[论文解读] Trader-Company Method: A Metaheuristic for Interpretable Stock Price Prediction

Katsuya Ito, Kentaro Minami+2 more|arXiv (Cornell University)|Dec 18, 2020

Stock Market Forecasting Methods参考文献 34被引用 6

一句话总结

该论文提出了一种名为Trader-Company的方法，这是一种元启发式框架，通过模拟金融机构运作，利用可解释的“交易员”——每个交易员应用简单的数学公式（alpha因子）来预测股票收益。一个“公司”汇聚这些预测，通过动态再训练、淘汰表现不佳的交易员并随机生成新交易员来实现，从而在美股和英股数据上取得优越性能，同时确保模型的可解释性。

ABSTRACT

Investors try to predict returns of financial assets to make successful investment. Many quantitative analysts have used machine learning-based methods to find unknown profitable market rules from large amounts of market data. However, there are several challenges in financial markets hindering practical applications of machine learning-based models. First, in financial markets, there is no single model that can consistently make accurate prediction because traders in markets quickly adapt to newly available information. Instead, there are a number of ephemeral and partially correct models called "alpha factors". Second, since financial markets are highly uncertain, ensuring interpretability of prediction models is quite important to make reliable trading strategies. To overcome these challenges, we propose the Trader-Company method, a novel evolutionary model that mimics the roles of a financial institute and traders belonging to it. Our method predicts future stock returns by aggregating suggestions from multiple weak learners called Traders. A Trader holds a collection of simple mathematical formulae, each of which represents a candidate of an alpha factor and would be interpretable for real-world investors. The aggregation algorithm, called a Company, maintains multiple Traders. By randomly generating new Traders and retraining them, Companies can efficiently find financially meaningful formulae whilst avoiding overfitting to a transient state of the market. We show the effectiveness of our method by conducting experiments on real market data.

研究动机与目标

• 解决非平稳、近乎有效的金融市场中，单一模型难以持续预测收益的挑战。
• 通过使用简单、公式化的alpha因子，克服黑箱机器学习模型的局限性，强调可解释性。
• 开发一种可扩展、自适应的框架，动态演化预测模型以响应瞬态市场状况。
• 通过公司治理启发的训练机制（即“公司”）聚合多个弱可解释模型（交易员），提升预测鲁棒性。

提出的方法

• 每个“交易员”是一个弱学习器，应用简单的数学公式（例如，对数收益率比率、技术指标）来预测未来股票收益。
• “公司”作为元学习器，使用加权集成策略汇聚多个交易员的预测。
• 公司实施四项核心功能：(1) 汇总预测，(2) 通过再训练教育表现不佳的交易员，(3) 淘汰表现差的交易员，(4) 通过随机生成公式招募新交易员。
• 训练后的交易员使用历史收益进行更新，其表现通过预测准确率或夏普比率衡量，以指导淘汰与招募。
• 该方法采用一种进化计算形式，交易员群体随时间演化，避免对瞬态市场状态的过拟合。
• 通过将交易员限制为人类可读的、量化金融中常用的初等数学表达式，该框架确保了可解释性。

实验结果

研究问题

• RQ1 一种通过演化可解释、公式化alpha因子的元启发式框架，是否能在股票价格预测中超越标准基线模型？
• RQ2 动态招募、再训练与淘汰交易员的机制，在适应非平稳市场条件方面有多高效？
• RQ3 与单一模型相比，弱可解释模型的集成聚合在多大程度上提升了预测鲁棒性？
• RQ4 公司治理启发的训练机制是否能减少过拟合，并在波动性金融数据中增强泛化能力？
• RQ5 该方法是否能在不依赖复杂深度学习架构的前提下，在不同市场（如美股和英股）中实现持续的超额表现？

主要发现

• Trader-Company方法在美股和英股股票市场数据集上均优于标准基线模型，展现出更优的预测性能。
• 消融研究证实，招募、淘汰、教育与聚合各组件均对整体模型性能有显著贡献。
• 在某些设置下，该方法实现了超过51%的预测准确率，表明在高度有效市场中已获得对随机猜测的可衡量优势。
• 使用可解释、公式化的交易员，使模型决策逻辑可清晰进行金融解读，增强了在真实交易场景中的信任度与可用性。
• 通过随机生成与选择性保留实现的交易员动态演化，使系统能够适应市场制度变化，同时避免过拟合。
• 该框架在不同市场条件下均保持稳健，表明对瞬时市场无效性与噪声具有强韧性。