Trade When Opportunity Comes: Price Movement Forecasting via Locality-Aware Attention and Iterative Refinement Labeling

要約

価格変動予測は、現在の市場状況やその他の関連情報に基づいて金融資産の将来の傾向を予測することを目的としています。
最近、機械学習 (ML) 手法がますます普及しており、学術界と産業界の両方で価格変動予測に有望な結果をもたらしています。
既存の ML ソリューションのほとんどは、トレーニング データのセット全体に対する分類 (方向を予測する) または回帰 (リターンを予測する) 問題として予測問題を定式化します。
しかし、信号対雑音比が非常に低く、金融データの確率的な性質により、良好な取引の機会は非常に稀です。
その結果、収益性の高いサンプルを慎重に選択しないと、このような ML 手法は実際の信号ではなくノイズのパターンを捕捉する傾向があります。
この問題に対処するために、我々は、LARA という名前の新しい価格変動予測フレームワークを提案します。これは、ローカリティ認識アテンション (LA-Attending) と反復改良ラベリング (RA-Labeling) の 2 つの主要コンポーネントで構成されます。
(1) LA-Attendance は、ラベル情報に注目して、収益性の高いサンプルを自動的に抽出します。
さらに、メトリクス学習技術を備えた LA-tention は、タスク固有の距離メトリクスを活用し、収益性の高いサンプルに効果的に注意を分散します。
(2) RA-Labeling は、収益性の高いサンプルのノイズの多いラベルをさらに反復的に改良し、目に見えないノイズの多いサンプルに対して堅牢な学習された予測子を組み合わせます。
株式、仮想通貨、ETF という 3 つの現実世界の金融市場での一連の実験では、LARA は Qlib 定量的投資プラットフォーム上のいくつかの機械学習ベースの手法を大幅に上回りました。
広範なアブレーション研究と実験でも、LARA が実際により信頼性の高い取引機会を捉えていることが実証されています。

要約(オリジナル)

Price movement forecasting aims at predicting the future trends of financial assets based on the current market conditions and other relevant information. Recently, machine learning (ML) methods have become increasingly popular and achieved promising results for price movement forecasting in both academia and industry. Most existing ML solutions formulate the forecasting problem as a classification (to predict the direction) or a regression (to predict the return) problem over the entire set of training data. However, due to the extremely low signal-to-noise ratio and stochastic nature of financial data, good trading opportunities are extremely scarce. As a result, without careful selection of potentially profitable samples, such ML methods are prone to capture the patterns of noises instead of real signals. To address this issue, we propose a novel price movement forecasting framework named LARA consisting of two main components: Locality-Aware Attention (LA-Attention) and Iterative Refinement Labeling (RA-Labeling). (1) LA-Attention automatically extracts the potentially profitable samples by attending to label information. Moreover, equipped with metric learning techniques, LA-Attention enjoys task-specific distance metrics and effectively distributes attention to potentially profitable samples. (2) RA-Labeling further iteratively refines the noisy labels of potentially profitable samples, and combines the learned predictors robust to the unseen and noisy samples. In a set of experiments on three real-world financial markets: stocks, cryptocurrencies, and ETFs, LARA significantly outperforms several machine learning based methods on the Qlib quantitative investment platform. Extensive ablation studies and experiments also demonstrate that LARA indeed captures more reliable trading opportunities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google