The Interpretability of LSTM Models for Predicting Oil Company Stocks: Impact of Correlated Features

要約

石油会社は世界最大の企業の 1 つであり、世界の株式市場の経済指標は、金\cite{ec01}、原油\cite{
ec02}、およびドル\cite{ec03}。
この研究では、石油会社の株価を予測するための長期短期記憶(LSTM)\cite{ec04} モデルの解釈可能性に対する相関特徴の影響を調査します。
これを達成するために、標準長短期記憶 (LSTM) ネットワークを設計し、さまざまな相関データセットを使用してトレーニングしました。
当社のアプローチは、原油価格、金価格、米ドルなど、市場に影響を与える複数の要因を考慮することで、株価予測の精度を向上させることを目的としています。
この結果は、石油在庫と相関する特徴を追加しても LSTM モデルの解釈可能性が向上しないことを示しています。
これらの発見は、LSTM モデルが株価の予測には効果的である一方で、その解釈可能性が限定されている可能性があることを示唆しています。
LSTM モデルのみに依存して株価を予測する場合は、解釈可能性が欠如しているため、株価の変動を引き起こす根本的な要因を完全に理解することが困難になる可能性があるため、注意が必要です。
私たちは、金融市場が物理的に複雑なシステムの一種を包含していることを考慮して、議論を裏付けるために複雑性分析を採用しました\cite{ec05}。
金融市場で LSTM モデルを利用する際に直面する基本的な課題の 1 つは、金融市場内の予期せぬフィードバックのダイナミクスを解釈することにあります。

要約(オリジナル)

Oil companies are among the largest companies in the world whose economic indicators in the global stock market have a great impact on the world economy\cite{ec00} and market due to their relation to gold\cite{ec01}, crude oil\cite{ec02}, and the dollar\cite{ec03}. This study investigates the impact of correlated features on the interpretability of Long Short-Term Memory(LSTM)\cite{ec04} models for predicting oil company stocks. To achieve this, we designed a Standard Long Short-Term Memory (LSTM) network and trained it using various correlated datasets. Our approach aims to improve the accuracy of stock price prediction by considering the multiple factors affecting the market, such as crude oil prices, gold prices, and the US dollar. The results demonstrate that adding a feature correlated with oil stocks does not improve the interpretability of LSTM models. These findings suggest that while LSTM models may be effective in predicting stock prices, their interpretability may be limited. Caution should be exercised when relying solely on LSTM models for stock price prediction as their lack of interpretability may make it difficult to fully understand the underlying factors driving stock price movements. We have employed complexity analysis to support our argument, considering that financial markets encompass a form of physical complex system\cite{ec05}. One of the fundamental challenges faced in utilizing LSTM models for financial markets lies in interpreting the unexpected feedback dynamics within them.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google