[논문 리뷰] Using Deep Learning for price prediction by exploiting stationary limit order book features

Avraam Tsantekidis, Nikolaos Passalis외 4명|arXiv (Cornell University)|2018. 10. 23.

Stock Market Forecasting Methods인용 수 8

한 줄 요약

이 논문은 한도 주문서(LOB) 데이터에서 중앙가격 기준 정규화된 가격 차이를 계산하여 정적 특징을 추출하는 새로운 방법을 제안한다. 이는 중앙가격 변화 예측을 위한 효과적인 딥러닝(DL)을 가능하게 하며, 특히 복합형 CNN-LSTM 아키텍처가 단독 CNN 및 LSTM보다 뛰어난 성능을 보이며, 비정상적인 가격 신호를 안정화시키고 고빈도 금융 데이터에 대한 특징 표현을 향상시킨다.

ABSTRACT

The recent surge in Deep Learning (DL) research of the past decade has successfully provided solutions to many difficult problems. The field of quantitative analysis has been slowly adapting the new methods to its problems, but due to problems such as the non-stationary nature of financial data, significant challenges must be overcome before DL is fully utilized. In this work a new method to construct stationary features, that allows DL models to be applied effectively, is proposed. These features are thoroughly tested on the task of predicting mid price movements of the Limit Order Book. Several DL models are evaluated, such as recurrent Long Short Term Memory (LSTM) networks and Convolutional Neural Networks (CNN). Finally a novel model that combines the ability of CNNs to extract useful features and the ability of LSTMs' to analyze time series, is proposed and evaluated. The combined model is able to outperform the individual LSTM and CNN models in the prediction horizons that are tested.

연구 동기 및 목표

• 금융 딥러닝에서 비정상적인 가격 데이터 문제를 해결하기 위해 한도 주문서(LOB) 데이터에서 정적 특징을 유도함으로써 도전 과제를 해결한다.
• CNN, LSTM, 하이브리드 아키텍처를 포함한 다양한 딥러닝 모델들에서 이러한 정적 특징의 효과성을 평가한다.
• 공간적 특징 추출과 순차적 시계열 모델링을 결합한 새로운 CNN-LSTM 모델을 설계하고 검증한다.
• 정적 특징이 원시 가격 입력에 비해 모델의 불안정성을 줄이고 예측 정확도를 향상시킨다는 것을 입증한다.
• 주의 메커니즘과 지능형 샘플링과 같은 향후 개선 사항을 탐색하여 더 나은 특징 활용을 도모한다.

제안 방법

• 중간가격 기준 정규화된 가격 차이를 계산하여 한도 주문서(LOB) 데이터에서 유도된 정적 특징 세트를 제안하며, 절대 가격 수준에 대한 불변성을 확보한다.
• SVM 및 MLP와 같이 순차적 데이터를 내재적으로 처리하지 않는 모델들을 위해 50개의 깊이 이벤트 윈도우를 적용하여 고정 크기의 입력 샘플을 생성한다.
• 하이브리드 CNN-LSTM 아키텍처를 활용: CNN 레이어는 LOB 깊이에서 국소적인 공간적 패턴을 추출하고, LSTM 레이어는 시간 단계 간의 시간적 의존성을 모델링한다.
• 데이터셋에서 관찰된 클래스 불균형 문제를 완화하기 위해 학습 중 가중치 손실 함수를 사용하여 학습 안정성을 향상시킨다.
• 가격 차이를 정규화하여 특징가 안정적이고 유한한 범위 내에 유지되도록 하여 모델 일반화 및 수렴성을 향상시킨다.
• MLP, SVM, CNN, LSTM, CNN-LSTM을 포함한 다수의 모델을 동일한 특징 세트로 평가하여 공정한 비교 및 강건성 평가를 수행한다.

실험 결과

연구 질문

• RQ1 한도 주문서 데이터에서 유도된 정적 특징이 중앙가격 변화 예측을 위한 딥러닝 모델의 성능을 상당히 향상시킬 수 있는가?
• RQ2 제안된 CNN-LSTM 하이브리드 모델은 단독 CNN 및 LSTM 모델에 비해 예측 정확도와 학습 안정성 측면에서 어떻게 비교되는가?
• RQ3 정적 특징이 특히 큰 가격 변동 시기에 비정상적인 재무 시계열에 미치는 영향을 어느 정도 줄일 수 있는가?
• RQ4 중간가격 기준 정규화된 가격 차이를 특징으로 사용할 경우 원시 가격 값에 비해 더 나은 일반화 및 과적합 감소 효과를 보이는가?
• RQ5 고빈도 LOB 데이터에 대해 CNN의 공간적 특징 추출 능력과 LSTM의 순차적 모델링 능력을 조합함으로써 얻는 주요 이점은 무엇인가?

주요 결과

• 제안된 정적 특징은 SVM, MLP, CNN, LSTM 등 평가된 모든 모델에서 원시 가격 특징보다 뛰어난 성능을 보이며, 이는 정규화되고 본질적으로 정적 성격 덕분이다.
• CNN-LSTM 하이브리드 모델은 개별 CNN 및 LSTM 모델보다 뛰어난 성능을 달성하여 테스트 데이터에서 더 높은 예측 정확도와 더 나은 안정성을 보였다.
• 가중치 손실 함수를 사용한 학습은 클래스 불균형으로 인한 학습 변동성을 효과적으로 완화하여 더 신뢰할 수 있는 수렴을 이끌어냈다.
• 중간가격 기준 가격 차이를 특징으로 사용함으로써 의미 있는 마이크로스트럭처 신호를 강조하고 절대 가격 이동에 의한 노이즈를 억제했다.
• 정적 특징을 기반으로 학습된 모델는 상승, 하락, 정체의 세 클래스 모두에서 평균 F1 점수, 정밀도, 재현율이 높아 다중 분류 성능 향상이 확인되었다.
• 결과적으로 특징의 정적 성격이 고빈도 금융 데이터에서 효과적인 딥러닝 적용을 가능하게 하는 핵심 요소임을 확인하였으며, 특히 변동성이 큰 시장 조건에서 그러한 영향이 두드러졌다.