Recommandé
Contenu connexe
Tendances
Tendances (20)
Similaire à 金融時系列解析入門 AAMAS2021 著者発表会
Similaire à 金融時系列解析入門 AAMAS2021 著者発表会 (20)
Plus de Katsuya Ito
Plus de Katsuya Ito (16)
金融時系列解析入門 AAMAS2021 著者発表会
- 1. 金融時系列解析入門 ~AAMAS採択論文を添えて~ Katsuya Ito 2021-05-27 @ AAMAS2021 著者発表会
- 4. 今回解決する疑問 ● 機械学習で投資するって何するんですか？ ● 機械学習×投資って儲かるんですか？ ● 機械学習×投資って面白いんですか？ ● 機械学習×投資って難しいんですか？ ● 機械学習×投資ってどうやったら始められますか？ ● 機械学習×投資で伊藤はどんなことしているんですか？ ● 機械学習×投資で伊藤はどんなことをしたいですか？ ※すべて個人の意見・感想です（伊藤の前職・現職とは関係ありません）
- 5. ポエム編
- 8. 株価予測とは：一般的なタスク設定 過去の株価情報 予想利回り 予測モデル 過去の企業情報 予測・評価モデル スコア ポジション 過去の株価情報たち 最適化指標・アルゴリズム 企業毎の保有割合 (0) 株価予測：未来の利回りを予測する (1) 金融アノマリー：ある指標(割安度・企業規模など）で企業をソートして売買 (2)ポートフォリオ最適化：全体の保有割合を調節してある指標を最適化
- 14. A: 面白いよ！！（個人の感想）
- 15. 機械学習×投資の面白さ ● 絶妙な問題の難しさ ○ 金融時系列はほとんどランダム ○ 試行錯誤の繰り返し ○ すぐにデプロイできる ○ 解けたときの脳汁 ● 総合格闘技 ○ 数学・経済・時系列・機械学習（ NLPやRLも）・物理・・・・ ● 永遠に解けない問題 ○ 市場は常に進化し続ける
- 17. A: 難しいよ！！（吐血）
- 20. A: Learn or Die 野球を上達する方法は、バットを持って打席に立つこと。 読むだけでうまくなる方法はないが、ルールブックはたくさん転がっている
- 22. 個人的に好きなルールブック ・Stephen Robertsの研究室 機械学習に強い研究室が、ファイナンスもしっかりやっている ・経済・ファイナンスデータの計量時系列分析(沖本) ukiさんの紹介済み ・Options, Futures, and Other Derivatives (J.Hull) デリバティブとあるが、わりと何でも書いてある。機械学習要素はない。 ・Stochastic Calculus for Finance (S.Shreve) 数学強いひと向けのファイナンス入門。デリバティブメイン。 じっく り
- 23. 一般的とされるドメイン知識(1) Stylized Facts 1. Absence of autocorrelations 2. Heavy tails 3. Gain/loss asymmetry 4. Aggregational Gaussianity 5. Intermittency 6. Volatility clustering 7. Conditional heavy tails 8. Slow decay of autocorrelation in absolute returns 9. Leverage effect 10. Volume/volatility correlation 11. Asymmetry in time scale Cont (2001): “Empirical properties of asset returns: stylized facts and statistical issues”
- 24. 一般的とされるドメイン知識(2) Factor 投資 ファクターモデル：任意の企業のリターンは、多くの企業に共通するいくつかの系統的 な要因（ファクター）によって決まる Fama and French (1992) “The cross-section of expected stock returns”
- 25. 有力な帰納バイアス(1) 時系列情報の加味 時系列情報を加味したデータオーグメンテーションの網羅的実験 (Fons et al. 2020) ● Magnify(拡大) ● Time warp(タイムスタンプの配置換え) ● Spawner (Kamycki et al. 2019) が有効とされている。 Fons et al. (2020) “Evaluating data augmentation for financial time series classification” Kamycki et al. (2019) “Data Augmentation with Suboptimal Warping for Time-Series Classification”
- 26. 有力な帰納バイアス(2) ロウソク足チャート分析 ロウソク足情報を畳み込む事によって予測をする (Ghoshal and Roberts 2018) Ghoshal and Roberts (2018)“Thresholded ConvNet Ensembles: Neural Networks for Technical Forecasting”
- 27. 有力な帰納バイアス(3) 長期と短期 長期的な波動と短期的な波動を認識するためのNNsは沢山存在する ● LSTM ● State Frequency Memory (Zhang et al. 2017) ● LSTNet (Lai et al. 2018) ● LSTMに長期記憶足す系 (Zhao et al. 2020 など) Zhang et al. (2017) ”Stock Price Prediction via Discovering Multi-Frequency Trading Patterns” Lai et al. (2018) “Modeling Long- and Short-Term Temporal Patterns with Deep Neural Networks” Zhao et al. (2020) “Do RNN and LSTM have Long Memory?”
- 28. 有力な帰納バイアス(4) 解釈可能な式 101 Formulaic Alphas (Kakushadze 2015)と呼ばれる式を用いてリターンを予測 さらに自動探索するAutoAlpha (Zhang et al 2020) Zhang et al. (2020) “AutoAlpha: an Efficient Hierarchical Evolutionary Algorithm for Mining Alpha Factors in Quantitative Investment”
- 29. 手前味噌(5) PCAによる残差項の抽出 PCAによってファクターをデータドリブンで抽出し、個別株の要素を抽出する Kentaro Imajo, Kentaro Minami, Katsuya Ito, Kei Nakagawa: “Deep Portfolio Optimization via Distributional Prediction of Residual Factors”, 2020;
- 30. (6) ボラティリティ・タイムスケール不変性 ネットワーク構造によって不変性を加味する この画像のタイムスケールは？ Kentaro Imajo, Kentaro Minami, Katsuya Ito, Kei Nakagawa: “Deep Portfolio Optimization via Distributional Prediction of Residual Factors”, 2020;
- 31. (7) 分布予測とポートフォリオ出力 分布を予測して、平均と分散を用いてポジションを調節する Kentaro Imajo, Kentaro Minami, Katsuya Ito, Kei Nakagawa: “Deep Portfolio Optimization via Distributional Prediction of Residual Factors”, 2020;
- 32. 論文編
- 33. 本日お話する元論文について Katsuya Ito, Kentaro Minami, Kentaro Imajo, Kei Nakagawa: “Trader-Company Method: A Metaheuristic for Interpretable Stock Price Prediction”, 2020; arXiv:2012.10215. (AAMAS 2021 accepted)
- 34. 論文の著者について Katsuya Ito (ex-PFN) Kentaro Imajo (PFN) Kentaro Minami (PFN) Kei Nakagawa (NAM)
- 36. 金融時系列予測の難しさ(1) ノイズ・非定常 ノイズが多く、予測・評価が難しい ● 金融時系列の殆どはランダムウォーク ○ Efficient Market Hypothesis ● 戦略のパフォーマンスも非定常 ○ McLean and Pontiff (2016) ○ Wiecki et. al. (2016) Wiecki et. al. (2016) McLean and Pontiff (2016) “Does Academic Research Destroy Stock Return Predictability?” Wiecki et. al. (2016) “All that Glitters Is Not Gold: Comparing Backtest and Out-of-Sample Performance on a Large Cohort of Trading Algorithms”
- 37. 金融時系列予測の難しさ(2) 解釈性 非定常な世界だからこそ解釈性が大事 リターンと解釈性のトレードオフ ● 攻めの意味での解釈性 ○ 定性的に戦略を評価し、 ○ Out-of-sampleでも効く戦略を見つけるために ● 守りの意味での解釈性 ○ 顧客への説明可能性 ○ Fiduciary Duty
- 38. 金融時系列の難しさ (3) 取引コスト 取引するたびに1~10bpのコストがかかる（アセットによっては更に） ● 予測期間と取引コストのトレードオフ ○ 予測期間が長ければ取引コストは小さい ○ しかし、予測が難しい ● 取引頻度と取引コストのトレードオフ ○ 取引頻度が高いほうが戦略の自由度は高い ○ しかし、取引コストが大きい 為替(USDJPY)でトントンになるために 必要な正解率(%)
- 42. (2) Companyの帰納バイアス (1)色々な出力をアンサンブルする - 弱いモデルが沢山存在する (2)残す量は多めにして色々試す - overfitをさせない (3)式のパラメータを派生させる - 似たような式ならば似たような性質に
- 43. Q: で結局なにが すごいの？
- 44. A: 機能バイアスを取り込めるフレームワーク ● 過学習しない ○ 大量のトレーダーをランダムに生成している ○ 個々のモデルはシンプルなモデル ● 機能バイアスがたくさん入っている ○ lead-lag関係（早く反応する銘柄と遅く反応する銘柄がある） ○ 時系列要素を取り込みやすい ● 解釈性がある ○ 個々のモデルは解釈性がある・つなぎ合わせてもある程度解釈可能 ● ロス関数を自分で好きなように設定できる ○ 好きな関数を最適化できる
- 45. 結果
- 46. これから ● 解釈可能性の向上 ○ Trader-Company:一般的な戦略のパラメータ最適化 ● 取引コストの改善 ○ 強化学習などの利用・陽な取引コストに最適化 ○ テクニカル戦略など頻繁にポジションが変化しないものなどを使う 個人的な興味 ● モメンタムとリバーサル以外に良いデータドリブンの戦略はあるのか？ ● トレーディング戦略のロバストな評価方法 ● 長期予測のためのデータオーグメンテーション ● ペアトレーディングなどの枠組みの利用
- 47. まとめ ● 金融時系列は面白いよ ● 伊藤が面白いと思う金融ドメイン知識・帰納バイアスについて紹介 ● AAMASに採択された論文について紹介 ○ 分布予測 ○ Alpha factorのような式生成 ○ アンサンブル・みんなちがってみんな良い管理・特徴量生成