Core Concepts
株式のマイクロ構造特性が深層学習手法の効果に影響を与え、予測力が高いとしても実用的な取引シグナルには必ずしも対応しないことを示す。
Abstract
金融市場のステキストチャレンジとして、NASDAQ取引所で取引される株式の高頻度リミットオーダーブック中価格変動の予測可能性を探る。
提案された「LOBFrame」コードベースは大規模なリミットオーダーブックデータを効率的に処理し、最先端の深層学習モデルの予測能力を定量的に評価する。
株式のマイクロ構造特性と深層学習手法の関連性を明らかにし、実際のトランザクション正確な予測確率に焦点を当てた革新的な運用フレームワークを提案。
ディープラーニング技術の適用に関する情報豊富で堅固な意思決定経路を提供。
導入
金融市場は低信号対雑音比環境であり、現代取引所はコンピュータ化システムを利用して需要と供給間の一致メカニズムを提供する。FIFOメカニズムが使用される。
高頻度取引(HFT)は速度によって優位性を得る戦略であり、他者がアクセスできない情報に基づいて行動することが可能。HFTは市場データを異なるスケールで統合・活用し、価格トレンドの不可逆性を維持する。
最近では深層学習技術がLOBB(Limit Order Book)予測分野で新たな展望を開く。アプローチ多様性から生まれる活気ある研究環境。
データ
NASDAQ取引所で取引される15種類の株式から成り立つデータセット。2017年から2019年まで全体的な分析期間。
各株式ごとにセクターおよび業界所属判定。資本化10B〜200B以上まで保持した株式だけ扱う。
方法
DeepLOBモデル使用。CNNsとLSTMモジュール利用して空間LOBダイナミクスおよび時間次元処理。
データ変換・処理段階やトレーニング・バリデーション・テスト段階等包括的パイプライン設計。
Stats
「DeepLOB [15]」は最先端モデル。
「135回」実験実施。「959時間16分27秒」GPUランタイム。