[論文レビュー] Currency exchange prediction using machine learning, genetic algorithms and technical analysis

Gonçalo Abreu, Rui Neves+1 more|arXiv (Cornell University)|May 29, 2018

Stock Market Forecasting Methods参考文献 13被引用数 8

ひとこと要約

本論文では、交差検証を用いたナイーブベイズ分類器の性能最適化を目的とした変更版遺伝的アルゴリズム（GA）と、技術的分析指標の最適化を組み合わせたハイブリッド機械学習フレームワークを提案する。このフレームワークにより、価格変動の予測に有効な特徴量空間を探索し、t-SNEを用いてモデルの意思決定を可視化することで、検証データ上での投資収益率が0.43%から10.29%に向上した。これは、マーケットの非効率性や平均回帰パターンが、ランダムウォーク仮説を越えて学習可能であることを示している。

ABSTRACT

Technical analysis is used to discover investment opportunities. To test this hypothesis we propose an hybrid system using machine learning techniques together with genetic algorithms. Using technical analysis there are more ways to represent a currency exchange time series than the ones it is possible to test computationally, i.e., it is unfeasible to search the whole input feature space thus a genetic algorithm is an alternative. In this work, an architecture for automatic feature selection is proposed to optimize the cross validated performance estimation of a Naive Bayes model using a genetic algorithm. The proposed architecture improves the return on investment of the unoptimized system from 0,43% to 10,29% in the validation set. The features selected and the model decision boundary are visualized using the algorithm t-Distributed Stochastic Neighbor embedding.

研究の動機と目的

• 技術的分析指標が、ランダムな予測を上回って為替レートの変動を予測できるかどうかを調査すること。
• 変更版遺伝的アルゴリズムを用いた自動特徴選択アーキテクチャを構築し、ナイーブベイズ分類器の性能を最適化すること。
• t-SNEによる埋め込みを用いて意思決定境界とデータ構造を可視化することで、モデルの解釈性を向上させること。
• k-フォールド交差検証を用いてシステムを検証し、ベースラインモデルと比較して顕著な性能向上を示すこと。
• 異常な価格上昇などの市場非効率性が、平均回帰と関連付けられるようにモデルが学習しているかどうかを特定すること。

提案手法

• 変更版遺伝的アルゴリズムが、技術的インジケータの特徴量空間を探索し、ナイーブベイズ分類器の交差検証性能を最適化することで特徴選択を実施する。
• RSI、CCI、MACD、ROC、ストキャスティックオシレーター、ATRといった技術的インジケータを入力特徴量として用い、非定常な価格データを定常表現に変換する。
• ナイーブベイズ分類器はベイズの定理に従い、条件付き独立の仮定を置き、二値分類のためのP(y|x) ∝ P(y)∏P(xi|y) を計算する。
• k-フォールド交差検証を用いてモデルの性能を推定し、過学習を防ぐ。これにより、学習および検証分割の両方で堅牢な評価が可能になる。
• t-SNEを用いて高次元特徴ベクトルを2次元空間に埋め込み、局所構造を保持し、意思決定境界やクラスターパattersの可視化を可能にする。
• 投資収益率（ROI）を検証セット上で評価することで、実世界のトレーディングパフォーマンスの向上を測定する。

実験結果

リサーチクエスチョン

• RQ1 技術的分析指標は、ランダムな確率を上回って将来のEUR/USD為替レート変動を信頼性を持って予測できるか？
• RQ2 遺伝的アルゴリズムは、技術的インジケータの組み合わせの広大な空間を効果的に探索し、ナイーブベイズ分類器の予測性能を最適化できるか？
• RQ3 最適化されたモデルは、異常な価格変動後の平均回帰といった意味のある市場パターンを捉えられるか？
• RQ4 t-SNE可視化により、異なる市場レジームや非効率性に対応する特徴空間内の解釈可能なクラスタが明らかになるか？
• RQ5 最適化されたシステムは、最適化されていないベースラインと比較して、どの程度ROIを向上させるか？

主な発見

• 最適化されたシステムは、検証セット上で10.29%の投資収益率を達成した。これは、最適化されていないシステムの0.43%と比較して顕著な向上である。
• GAで最適化された特徴量を用いたナイーブベイズ分類器は、検証精度を51.39%から53.95%に向上させ、有意義な予測能力を示した。
• t-SNE可視化により、特徴空間に明確な局所クラスタが確認された。特に、高信頼度の予測は、異常な短期間の価格上昇といったパターンに対応していた。
• モデルは、急激な価格上昇後に負のリターンを予測する際に高い信頼度を示しており、平均回帰行動を学習していることが示唆された。
• 特に最適化された特徴量セットでは、t-SNEプロットに構造的なクラスタが存在しており、これは非ランダムで繰り返し可能な市場パターンをモデルが捉えていることを示している。
• 結果として、技術的特徴量がEUR/USD為替レートに埋め込まれた、利用可能な非効率性をエンコードできることを示しており、ランダムウォーク仮説に反する。