[論文レビュー] Forecasting Stock Market with Support Vector Regression and Butterfly Optimization Algorithm

Mohammadreza Ghanbari, Hamidreza Arian|arXiv (Cornell University)|May 27, 2019

Stock Market Forecasting Methods参考文献 37被引用数 9

ひとこと要約

本稿では、サポートベクターレグレッション（SVR）とバタフライ最適化アルゴリズム（BOA）を組み合わせた新規なBOA-SVRモデルを提案する。BOAを用いてSVRの主要パラメータ（C、γ、ε）を最適化することで、3つのNASDAQ上場銘柄において、予測精度（MSEおよびMAPEで測定）と計算速度の両面で優れた性能を発揮し、11種類のメタヒューリスティックベースのSVRモデルを上回る。

ABSTRACT

Support Vector Regression (SVR) has achieved high performance on forecasting future behavior of random systems. However, the performance of SVR models highly depends upon the appropriate choice of SVR parameters. In this study, a novel BOA-SVR model based on Butterfly Optimization Algorithm (BOA) is presented. The performance of the proposed model is compared with eleven other meta-heuristic algorithms on a number of stocks from NASDAQ. The results indicate that the presented model here is capable to optimize the SVR parameters very well and indeed is one of the best models judged by both prediction performance accuracy and time consumption.

研究の動機と目的

• 金融時系列予測におけるSVRの最適パラメータ選定という重要な課題に取り組む。
• バタフライ最適化アルゴリズムを活用した効率的なSVRパラメータキャリブレーションを実現する新規なハイブリッドBOA-SVRモデルを提案する。
• 予測精度と計算効率の観点から、BOA-SVRモデルの性能を11種類の既存のメタヒューリスティックアルゴリズムと比較評価する。
• 非線形かつ非凸なパラメータキャリブレーションにおいて、BOAが金融モデリングのための競争力のある最適化手法であることを示す。

提案手法

• 原始的な株価時系列データを多次元入力空間に変換するために、埋め込み次元（m）と時間遅れ（τ）を用いた位相空間再構築を採用する。
• 径数基底関数（RBF）カーネルを用いたサポートベクターレグレッション（SVR）を適用し、ペナルティ係数（C）、カーネル幅（γ）、エpsilonチューブ半径（ε）の3つの主要パラメータを設定する。
• バタフライ最適化アルゴリズム（BOA）を用いてSVRのパラメータ空間を探索し、香りに基づく情報共有と確率的移動意思決定を模倣したバタフライの採餌行動を再現する。
• BOAは、学習データにおける平均二乗誤差（MSE）と平均絶対誤差率（MAPE）を最小化することで、SVRのパラメータを最適化する。
• BOA-SVRの性能を、PSO、GA、SSA、BBO、FA、HSO、SCA、ABC、IWO、CSA、TLBOの11種類のメタヒューリスティックアルゴリズムと比較する。これらすべてがSVRパラメータチューニングに適用されている。
• モデルはNASDAQのマイクロソフト、フェイスブック、インテルの株式の終値を用いて検証され、MSE、MAPE、およびDiebold-Mariano検定を用いて統計的有意性を分析する。

実験結果

リサーチクエスチョン

• RQ1 バタフライ最適化アルゴリズム（BOA）は、株価予測のためのサポートベクターレグレッション（SVR）のパラメータ最適化に効果的に機能するか？
• RQ2 金融時系列において、BOA-SVRモデルは11種類の他のメタヒューリスティックアルゴリズムと比較して、予測精度と計算効率の両面で優れているか？
• RQ3 BOA-SVRモデルは、ベースラインのSVRおよび他のメタヒューリスティック-SVRハイブリッドモデルと比較して、統計的に優れた性能を発揮するか？
• RQ4 BOAで最適化されたSVRの最適パラメータ値（C、γ、ε）は、異なる銘柄においてどのように変化するか？
• RQ5 BOA-SVRモデルは、複数の金融時系列データセットに対して、強固で一貫性のある性能を示すか？

主な発見

• マイクロソフト株式において、BOA-SVRモデルはMSEが0.0015にまで低下し、11の競合モデルすべてを上回る。
• フェイスブックでは、BOA-SVRモデルはMSEが0.0016、MAPEが0.1284を記録し、精度の観点で上位に位置した。
• インテル株式では、BOA-SVRモデルはMSEが0.0017、MAPEが0.0451を達成し、計算コストはわずか6.58秒にとどまり、テストされたモデルの中で最も速い部類に入った。
• Diebold-Mariano検定により、マイクロソフトおよびフェイスブックにおいてBOA-SVRはPSO-SVR、GA-SVR、BBO-SVRなど他のモデルを有意に上回っていることが確認され、p値が統計的有意性を示した。
• BOA-SVRモデルは、精度と速度の両面で最良のバランスを実現しており、FA-SVR（70.8秒）やABC-SVR（52.9秒）を含む大多数の競合モデルよりも計算時間が短かった。
• マイクロソフト株式のBOA-SVRによるパラメータキャリブレーション結果は、C = 31.2107、γ = 0.0273、ε = 0.0225であり、すべての指標で最適な性能を発揮した。