Прогнозирование временных рядов с помощью сетей LSTM и его применение к инвестициям в акционерный капитал

[pic 1]

Прогнозирование временных рядов с помощью сетей LSTM и его применение к инвестициям в акционерный капитал

[pic 2]

Кен Мацумото и Наоки Макимото

Аннотация Прогнозирование финансовых временных рядов было традиционной и важной темой для анализа рынка и инвестиционной стратегии. Однако получить статистические характеристики данных непросто из-за высокого уровня шума и изменчивых характеристик. С другой стороны, технологические инновации с помощью искусственного интеллекта быстро развиваются в различных областях.  В частности, долговременная кратковременная память (LSTM) широко используется при обработке естественного языка и распознавании речи.  В этой статье мы изучаем эффективность прогнозирования LSTM, сравнивая его с другими моделями машинного обучения, такими как логистическая регрессия и машина опорных векторов. Характеристики этих моделей были впервые исследованы путем их применения для прогнозирования различных типов моделируемых данных временных рядов.   Затем мы провели эмпирическое исследование для прогнозирования доходности акций в TOPIX Core 30 с применением к задаче выбора портфеля.   В целом, LSTM показал более высокую производительность, чем другие методы, что согласуется с Фишером и Крауссом (Eur J Operation Res 270(2):654-669, 2018) для данных S&P500.

Ключевые слова: Модель временных рядов • Прогнозирование доходности акций • Выбор портфеля • Сети LSTM • TOPIX Core30[pic 3]

1. Введение

Важным вопросом является точное прогнозирование доходности акций или других финансовых активов как с точки зрения анализа рынка, так и с точки зрения инвестиций. Традиционные подходы, основанные на эконометрическом анализе временных рядов, такие как авто регрессионная модель (AR), обычно предполагают линейную зависимость между прошлыми и будущими доходами.  Хотя эти базовые модели были расширены для описания стилизованных фактов, наблюдаемых на рынке, таких как

[pic 4]

K. Matsumoto (B)

Ebisu Lab, 6-28-2-107 Otsuka, Bunkyo, Tokyo, Japan e-mail: matsumoto.ken.xj@alumni.tsukuba.ac.jp

University of Tsukuba, 3-29-1 Otsuka, Bunkyo, Tokyo, Japan e-mail: makimoto@gssm.gsbs.tsukuba.ac.jp

© Springer Nature Singapore Pte Ltd. 2020        65

L. Pichl et al. (eds.), Advanced Studies of Financial Technologies

and Cryptocurrency Markets, https://doi.org/10.1007/978-981-15-4498-9_4

таких как что касается кластеризации волатильности и переключения режимов, предсказуемость моделей временных рядов все еще ограничена, главным образом, из-за слабой линейной зависимости возвращаемых данных.

С другой стороны, в последние годы значительное внимание привлекают прогнозы с использованием моделей машинного обучения и искусственного интеллекта. Например, рекуррентная нейронная сеть (RNN) (Robinson 1994; Bengio et al. 2013) вносит значительный вклад в повышение точности распознавания, эффективно улавливая особенности звуковых волн и словесных строк.  Кроме того, была предложена долговременная кратковременная память (LSTM), один из видов RNN со ссылками обратной связи, для устранения недостатка RNN путем сохранения информации, связанной со временем, в течение более длительного периода времени (Olah 2015; Palangi et al. 2016) 2016).  LSTM и другие модели, основанные на глубоком обучении, значительно повысили точность прогнозирования, например, в области обработки естественного языка (Суцкевер и др., 2014) и распознавания речи (Хинтон и др., 2012). 2014) и распознавание речи (Hinton et al. 2012). В отличие от традиционных моделей временных рядов, которые предполагают линейную взаимосвязь, эти модели способны гибко представлять нелинейную взаимосвязь между входными и выходными данными. В связи с этим ожидается, что применение этих моделей повысит точность прогнозирования, если прошлые доходы окажут нелинейное влияние на будущие доходы.