026-12

第26回研究会

高頻度注文情報を用いたデータの層化と多段階事前学習による株価動向予測†

著者†

松原冬樹, 和泉潔, 坂地泰紀(東京大学)

概要†

本研究では、金融時系列予測に機械学習手法を適用する際にデータ数の制約から予測モデルが過学習を起こしやすいことが課題であると考え、株価動向予測において他銘柄のデータと併せて学習を行うことによって訓練データの数を補いつつ、学習データにおける予測対象銘柄と類似度が低い銘柄のデータの割合を段階的に下げていくことを目的に、データの層化を行い多段階の事前学習フェーズを設ける学習手法を提案した．またデータの層化のためのサブグルーピングを行うにあたり短期市場においてはマーケットマイクロストラクチャーを考慮に入れることで予測精度の向上に繋がると考え、高頻度注文情報から即時性、タイトネス、デプスを代表する流動性指標を計測し、その指標を基にデータの層化を行った． 提案した手法の有効性を検証するために、仲値変動の予測におけるF1値で精度の比較を行った．多段階の学習フェーズを設け、かつマーケットマイクロストラクチャーを考慮に入れた提案手法のF1値が高くなる傾向にあることから、他銘柄のデータを用いた多段階事前学習はデータ数に制約がある金融時系列予測において有効であることを示唆する結果が得られたと考えられる．また、TOPIX100+Liquidity+Targetモデルの予測に基づいた投資シミュレーションによってベースラインのロングオンリー、ショートオンリー戦略とパフォーマンスを比較し、多くの場合でベースラインを上回ることを確認した．

キーワード†

深層学習, 高頻度注文情報, 株価動向予測, マーケットマイクロストラクチャー, 多段階事前学習

論文†

12_SIG-FIN-26.pdf