[論文レビュー] U-CNNpred: A Universal CNN-based Predictor for Stock Markets

Ehsan Hoseinzade, Saman Haratizadeh+1 more|arXiv (Cornell University)|Nov 28, 2019

Stock Market Forecasting Methods参考文献 70被引用数 6

ひとこと要約

U-CNNpredは、多様なグローバルな金融データに対する段階的訓練を通じて一般市場動態を学習する、ユニバーサルなCNNベースの株式市場予測モデルを提案する。複数の市場の歴史的データを用いたベースモデルの事前学習と、新規市場向けのファインチューニングにより、最先端のベースラインと比較して優れた方向性予測性能を達成し、金融予測における強力なトランスファーラーニングの能力を示している。

ABSTRACT

The performance of financial market prediction systems depends heavily on the quality of features it is using. While researchers have used various techniques for enhancing the stock specific features, less attention has been paid to extracting features that represent general mechanism of financial markets. In this paper, we investigate the importance of extracting such general features in stock market prediction domain and show how it can improve the performance of financial market prediction. We present a framework called U-CNNpred, that uses a CNN-based structure. A base model is trained in a specially designed layer-wise training procedure over a pool of historical data from many financial markets, in order to extract the common patterns from different markets. Our experiments, in which we have used hundreds of stocks in S\&P 500 as well as 14 famous indices around the world, show that this model can outperform baseline algorithms when predicting the directional movement of the markets for which it has been trained for. We also show that the base model can be fine-tuned for predicting new markets and achieve a better performance compared to the state of the art baseline algorithms that focus on constructing market-specific models from scratch.

研究の動機と目的

• 既存のモデルが新規市場に適用する際に、再び市場特有の学習から始めなければならないという制限を解決すること。
• 金融市場に共通する普遍的なパターンが抽出可能であり、それが予測性能の向上に寄与するかどうかを調査すること。
• 単一の事前学習済みモデルを、新規の株式市場に効果的にファインチューニングできるトランスファーラーニングフレームワークを開発すること。
• 市場特有のデータにのみ学習させたモデルと比較して、一般市場動態を学習することで予測精度が向上することを実証すること。

提案手法

• 複数のグローバル市場からの多様で大規模な歴史的金融データを用いて、CNNベースのモデルを段階的訓練手順で学習する。
• 事前学習済みベースモデルを、異なる株価指数や資産間で共通する時間的・構造的パターンを捉えるユニバーサルな特徴抽出器として使用する。
• トランスファーラーニングを用いて、新規市場のデータで事前学習済みモデルをファインチューニングし、最小限の追加学習で新しい市場の動態に適応させる。
• 1次元畳み込みニューラルネットワークアーキテクチャを採用し、順序付きの価格およびリターンデータを処理し、階層的な時間的特徴を抽出する。
• 事前学習済み特徴を活用することで、知識を転送し、限られた新規市場データにおける過学習を低減し、一般化性能を向上させる。
• 標準的な分類ヘッドを適用し、金融時系列の方向性（上昇／下降）を予測する。

実験結果

リサーチクエスチョン

• RQ1 1つのCNNベースのモデルが、多様な金融市場にわたる普遍的な市場動態を学習可能かどうか。
• RQ2 広範なグローバル市場データプールで事前学習することで、単一市場でからくり学習するのと比較して、予測性能が向上するかどうか。
• RQ3 事前学習済みモデルを、未確認の新規市場にファインチューニングする際、最先端のからくり学習モデルを上回る性能を達成できるか、その程度はどの程度か。
• RQ4 段階的訓練手順が、異種の金融時系列から意味のある普遍的特徴を効果的に抽出できるか。
• RQ5 トランスファーラーニングが、株式市場予測におけるモデルの一般化性能と予測精度に与える影響は何か。

主な発見

• U-CNNpredモデルは、学習済み市場における方向性予測においてベースラインアルゴリズムを上回り、普遍的特徴学習による精度向上を実証した。
• 事前学習済みベースモデルは、ファインチューニング後に、からくり学習で訓練された最先端モデルよりも優れた性能を示し、トランスファーラーニングの有効性を裏付けた。
• 多様な歴史的データプール上で段階的訓練を行うことで、異なる金融市場に共通するパターンを抽出でき、一般化性能が向上した。
• ユニバーサルなベースモデルを新規市場データでファインチューニングすることで、ランダム初期化からの学習と比較して収束が速く、予測精度も高くなった。
• 米国株式（S&P 500）、グローバル指数（DAX、FTSE、Nikkei）、商品、為替レートを含む多様な資産クラスで、モデルは頑健な性能を示した。
• 金融時系列におけるCNNを用いた特徴抽出は、複雑な非線形的時間的依存関係を効果的に捉えることができ、方向性予測の精度向上に寄与した。