CNN-LSTMモデルを用いた株式相場予想

はじめに

深層強化学習モデルIMPALAを開発する前段階として、CNN-LSTMモデルの実装を行なった。

ソースコードはこちら

使用データについて

トレンド傾向の掴みやすさから、yahoo financeからGSPCの日足を使用した。

訓練データの期間：2015/1/1 - 2017/6/30
テストデータの期間：2017/7/1 - 2021/1/1

以下ソースコード

時系列におけるCNN

一般的なCNN

　CNN(Convolutional Neural Networks)は、畳み込み層を含んだニューラルネットワークで、画像データから意味のあるデータを抽出し、画像認識などを行えるようにする。

畳み込み層・・・入力データから特徴量を抽出する層
プーリング層・・・入力データを圧縮する層
全結合層・・・全てのニューロンが繋がった層

時系列におけるCNN

　CNNは、時系列データに置いて、1次元の入力データを2次元の行列に変換することで、特徴量の抽出に用いる。¹

LSTM²

　LSTM(Long Short-Term Memory)は，勾配の爆発と勾配の消失を解決するため、1997年にJ.Schmidhuberらによって提案されたネットワークモデルである。²今現在、音声認識，感情分析，テキスト分析、時系列分析の分野で用いられている。LSTM は、長期記憶、短期記憶、忘却の３つの機能がある。このことから、過去の状態が今現在に影響を与える時系列データを取り扱うのに適している。

CNN-LSTM³

　CNN-LSTMを組み合わせることにより、波形のパターンを時系列的に処理することができる。
　モデルの構造図を示す。主な構造は入力層、一次畳み込み層、プーリング層、LSTM隠れ層、完全結合層を持つ。

³より引用

以下の構造図より、LSTMの入力形式（サンプル数、ルックバック数、変数量）を踏襲している。

³より引用

モデル構築³

conv_filter = 4
units = 8
batch_size = 8
look_back = 10

opt = Adam(learning_rate=0.001)

model = Sequential()

model.add(Conv1D(filters=conv_filter, kernel_size=1, padding="same", activation="tanh",batch_input_shape=(None, look_back, 1)))
model.add(MaxPool1D(pool_size=1, padding='same'))
model.add(Activation("relu"))
model.add(LSTM(units, return_sequences=True))
model.add(Dense(1, kernel_initializer='random_uniform'))
model.compile(loss = "mean_absolute_error", optimizer=opt)
print(model.summary())

損失関数

学習結果

---

1. S. Chen and H. He, 'Stock Prediction Using Convolutional Neural Network' (2018),Materials Science and Engineering443 ↩

2. S. Hochreiter and J. Schmidhuber, 'Long Short Term Memory' (1997),Neural Computation 9,p.1735-1780 ↩

3. W. Lu,J. Li,Y. Li, A. Sun, and J. Wang, 'A CNN-LSTM-Based Model to Forecast Stock Prices', (2020), Hindawi Complexity Volume 2020,p.10 ↩