[論文レビュー] Long Short-Term Memory Neural Network for Financial Time Series

Carmina Fjellström|arXiv (Cornell University)|Jan 20, 2022

Stock Market Forecasting Methods被引用数 6

ひとこと要約

本稿では、スウェーデンのストックホルム OMX30指数の日次リターンを用いて、二値分類のための並列LSTM（長短期記憶）ネットワークのアンサンブルを提案する。予測の集約は共通閾値に基づいて行われ、このモデルは全指数ポートフォリオおよびランダムポートフォリオと比較して、より高い平均日利回り、優れた累積的パフォーマンス、低いボラティリティを達成し、リスク調整後のリターンが向上する。

ABSTRACT

Performance forecasting is an age-old problem in economics and finance. Recently, developments in machine learning and neural networks have given rise to non-linear time series models that provide modern and promising alternatives to traditional methods of analysis. In this paper, we present an ensemble of independent and parallel long short-term memory (LSTM) neural networks for the prediction of stock price movement. LSTMs have been shown to be especially suited for time series data due to their ability to incorporate past information, while neural network ensembles have been found to reduce variability in results and improve generalization. A binary classification problem based on the median of returns is used, and the ensemble's forecast depends on a threshold value, which is the minimum number of LSTMs required to agree upon the result. The model is applied to the constituents of the smaller, less efficient Stockholm OMX30 instead of other major market indices such as the DJIA and S&P500 commonly found in literature. With a straightforward trading strategy, comparisons with a randomly chosen portfolio and a portfolio containing all the stocks in the index show that the portfolio resulting from the LSTM ensemble provides better average daily returns and higher cumulative returns over time. Moreover, the LSTM portfolio also exhibits less volatility, leading to higher risk-return ratios.

研究の動機と目的

• OMX30のような非効率的で小規模な市場における株価動向予測のための機械学習手法の開発を目的とする。
• 従来のポートフォリオおよびランダム選択と比較して、独立したLSTMのアンサンブルのパフォーマンスを評価することを目的とする。
• LSTMベースのモデルが、マクロマーケットインデックスでない市場において、優れたリスク調整後のリターンを提供できるかどうかを評価することを目的とする。
• アンサンブルモデルおよび閾値に基づく共通意思決定が、予測の安定性と一般化性能に与える影響を調査することを目的とする。

提案手法

• OMX30構成銘柄の個別株価リターン系列に基づいて、独立的かつ並列なLSTMのアンサンブルを訓練する。
• モデルは、次のタスクを二値分類として定式化する：個別銘柄の翌日リターンが、全銘柄の中央値リターンを超えるかどうかを予測する。
• 最終的なアンサンブル予測は閾値に基づく：同じクラス（上昇または下落）に多数のLSTMが合意している必要がある。
• シンプルなトレーディング戦略により、過半数のLSTMが上昇を予測した場合にのみ、長期ポジションをとる。
• リスク調整指標（年間ボラティリティ、シャープレシオ、ソリノレシオ）を用いてパフォーマンスを評価し、無リスク金利はスウェーデン1か月物国債を用いる。
• 全サンプル期間にわたり、全銘柄ポートフォリオおよびランダムに選択されたポートフォリオと比較する。

実験結果

リサーチクエスチョン

• RQ1 OMX30のような小規模で非効率的なインデックスにおいて、LSTMアンサンブルはリスク調整後のリターンの観点で全市場ポートフォリオを上回ることができるか？
• RQ2 並列LSTM間の共通意思決定に基づく投票は、単一モデルアプローチと比較して、予測の安定性を向上させ、分散を低減するか？
• RQ3 累積リターンおよびボラティリティの観点から、LSTMアンサンブルはランダムポートフォリオと比較してどのように性能を発揮するか？
• RQ4 アンサンブル予測における共通意思決定の閾値が、モデルのパフォーマンスにどの程度依存しているか？

主な発見

• LSTMベースのポートフォリオは、全期間を通じて全銘柄ポートフォリオおよびランダムポートフォリオよりも高い平均日利回りを達成した。
• LSTMポートフォリオは、全サンプル期間の全年において、累積リターンが高く、年間ボラティリティが低い結果を示した。2007–2008年および2018年のような市場不安定期にも同様の傾向が見られた。
• 13年中11年において、LSTMポートフォリオのシャープレシオは全銘柄ポートフォリオを上回った。2013年および2014年を除き、全銘柄ポートフォリオがわずかに優れていた。
• 13年中10年において、LSTMポートフォリオは全銘柄ポートフォリオよりも高いソリノレシオを達成し、下落リスクのコントロールが優れていた。
• モデルのパフォーマンスは、ボラティリティの高い時期においても安定していた：2008年には、LSTMポートフォリオのボラティリティ（35.10％）は全銘柄ポートフォリオ（41.84％）を下回り、シャープレシオ（-0.70 vs. -1.11）も悪化が少なかった。
• 結果から、アンサンブル手法がモデルの分散を低減し、特にOMX30のような非効率的市場において一般化性能を向上させていることが示唆された。