[论文解读] Stock Price Prediction Using Convolutional Neural Networks on a Multivariate Timeseries

Sidra Mehtab, Jaydip Sen|SSRN Electronic Journal|Jan 10, 2020

Stock Market Forecasting Methods被引用 10

一句话总结

本文提出了一种多变量卷积神经网络（CNN）模型，用于使用四年历史数据预测NIFTY 50指数一周后的走势。该CNN模型在预测实际收盘价方面优于传统机器学习方法，通过滚动预测验证和超参数调优，实现了稳定的验证损失以及训练/验证准确率的收敛。

ABSTRACT

Prediction of future movement of stock prices has been a subject matter of many research work. In this work, we propose a hybrid approach for stock price prediction using machine learning and deep learning-based methods. We select the NIFTY 50 index values of the National Stock Exchange of India, over a period of four years, from January 2015 till December 2019. Based on the NIFTY data during the said period, we build various predictive models using machine learning approaches, and then use those models to predict the Close value of NIFTY 50 for the year 2019, with a forecast horizon of one week. For predicting the NIFTY index movement patterns, we use a number of classification methods, while for forecasting the actual Close values of NIFTY index, various regression models are built. We, then, augment our predictive power of the models by building a deep learning-based regression model using Convolutional Neural Network with a walk-forward validation. The CNN model is fine-tuned for its parameters so that the validation loss stabilizes with increasing number of iterations, and the training and validation accuracies converge. We exploit the power of CNN in forecasting the future NIFTY index values using three approaches which differ in number of variables used in forecasting, number of sub-models used in the overall models and, size of the input data for training the models. Extensive results are presented on various metrics for all classification and regression models. The results clearly indicate that CNN-based multivariate forecasting model is the most effective and accurate in predicting the movement of NIFTY index values with a weekly forecast horizon.

研究动机与目标

• 开发一种用于NIFTY 50指数股票价格预测的混合机器学习与深度学习框架。
• 评估卷积神经网络在预测多变量金融时间序列（一周预测周期）方面的有效性。
• 比较多种分类与回归模型的性能，包括传统机器学习与深度学习方法。
• 通过超参数调优优化CNN模型，以最小化验证损失并提升收敛性。
• 评估输入变量数量、模型复杂度以及训练数据规模对预测准确率的影响。

提出的方法

• 本研究使用2015年1月至2019年12月期间的NIFTY 50指数多变量时间序列数据，包含多种金融指标。
• 针对分类（方向变动）和回归（实际收盘价）任务，训练了多种机器学习模型。
• 基于深度学习的回归模型采用包含多个卷积层和池化层的卷积神经网络（CNN）。
• 使用滚动预测验证方法训练CNN模型，以模拟实时预测并避免数据泄露。
• 应用超参数调优以稳定验证损失，并确保训练与验证准确率的收敛。
• 测试了三种不同的CNN配置，分别调整输入变量数量、子模型数量以及输入序列长度。

实验结果

研究问题

• RQ1 基于CNN的模型是否能在预测NIFTY 50指数周收盘价方面优于传统机器学习模型？
• RQ2 输入变量数量如何影响CNN模型的预测性能？
• RQ3 模型复杂度与输入序列长度是否显著影响多变量时间序列的预测准确率？
• RQ4 滚动预测验证是否能提升深度学习模型在金融预测中的鲁棒性与泛化能力？
• RQ5 在CNN训练过程中，训练与验证准确率如何收敛？哪些超参数能稳定模型？

主要发现

• 基于CNN的多变量预测模型在所有测试模型中对NIFTY 50指数的预测准确率最高。
• 随着训练迭代次数增加，验证损失趋于稳定，表明模型收敛良好。
• 训练与验证准确率趋于收敛，表明模型泛化能力良好，未出现过拟合。
• 经过超参数优化的模型在多种评估指标上均表现出一致的性能。
• 采用滚动预测验证显著提升了模型的可靠性，因其模拟了现实世界中的预测条件。
• 结果表明，CNN在捕捉多变量金融时间序列中的时间模式方面尤为有效，适用于短期指数预测。