[论文解读] Modeling Financial Time Series using LSTM with Trainable Initial Hidden States

Jungsik Hwang|arXiv (Cornell University)|Jul 14, 2020

Stock Market Forecasting Methods被引用 8

一句话总结

该论文提出了一种基于LSTM的模型，其可学习的初始隐藏状态用于金融时间序列建模，实现了时间模式和潜在表征的端到端学习。在韩国股票数据上的实验表明，该模型在潜在空间中捕捉了股票间的相似性，并能有效预测未来趋势，为投资组合优化提供了潜在应用。

ABSTRACT

Extracting previously unknown patterns and information in time series is central to many real-world applications. In this study, we introduce a novel approach to modeling financial time series using a deep learning model. We use a Long Short-Term Memory (LSTM) network equipped with the trainable initial hidden states. By learning to reconstruct time series, the proposed model can represent high-dimensional time series data with its parameters. An experiment with the Korean stock market data showed that the model was able to capture the relative similarity between a large number of stock prices in its latent space. Besides, the model was also able to predict the future stock trends from the latent space. The proposed method can help to identify relationships among many time series, and it could be applied to financial applications, such as optimizing the investment portfolios.

研究动机与目标

• 通过在LSTM架构中端到端学习初始隐藏状态，以改进金融时间序列建模。
• 使模型能够将在高维股票价格数据中表示为低维潜在空间中的表征。
• 在潜在空间中捕捉多条时间序列之间的相对相似性，以支持金融分析。
• 从学习到的潜在表征中预测未来股票趋势。
• 通过改进的时间序列表征支持实际应用，如投资组合管理。

提出的方法

• 该模型使用带有可学习初始隐藏状态的长短期记忆（LSTM）网络，而非固定为零的初始化方式。
• 初始隐藏状态在训练过程中被优化，以更好地表示金融时间序列的初始动态。
• 网络通过重建输入时间序列进行训练，从而学习有意义的时间模式和依赖关系。
• 从处理每条时间序列后LSTM的最终隐藏状态中提取潜在表征。
• 该模型学习了一个共享的、低维的表征空间，其中相似的股价变动被嵌入到彼此靠近的位置。
• 该方法可使用同一学习到的潜在空间同时完成重建和下游预测任务。

实验结果

研究问题

• RQ1 在LSTM自编码器框架中，可学习的初始隐藏状态是否能提升金融时间序列的表征质量？
• RQ2 学习到的潜在空间在多只股票价格时间序列之间，是否能有效捕捉其相对相似性？
• RQ3 从模型中提取的潜在表征是否可用于预测未来股票价格趋势？
• RQ4 与固定为零初始化的标准LSTM相比，该模型在捕捉金融数据中复杂的时间依赖关系方面是否表现更优？
• RQ5 学习到的表征是否能支持实际金融应用，如投资组合优化？

主要发现

• 该模型成功实现了金融时间序列的重建，表明其有效捕捉了底层的时间模式。
• 最终隐藏状态中编码的潜在空间有效表征了大量股票价格之间的相对相似性。
• 该模型仅使用潜在表征即展示了对未来股票趋势的预测能力。
• 使用可学习初始隐藏状态显著提升了模型对复杂、高维时间序列数据的表征能力。
• 结果表明，学习到的潜在空间可被用于金融应用，如投资组合优化。