[論文レビュー] High-performance stock index trading: making effective use of a deep LSTM neural network

Chariton Chalvatzis, Dimitrios Hristu‐Varsakelis|arXiv (Cornell University)|Feb 7, 2019

Stock Market Forecasting Methods被引用数 6

ひとこと要約

本論文は、予測されたリターンの分布内における順位（パーセンタイル位置）を活用することで、従来の方向性トレーディングを上回る、深層LSTMベースのモデルと新規の分布に配慮したトレーディング戦略を提案する。2010年から2018年までのS&P 500、ダウ・ジョーンズ・インダストリアル・アベレージ（DJIA）、ナスダック、ローレル・2000を対象にテストした結果、累積リターンが340–371%に達し、予測精度の最適化ではなく収益性の最適化を目的とした手法により、買いたまない戦略や先行研究を著しく上回った。

ABSTRACT

We present a deep long short-term memory (LSTM)-based neural network for predicting asset prices, together with a successful trading strategy for generating profits based on the model's predictions. Our work is motivated by the fact that the effectiveness of any prediction model is inherently coupled to the trading strategy it is used with, and vise versa. This highlights the difficulty in developing models and strategies which are jointly optimal, but also points to avenues of investigation which are broader than prevailing approaches. Our LSTM model is structurally simple and generates predictions based on price observations over a modest number of past trading days. The model's architecture is tuned to promote profitability, as opposed to accuracy, under a strategy that does not trade simply based on whether the price is predicted to rise or fall, but rather takes advantage of the distribution of predicted returns, and the fact that a prediction's position within that distribution carries useful information about the expected profitability of a trade. The proposed model and trading strategy were tested on the S&P 500, Dow Jones Industrial Average (DJIA), NASDAQ and Russel 2000 stock indices, and achieved cumulative returns of 340%, 185%, 371% and 360%, respectively, over 2010-2018, far outperforming the benchmark buy-and-hold strategy as well as other recent efforts.

研究の動機と目的

• 予測モデルとトレーディング戦略の共同最適化という課題に取り組み、予測精度が高かろうが収益性が保証されないことを認識する。
• 予測誤差の最小化ではなく、収益性の最大化を目的とし、予測リターン分布に含まれるより豊富な情報を活用することで、モデルと戦略のペアを構築する。
• 構造的に単純な深層LSTMモデルが、非方向性で分布に配慮したトレーディング戦略と組み合わせられれば、標準的手法に比べて優れたリスク調整リターンを達成できることを示す。
• ハイパーパrameter選定は、金融応用の文脈において予測精度ではなく、提案されたトレーディング戦略下での収益性を最適化することを優先すべきであることを示す。

提案手法

• モデルは2–3層の深層LSTMネットワークを用い、過去11–22営業日分の時系列データを入力とし、32–128個のニューロンを有し、米国主要株価インデックスの翌日株価を予測するように学習する。
• 新規の入力機構により、LSTMセルの隠れ状態の全履歴が出力層に組み込まれ、時間的情報の保持が強化される。
• トレーディング戦略は二値の上昇／下落シグナルに依存しない。代わりに、予測リターンの実証的分布内におけるパーセンタイル位置を用いて、取引の発動タイミングとポジションサイズを決定する。
• ハイパーパrameterは予測誤差の最小化ではなく、提案されたトレーディング戦略下での最大収益性を目的として調整され、収益志向の最適化目的を反映する。
• モデルは2010年10月1日から2018年5月1日までにかけてS&P 500、DJIA、NASDAQ、Russell 2000を対象に訓練・評価され、デスクトップシステム上でリアルタイムの戦略実行をシミュレートした。
• この手法は計算的にも効率的であり、1回のモデル更新および取引実行サイクルに7–30秒で完了し、イントラデイ取引やマルチアセット戦略への適用が可能である。

実験結果

リサーチクエスチョン

• RQ1 予測精度を最適化するのではなく、カスタマイズされたトレーディング戦略と組み合わせた場合に最大収益性を達成できるような深層LSTMモデルを設計可能か？
• RQ2 予測リターンの分布、特に予測値のパーセンタイル位置を活用することで、標準的な方向性トレーディング戦略を上回る収益が得られるか？
• RQ3 最小限のハイパーパrameterチューニングで十分な性能を示す相対的に単純なLSTMアーキテクチャが、モデル出力分布と整合したトレーディング戦略と組み合わせられれば、より複雑なモデルを上回る性能を発揮できるか？
• RQ4 分布に配慮したトレーディングポリシーと深層学習モデルを組み合わせることで、買いたまない戦略に比べて著しく高い累積リターンを達成できるか？

主な発見

• 提案されたモデルとトレーディング戦略は、2010–2018年の期間中にS&P 500で340%、DJIAで185%、NASDAQで371%、Russell 2000で360%の累積リターンを達成し、買いたまないベンチマークを著しく上回った。
• 他のモデルと同程度の予測精度を示したにもかかわらず、収益性において顕著に優れており、予測精度が取引成功の十分な代理指標ではないことを示した。
• モデルのパフォーマンスはトレーディング戦略の選定に極めて敏感であった。標準的な方向性戦略と組み合わせた場合、同じLSTMモデルでも性能が劣化した。これは、モデルと戦略の共同設計の重要性を示している。
• モデルは計算的にも効率的であり、標準デスクトップ上で1サイクルあたり7–30秒の訓練および推論時間で完了し、リアルタイムまたはイントラデイ展開が可能である。
• より長いテスト期間を用いた最近の研究をも凌駕し、異なる市場インデックスにわたり強固な一般化性能を示した。
• 本研究は、予測リターンの分布、特にその相対的位置（パーセンタイル）が、標準的な取引フレームワークでは未利用の行動可能な情報であることを示した。