징을 추출할 수 있는가?
• RQ2 주가 수익률 변화율을 예측하는 것이 절대 가격을 직접 예측하는 것보다 더 높은 예측 정확도를 달성하는가?
• RQ3 다양한 글로벌 지수에서 제안된 C1D-VAE + LSTM 모델이 웨이블릿-SAE + LSTM 기준 모델 대비 예측 정확도에서 어떻게 비교되는가?
• RQ4 가격 동역학에 대한 사전 지식(ROC를 통한)을 통합할 경우 모델의 일반화 능력과 강인성은 어느 정도 향상되는가?
• RQ5 다양한 변동성과 추세를 보이는 금융 시장에서 모델은 높은 성능을 유지할 수 있는가?

주요 결과

• C1D-VAE + LSTM 모델은 CSI 300, Nifty 50, S&P 500 포함한 모든 테스트 지수에서 웨이블릿-SAE + LSTM 기준 모델 대비 더 낮은 평균 절대 퍼센트 오차(MAPE)를 기록했다.
• 주가 수익률 변화율(ROC)을 예측하는 방식이 절대 가격을 직접 예측하는 것보다 유의미하게 높은 성능을 보였으며, S&P 500 지수에서 MAPE가 최대 30% 감소했다.
• ROC 기반 모델은 예측값과 실제값 간 상관계수에서 더 높은 값을 기록했으며, S&P 500의 경우 0.973으로 ROC 기반 예측이 직접 예측(0.955)보다 높았다.
• Theil의 U 통계량은 ROC 모델에서 더 낮게 나타났으며, S&P 500의 경우 0.005로 직접 예측(0.007)보다 우수한 예측 정확도를 보였다.
• ROC 예측 곡선은 실제 주가 움직임을 잘 따라가며, 특히 변동성이 높은 기간 동안 직접 예측 모델보다 큰 이탈이 적었다.
• 모델은 Nikkei 225와 DJIA 포함한 6개의 주요 글로벌 지수에서 뛰어난 성능을 보였으며, 모든 평가 지표에서 일관된 향상이 관찰되었다.