敵対的生成ネットを使用した高頻度データの株式市場予測。
株価予測は、効果的な株式取引戦略の開発に役立つため、金融の世界では重要な問題です。この論文では、高頻度の株式市場を予測するための敵対的トレーニングに長短期記憶 (LSTM ) と畳み込みニューラル ネットワーク (CNN)を使用する一般的なフレームワークを提案します。このモデルは、取引ソフトウェアによって提供される公的に入手可能な指数を入力として取り、複雑な金融理論の研究や困難なテクニカル分析を回避し、金融の専門家ではない一般のトレーダーに利便性を提供します。私たちの研究では、実際のトレーダーの取引パターンをシミュレートし、モデルの更新サイクルが予測パフォーマンスに与える影響を分析するために、トレーニング セットとテスト セットをローリングする方法を採用しています。多数の実験は、私たちが提案する方法が効果的に株価方向予測の精度を向上させ、予測誤差を減らすことができることを示しています。
合理的に正確な予測は、高い財務リターンを生み出し、市場リスクをヘッジする可能性があるため、株価を予測することは金融の世界で重要な目標です [1-3]。インターネットとコンピューティング技術の急速な発展に伴い、株式市場で操作を実行する頻度は数分の 1 秒にまで増加しました [4、5]。BM&F Bovespa (ブラジルの証券取引所) は 2009 年に高頻度オペを開始し、高頻度オペの数は 2009 年の 2.5% から 2013 年には 36.5% に増加しました。Aldridge と Krawciw [6] は、2016 年に HFT が株式取引量の平均 10% ～ 40%、外国為替および商品取引量の 10% ～ 15% を開始したと推定しています。これらのパーセンテージは、高頻度の株式市場が世界的な傾向であることを示しています。
ほとんどの場合、予測結果は 2 つの側面から評価されます: 1 つは実際の価格と予測値の間の予測誤差 (主に RMSE (Root Mean Square Error) または RMSRE (Root Mean Square Relative Error)) であり、方向の予測精度です。 、つまり、価格シリーズの方向性 (上昇や下降など) を正しく予測する割合は、意思決定にとって非常に重要です。予測性能のわずかな改善でさえ、大きな利益につながる可能性があります [7、8]。
しかし、市場の複雑さと無秩序なダイナミクス、および関連する多くの決定不可能な非定常確率変数のため、株価の予測は簡単な作業ではありません [9]。さまざまな分野の多くの研究者が、金融時系列の歴史的パターンを研究し、株価を予測するためのさまざまな方法を提案してきました。
かなりのパフォーマンスを達成するために、これらの方法のほとんどは、入力変数を慎重に選択し、専門的な金融知識を使用して予測モデルを構築し、裁定取引分析にさまざまな統計手法を使用する必要があるため、金融分野以外の人には非常に困難です.これらの方法を使用して予測します。株価の予測 [10-12]。
Goodfellow らは、敵対的生成ネットワーク (GAN) を紹介しています。[13] では、同時にトレーニングされた 2 つのネットワークを使用してランダム ノイズから画像パッチが生成されます。具体的には、GANでは、識別ネットワークは特定のデータインスタンスが本物かどうかを区別することを学習し、生成ネットワークは高品質のデータを生成することによって混乱することを学習します。このアプローチは、画像の修復、セマンティック セグメンテーション、ビデオ予測 [14-16] などの幅広い分野にうまく適用されていますが、私たちの知る限りでは、在庫予測には使用されていません。' この作業では、取引ソフトウェアから直接取得できる基本的なテクニカル指標データを入力変数として使用し、金融分野以外の人々が私たちの方法で株価を簡単に予測できるようにします。この研究では、予測誤差損失と方向予測損失を導入し、敵対的生成トレーニング [13] を使用して、これらの損失を組み合わせて満足のいく予測結果を生成できることを示しています. この予測アーキテクチャを GAN FD (予測を最小化するための GAN) と呼びます。エラー損失および方向予測損失)。実際の取引慣行に準拠するために、この作業では元のデータのトレーニング セットとテスト セットに対してローリング スプリットを実行します。これについては、実験セクションで詳しく説明します。