[论文解读] 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 6

一句话总结

U-CNNpred 提出了一种基于通用卷积神经网络（CNN）的股票市场预测模型，通过在多样化全球金融数据上进行分层训练，学习通用的市场动态。通过在多市场历史数据上预训练基础模型，并对新市场进行微调，该模型在方向性预测性能上优于当前最先进的基线模型，展示了在金融预测中强大的迁移学习能力。

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.

研究动机与目标

• 解决现有模型需要从零开始进行市场特定训练的局限性，从而阻碍其在新市场中的泛化能力。
• 探究是否能够提取并利用金融市场的共通、通用模式，以提升预测性能。
• 开发一种迁移学习框架，使单一预训练模型能够有效微调以适应新股票市场。
• 证明学习通用市场动态相比仅在特定市场数据上训练的模型，能够提升预测准确性。

提出的方法

• 在来自多个全球市场的大量多样化历史金融数据上，使用分层预训练程序训练基于CNN的模型。
• 将预训练的基础模型用作通用特征提取器，以捕捉不同股票指数和资产之间的共享时间与结构模式。
• 通过迁移学习，在目标市场数据上对预训练模型进行微调，以最小的额外训练适应新市场的动态。
• 采用一维卷积神经网络架构处理序列价格与收益率数据，提取分层时间特征。
• 利用迁移学习，借助预训练特征的知识，减少在新市场数据有限情况下的过拟合，提升泛化能力。
• 应用标准分类头，预测金融时间序列的方向性变动（上涨/下跌）。

实验结果

研究问题

• RQ1 单一基于CNN的模型是否能够学习到可在多种金融市场上迁移的通用市场动态？
• RQ2 与在单一市场从零开始训练相比，在广泛全球市场数据池上进行预训练是否能提升预测性能？
• RQ3 预训练模型在新、未见过的市场上进行微调时，其性能在多大程度上优于从零开始训练的最先进模型？
• RQ4 分层训练过程在从异构金融时间序列中提取有意义的通用特征方面有多有效？
• RQ5 迁移学习在股票市场预测中对模型泛化能力和预测准确性有何影响？

主要发现

• U-CNNpred 模型在训练过的市场中预测方向性变动的表现优于基线算法，证明了通过通用特征学习可提升准确性。
• 在微调后，预训练的基础模型在新市场上的表现优于从零开始训练的最先进模型，验证了迁移学习的有效性。
• 在多样化历史数据池上进行分层训练，使模型能够提取不同金融市场间的共通模式，增强泛化能力。
• 在新市场数据上微调通用基础模型，相比从随机初始化开始训练，收敛速度更快且预测准确性更高。
• 该模型在多种资产类别中表现出稳健性能，包括美国股票（标普500）、全球指数（DAX、FTSE、日经）、大宗商品和汇率。
• 使用CNN进行金融时间序列特征提取，有效捕捉了复杂的非线性时间依赖关系，从而提升了方向性预测性能。