Core Concepts
本論文では、株式市場情報と個別株式情報の両方を考慮した注意メカニズムを使用した新しい手法を提案しています。また、株式データの短期的なノイズを低減するための新しいEMDベースのアルゴリズムも提案しています。
Abstract
本論文では、株式動向予測のための新しい手法であるACEFormerを提案しています。ACEFormerは前処理モジュール、蒸留モジュール、注意モジュール、全結合モジュールで構成されています。
前処理モジュールでは、提案したACEEMDアルゴリズムを使用して株式データのノイズを低減しています。ACEEMDは端点効果を軽減し、株式データの重要な変曲点を保持することができます。
蒸留モジュールでは、確率的な注意メカニズムを使用して主要な特徴を抽出し、畳み込みとプーリングによって特徴データの次元を削減しています。また、時間認識メカニズムを使用して時間的特徴を抽出し、入力データの時間情報を強化しています。
注意モジュールでは、蒸留モジュールからの特徴データをさらに抽出し、より重要な特徴を得ています。全結合モジュールは線形回帰を行い、最終的な予測値を出力します。
提案手法であるACEFormerは、NASDAQ100とSPY500の2つのデータセットを用いた実験で、他の最先端手法と比較して優れた性能を示しています。特に、トレンド予測の正確性と投資収益率の指標で優れた結果が得られています。これは、ACEEMDによるノイズ除去、注意メカニズムの組み合わせ、時間認識メカニズムによる時間情報の強化が効果的に機能したためだと考えられます。
Stats
株式市場の長期的な傾向を正確に予測できれば、投資家は株価の上昇(下落)前に買い(売り)をすることで最大の利益を得ることができる。
ACEFormerは、SPY500(NASDAQ100)データセットで、ACC 69.23%、MCC 0.379(ACC 69.23%、MCC 0.382)の予測精度を達成し、IRR 16.62%(22.31%)、SR 5.71(6.43)の投資収益率を得ることができた。
Quotes
「株価は非線形、高変動、ノイズが多く、市場情報の伝播も均一ではない」
「短期的な高頻度取引は株式の長期的な傾向を隠蔽してしまう」