Generative adversarial net을 사용한 고주파 데이터에 대한 주식 시장 예측.
주가 예측은 효과적인 주식 거래 전략을 개발하는 데 도움이 되기 때문에 금융계에서 중요한 문제입니다. 본 논문에서는 고주파 주식 시장을 예측하기 위한 적대적 훈련을 위해 장단기 기억(LSTM )과 CNN(Convolutional Neural Network)을 사용하는 일반적인 프레임워크를 제안합니다. 이 모델은 거래 소프트웨어에서 제공하는 공개적으로 사용 가능한 지수를 입력으로 사용하고 복잡한 금융 이론 연구와 어려운 기술적 분석을 피하고 금융 전문가가 아닌 일반 거래자에게 편의를 제공합니다. 우리의 연구는 실제 트레이더의 거래 패턴을 시뮬레이션하고 롤링 훈련 세트 및 테스트 세트 방법을 채택하여 모델 업데이트 주기가 예측 성능에 미치는 영향을 분석합니다. 많은 실험을 통해 우리가 제안하는 방법이 주가 방향 예측의 정확도를 효과적으로 향상시키고 예측 오류를 줄일 수 있음을 보여줍니다.
주가를 예측하는 것은 금융계[1-3]에서 중요한 목표입니다. 합리적으로 정확한 예측은 높은 재정적 수익을 창출하고 시장 위험을 헤지할 수 있는 잠재력을 가지고 있기 때문입니다. 인터넷과 컴퓨팅 기술의 급속한 발전으로 주식 시장에서 거래를 수행하는 빈도는 1초도 채 되지 않는 수준으로 증가했습니다[4, 5]. BM&F Bovespa(브라질 증권거래소)는 2009년 초단타 운용을 시작했으며, 초단타 운용 건수는 2009년 2.5%에서 2013년 36.5%로 증가했습니다. Aldridge와 Krawciw [6]는 2016년에 HFT가 주식 거래량의 평균 10%-40%, 외환 및 상품 거래량의 10%-15%에서 시작된 것으로 추정합니다. 이러한 비율은 높은 빈도의 주식 시장이 세계적인 추세임을 나타냅니다.
대부분의 경우 예측 결과는 두 가지 측면에서 평가됩니다: 하나는 실제 가격과 예측 값 사이의 예측 오류(주로 RMSE(Root Mean Square Error) 또는 RMSRE(Root Mean Square Relative Error))이고 방향성 예측 정확도입니다. , 즉 상승 및 하락 움직임과 같은 가격 시리즈의 방향을 올바르게 예측하는 비율은 의사 결정에 정말 중요합니다. 예측 성능의 작은 향상만으로도 큰 이득을 얻을 수 있습니다[7, 8].
그러나 시장의 복잡성과 혼란스러운 역학 , 결정 불가능하고 고정되지 않은 많은 무작위 변수로 인해 주가를 예측하는 것은 쉬운 일이 아닙니다[9]. 다양한 분야의 많은 연구자들이 금융 시계열의 역사적 패턴을 연구하고 주가 예측을 위한 다양한 방법을 제안했습니다.
이러한 방법들은 대부분 상당한 성과를 내기 위해서는 입력 변수를 신중하게 선택하고, 전문적인 금융 지식을 활용하여 예측 모델을 구축하고, 차익 분석을 위한 다양한 통계적 방법을 사용해야 하므로 금융 분야 외의 사람들에게는 매우 어려운 일입니다. 이러한 방법을 사용하여 예측합니다. 주가 예측 [10-12].
Goodfellow 등은 GAN(Generative Adversarial Network)을 소개합니다. [13] 여기서 이미지 패치는 동시에 훈련된 두 개의 네트워크를 사용하여 무작위 노이즈에서 생성됩니다. 특히, GAN에서 판별 네트워크는 주어진 데이터 인스턴스가 실제인지 아닌지를 구별하는 방법을 학습하는 반면, 생성 네트워크는 고품질 데이터를 생성하여 혼동하는 방법을 학습합니다. 이 접근 방식은 우리가 아는 한 이미지 인페인팅, 시맨틱 분할 및 비디오 예측[14-16]과 같은 광범위한 도메인에 성공적으로 적용되었지만 스톡 예측에는 사용되지 않았습니다. ´ 이 작업은 거래 소프트웨어에서 직접 얻을 수 있는 기본 기술 지표 데이터를 입력 변수로 사용하여 금융 분야 외부의 사람들이 우리 방법을 통해 주가를 쉽게 예측할 수 있도록 합니다. 이 연구는 예측 오류 손실과 방향 예측 손실을 소개하고 생성적 적대적 훈련[13]이 이러한 손실을 결합하여 만족스러운 예측 결과를 생성하는 데 성공적으로 사용될 수 있음을 보여줍니다. 우리는 이 예측 아키텍처를 GAN FD(예측 최소화를 위한 GAN)라고 합니다. 오류 손실 및 방향 예측 손실). 실제 거래 관행에 부합하기 위해 이 작업은 원본 데이터의 훈련 세트와 테스트 세트에 대해 롤링 분할을 수행하며 실험 섹션에서 자세히 설명합니다.