高頻度注文情報の時系列性考慮による短期市場動向予測†
著者†
前田巌, 松島裕康, 坂地泰紀, 和泉潔(東京大学), David deGraw, 富岡博和(大和証券), 加藤惇雄(大和総研)
概要†
高頻度取引(HFT)により得られる高頻度注文情報を用いた短期の市場動向予測に注文が集まっている.高頻度注文情報は同時多発的な注文の系列であるため,隣接するデータの順序情報にノイズが大きく,より広いデータ範囲におけるロバストなパターン認識が必要である.本研究では注文情報のパラメータ化および畳み込みニューラルネットワーク(CNN)の活用を通しこの問題の解決を図った.注文情報に対する適切な情報抽出を行い,CNNを用いて予測モデルを構築することで,注文パターンに対しロバストな予測が可能になる手法を提案する.実験の結果,FLEX_FULL注文データに対する解析で,本手法が高い精度で未来の株価動向を予測できることを確認した.
キーワード†
High-frequency data, Neural network, Machine learning