[论文解读] Multi-Scale RCNN Model for Financial Time-series Classification

Guang Liu, Xiaojie Wang+1 more|arXiv (Cornell University)|Nov 21, 2019

Stock Market Forecasting Methods参考文献 56被引用 12

一句话总结

本文提出 MSTD-RCNN，一种多尺度循环卷积神经网络，通过联合建模金融时间序列中的多尺度特征与时间依赖性，以提升分类性能与模拟交易盈利能力。通过结合卷积单元进行特定尺度的特征提取以及使用 GRU 捕获跨尺度的时间动态，该模型在三个中国股票指数数据集上实现了最先进性能，模拟交易利润相比基线模型最高提升 149.54。

ABSTRACT

Financial time-series classification (FTC) is extremely valuable for investment management. In past decades, it draws a lot of attention from a wide extent of research areas, especially Artificial Intelligence (AI). Existing researches majorly focused on exploring the effects of the Multi-Scale (MS) property or the Temporal Dependency (TD) within financial time-series. Unfortunately, most previous researches fail to combine these two properties effectively and often fall short of accuracy and profitability. To effectively combine and utilize both properties of financial time-series, we propose a Multi-Scale Temporal Dependent Recurrent Convolutional Neural Network (MSTD-RCNN) for FTC. In the proposed method, the MS features are simultaneously extracted by convolutional units to precisely describe the state of the financial market. Moreover, the TD and complementary across different scales are captured through a Recurrent Neural Network. The proposed method is evaluated on three financial time-series datasets which source from the Chinese stock market. Extensive experimental results indicate that our model achieves the state-of-the-art performance in trend classification and simulated trading, compared with classical and advanced baseline models.

研究动机与目标

• 解决现有金融时间序列分类模型在有效结合多尺度（MS）特征与时间依赖性（TD）特性方面的局限性。
• 开发一种端到端的深度学习模型，自动学习多尺度特征，而无需预设参数（例如避免傅里叶变换或小波变换的调参）。
• 通过循环网络建模跨尺度时间关系，提升分类准确率与模拟交易盈利能力。
• 在真实世界分钟级中国股票市场金融时间序列数据上评估模型，确保其实际适用性。
• 证明联合建模多尺度与时间依赖性特性相比仅使用其一的模型具有更优性能。

提出的方法

• 使用多个卷积神经网络（CNN）单元，从单尺度输入的金融时间序列中提取多尺度特征。
• 利用门控循环单元（GRU）建模不同尺度间的时间依赖性，捕捉尺度特定表示之间的长程与互补关系。
• 设计一种端到端可训练的架构，其中 CNN 提取特定尺度的特征，GRU 将其与时间上下文融合，实现联合优化。
• 使用标准反向传播与交叉熵损失函数进行训练，针对金融时间序列的多分类任务（上涨、下跌、盘整）。
• 通过预测标签实现模拟交易算法，评估实际盈利能力，包含交易成本与头寸管理。
• 从中国股票市场构建三个分钟级指数价格数据集（SH000001、SZ399005、SZ399006），确保数据结构与实际属性的真实性。

实验结果

研究问题

• RQ1 深度学习模型能否有效结合金融时间序列中的多尺度特征与时间依赖性，以提升分类准确率？
• RQ2 所提出的 MSTD-RCNN 模型是否在分类性能与模拟交易盈利能力两方面均优于经典与先进基线模型？
• RQ3 基于 CNN 的多尺度特征提取与基于 GRU 的时间建模机制的融合，如何影响模型的鲁棒性与预测质量？
• RQ4 在上涨与下跌趋势之间的误分类在多大程度上影响模拟交易表现？MSTD-RCNN 是否能减少此类错误？
• RQ5 该模型在具有不同市场趋势的多种金融指数上是否具备良好的泛化能力？

主要发现

• MSTD-RCNN 在所有三个数据集上均实现了最高的模拟交易利润，分别获得 SH000001 为 1419.85、SZ399005 为 1400.93、SZ399006 为 7609.42 的收益，分别超出最佳基线模型（MS-RCNN）0、0 和 182.28。
• 在 SZ399006 数据集上，MSTD-RCNN 对‘下跌’类别的精确率较 MS-CNN 提高 6.2%，对‘上涨’类别的精确率提高 7.0%，表明其在高影响趋势类别上的分类能力更优。
• 与 MS-CNN 相比，MSTD-RCNN 在 SH000001 上减少了 23 次‘上涨’与‘下跌’趋势的误分类，在 SZ399005 上减少了 50 次，直接贡献于更高盈利能力。
• 在 SZ399006 上，MSTD-RCNN 对‘下跌’类别的精确率为 60.0%，对‘上涨’类别的精确率为 60.8%，显著优于 MS-CNN 的 53.8% 与 53.8%。
• 由于整体市场走熊，买入持有策略（B&H）在所有三个数据集上均出现亏损，而所有深度学习模型（包括 MSTD-RCNN）均实现正收益，证明了模型的鲁棒性。
• 混淆矩阵分析确认，MSTD-RCNN 在关键类别（上涨/下跌）上更低的错误率是其在模拟交易中实现更高盈利能力的主要原因。