ディープラーニングは、FXデータのテクニカル分析を改善し、将来の値動きを予測できるか？

2022年6月15日 07:43

アブストラクト
外国為替市場（Forex）は、外国のお金を取引する世界最大の市場であり、1日の取引額は5兆1千億円を超えています。非常に複雑で変動しやすい市場として知られている。テクニカル分析は、将来の価格を予測し、市場の動きの影響に対処することを目的として、過去の市場の動きを観察することです。トレーディングシステムは、テクニカル分析から導き出されたテクニカル指標を基に構築されます。我々の研究では、外国為替の時系列データに関する取引ルールを組み合わせた完全な取引システムを開発し、科学界に公開している。このシステムは2つのフェーズで実装される。第一段階では、AIベースのルールとテクニカル指標からの売買ルールの両方について、それぞれの売買ルールが選択されるためのテストを行う。第二段階では、適格なルールの中から収益性の高いルールを選択し、結合する。トレーディングシステムの学習段階では、学習データが使用される。提案する取引システムは、2010年から2021年までのヒストリカルデータを用いて広範囲に渡って学習・テストされた。提案手法の有効性を判断するために、Hernandez-Aguilaら , 2021とMunkhdalaiら , 2019による最近の研究で使用されたデータセットと方法論との実験も行った。我々の手法は、ほぼすべてのFX市場において、他のすべての方法論を上回り、平均20.2%の利得を得ることができました。特に注目したのは、AIベースのルールを2つの異なるアーキテクチャで訓練することです。1つ目は、画像分類に広く使われている畳み込みネットワーク、すなわちResNet50、2つ目は注意ベースのネットワークVision Transformer（ViT）です。その結果、我々の研究の指針であり、本論文のタイトルにもなっている主な疑問に対する明確な答えが得られた。

はじめに
今日、人々は通貨取引にますます深く関わるようになっている。暗号通貨は外国為替よりも良いリターンを約束しますが、外国為替（Forex）市場は暗号通貨取引に比べ、堅実で特別に安全で比較的規制された取引を提供します。このため、外国為替市場は、近年、研究者の間でかなりの関心を集めています。将来の為替レートを正確に予測するために、さまざまな種類の研究が行われてきました。

その中で、主にニューラルネットワークモデル、パターンベースアプローチ、最適化技術に注目が集まっています。人工ニューラルネットワークの登場は、為替レートの予測に大きな役割を果たしました。特に、Gated Recurrent Unit (GRU) と Long Short Term Memory (LSTM) は、時間的シーケンスの予測に広く研究されています。

外国為替市場は、1日の取引高が5兆1千億円を超える世界最大の外国為替取引市場です。非常に複雑で変動が激しいとされている。外国為替取引は24時間（週末を除く）行われており、売買の時間は基本的に4つの時間帯に分かれている。これらのゾーンには、それぞれ開始時間と終了時間があります。外国為替取引は3つのカテゴリーに分類されます。メジャー、マイナー、エキゾチックの3種類です。外国為替市場で最も取引されているペアは、メジャーと呼ばれています。

各FXペアについて、始値、高値、安値、終値を取得することができます。セキュリティ上の理由から、一人でFX市場に登録し購入することはできません。各個人は、FX市場にアクセスし、通貨の売買を行うことができる人または会社であるブローカーなどの第三者を利用する必要があります。外国為替市場では、通貨を買うか、売るかの二者択一しかないのです。

外国為替市場を予測することは、ここ数十年、研究者の大きな目標となっています。市場を予測する方法には、ファンダメンタル分析とテクニカル分析の2つがあります。ファンダメンタル分析では、国の金融制度や政治状態、企業の人気度、内外のあらゆる売買ニュースなど、多くの要因を考慮します。テクニカル分析は、過去のデータのみから将来の価格を予測することに重点を置いている。この論文では、テクニカル分析に焦点を当てます。

既存の手法はすべての通貨ペアに適しているわけではなく、特定の時間枠でランダムに選ばれたいくつかの通貨ペアにのみ良い結果を与えることができます。さらに、既存の研究のほとんどは、その予測誤差のみを考慮して評価されています。しかし、市場に参入し投資するという決定が、退出し投資しないという決定と同じくらい重要である実際の取引システムに対する影響を判断することも同様に重要です。

本稿では、GBP/USD、EUR/USD、USD/CHF、USD/JPYのメジャー4ペアと、EUR/GBP、GBP/JPYのマイナー2ペアの計6通貨ペアの4時間足のローソク足で測定した履歴データを用いて、再利用可能な取引システムを広範に学習させたものを紹介します。データセット全体は2010年01月01日から2021年04月30日までであり、上記の通貨ペアについて、6通貨ペアすべてについて、2019年全体、2020年全体、2021年の現在の時間間隔（01/01から04/30まで）の3つのテストシリーズで徹底的に実験を実施しました。検討した3つの長い時間間隔におけるほぼすべての通貨ペアについて、本システムは安定した高い収益性を達成しました。

残りの部分は以下の通りである。セクションIIでは、近年研究されている数多くの手法を紹介し、いくつかのカテゴリーに分類することができる。回帰戦略、最適化戦略、ニューラルネットワーク、など。セクションIIIでは、FXの基本、Meta Trader 5などの取引システム、さらにテクニカル指標や取引ルールについて紹介する。セクションIVでは、我々が提案する取引システムについて説明する。第五節では、2010年1月1日から2021年4月30日までの長い時間枠で、6つの通貨ペアのローソク足によるヒストリカルデータを用いた実験結果を示す。最後に、その結果と今後考えられる方向性について考察し、本稿を締めくくる。

関連する研究
近年、数多くのハイブリッド技術が研究されている。我々がレビューした研究に基づいて、それらは4つのカテゴリに分類することができる。回帰手法、最適化手法、ニューラルネットワーク、その他である。これらのカテゴリーは、近年の予測システムの主な手法の人気に従って形成されました。一般的に、これらの手法は、特定の時間枠でランダムに選択されたいくつかの通貨ペアにのみ良い結果を与えることができます。パターンベースのシステムは、[4]によって提案されたアプローチと対照的に[3]で提示されたアルゴリズムのように、互いに矛盾し、反対の調査結果を提案することがあります。また、ニューラルネットワークベースのアプローチが有望であっても、多くの場合、予測誤差のみを考慮して評価されます。しかし、市場に投資するか否かの判断が重要な実際の取引システムに対する影響を判断することも同様に重要である。Chandrinosらの研究のように、取引システム全体の投資リターンを考慮するケースもありますが、彼らの決定木アプローチは、トータルリターンの点で、やはりニューラルネットワークに勝っています。

A. 回帰手法
Raimundo と Okamoto [5] は、ウェーブレットモデルとサポートベクター回帰 (SVR) を併用した外国為替予測のためのハイブリッドモデルを提案しました。彼らは、彼らのFXデータセットから事実を解釈するために離散ウェーブレット変換(DWT)を使用しました。また、予測にはサポートベクター回帰(SVR)を用いた。彼らは、ARIMAとARFIMAモデルを用いて、彼らのシステムの全体的なパフォーマンスを分析した。その結果、彼らのシステムはARIMAとARFIMAモデルよりも優れたパフォーマンスを発揮することが確認された。

Taveeapiradeecharoenら[6]は、圧縮された自己回帰ベクトルに基づく時系列のテストと予測のためのバージョンを提案した。まず、彼らは、多種多様なFXデータをより小さな形に圧縮するために、ランダム圧縮法を使用した。そして、ベイズモデル平均法(BMA)を用いて、ランダムに圧縮された各データの負荷を決定し、重複するパラメータを求めた。彼らのアプローチは、現在の日付の14日先までのサンプル外予測を提供することができます。彼らは、彼らのシステムは30通貨すべての外国為替を予測するのには適していないと結論づけた。彼らの提案した研究は、特定の6つの通貨ペアで、既存のベイズ自己回帰ベンチマークを上回った。

研究[7]の著者らは、高頻度取引からのEUR/USD、GBP/USD、USD/JPY通貨ペアの履歴データに線形カーネルSVRを適用して、様々な予測モデルを提案しました。彼らは、高品質な結果をもたらすシンプルなルールを発見しました。

サポートベクター回帰は、我々がレビューした論文の中で最もよく使われたアプローチとなりました。圧縮ベクトル自己回帰、CRT回帰木、部分最小二乗回帰も研究者によって追加的に使用されました。しかし、lasso回帰、ロジスティック回帰、多変量回帰など、後年放棄されたアルゴリズムもある。レビューした文献によると、主に回帰モデルに基づいたシステムは、ARIMAやARFIMAモデルよりも性能が良く[5]、回帰モデルを他の手法と組み合わせた場合、モデルの性能はさらに向上する可能性がある[8]ことが示されています。

B. 最適化手法
Chandrinosら[9]はDonchian channel法を用いたForex取引のための技術的なシステムを提案した。その主な理由は、Forex の売買戦略のための収益性の高いポートフォリオを作成することであった。彼らはまず、自分の取引ルールを組み合わせて修正Renkoバー(MRBs)を構築しました。彼らの修正MRBは、FXで使用される通常のローソク足よりも正しいことが証明された。彼らは、8つの通貨ペアで使用される最適化レイヤーを作成しました。3つのグローバル最適化アルゴリズムが使用された。ハイパーレクタングル（Direct）、マルチレベル座標探索（MCS）、Pity Beetle（PBA）です。彼らは主に幾何学的リターン、算術平均、シャープレシオに基づいてパフォーマンスを評価した。彼らは、提案されたバージョンは、3つの通貨ペアで必ずしも適切ではないことを発見しましたが、他の通貨ペアでは、29％から200％以上の総合的なリターンを達成しました。

Dasら[10]は、オンライン逐次記録のための深層学習マシンとKrill Herd（KH）を組み合わせたハイブリッドなアプローチを提案した。Krill Herd (KH)は特徴量削減に特化したものであった。彼らは4つの外国通貨ペアを使用した。彼らのアプローチは最高のRMSEを達成した。しかし、MAE総合性能では、彼らの提案したモデルは満足のいく結果を得ることができなかった。

外国為替を売買するアプローチを最適化するために、論文[11]の著者は、遺伝的なルールセットを使用して、完全に加重移動平均アプローチに基づいた有益な売買ルールのセットを開発しました。彼らは、2000年から2015年までの4つの外国為替ペアを使用した。彼らは、2000年から2015年までの16年間の期間内に4147回の観測の時系列を使用し、4つの外国為替ペアの終値を使用しました。開発されたアプローチは、サンプル外のデータで許容できるほど高いリターンを提供した。遺伝的アルゴリズムを用いて得られたルールは、網羅的探索によって得られたルールよりも有意に良いリターンをもたらした。

要約すると、これらの手法はすべての通貨ペアに適しているわけではなく、提案された作品に見られるように、ランダムに選択されたいくつかのペアにのみ良い結果を提供するのである。

C. ニューラルネット
Niら[12]は、C-RNNアプローチを使ってFXの時系列を予測するモデルを提案しました。C-RNN は畳み込みニューラルネットワークとリカレントニューラルネットワークを使用する。彼らは、外国為替の変化する特性を研究するために、統計的に駆動する方法を使用しました。彼らは9つの通貨ペアについて、過去10年から2018年までの記録を使用した。彼らのデータセットには2,000のデータポイントが含まれていました。彼らは畳み込みニューラルネットワークと長期記憶を用いて、彼らの提案したC-RNNバージョンはLSTMやCNNよりもはるかに誤差（RMSEで計算）が少ないことを発見した。

Chandrinosら[9]は、機械学習に基づく人工知能リスク管理システム(AIRMS)を提案した。彼らは、ニューラルネットワークを用いたもの（AIRMS-ANN）と決定木アプローチを用いたもの（AIRMS-DT）の2つのリスクマネジメント構造を開発した。5組のペアを使用し、その出力を「儲かる」「儲からない」の2つのクラスに分類した。その結果、2つのカテゴリーに分類した場合よりも50%利益が増加した。両モデルとも評価指標としてF1指標を用いた。AIRMS-ANNとAIRMS-DTはともに平均的に良好な結果を示し、場合によっては互いを上回る結果を示した。ポートフォリオをケリー基準で評価したところ、トータルリターンの点で決定木が再びニューラルネットワークを上回った。

Dash [13]は高次のニューラルネットワークによる外為予測モデルを提案した。彼らは、ダイナミックで非線形な為替レートを予測するために、パイシグマ・ニューラルネットワークを用いたシャッフルフロッグジャンプアプローチを使用した。彼らのモデルを適用するために、3つの通貨が使用されました。彼らのモデルは、より高い精度と高い統計的検出力を兼ね備えていました。

Ahmedらによる最近の研究[14]は、機械学習モデルを訓練するために、ドメイン情報をシステムに組み込むことによって、外国為替レート予測が大幅に改善されることを示唆した。彼らは、FLF-LSTMと呼ばれる長期短期記憶モデルを使用した。EUR/USDペアの10,078本の4時間ローソク足を使って、彼らは、提案したFLF-LSTMモデルが、従来のLSTMバージョンと比較して10.96%低い平均絶対誤差率を持っていることを示した

最後に、Hernandez-Aguilaらによる新しい研究[1]は、価格変動を引き起こす相互作用のシミュレーションを目的としたマルチエージェントとファジーシステムを用いた外国為替市場の予測モデル構築の方法を提示しています。また、Munkhdalaiら[2]が提案した、異なる活性化関数を持つ7つのニューラルネットワークと、どの活性化関数が好ましいかを決定する動的重み付けの生成に用いられるソフトマックス層とスキップ接続を持つ乗算層からなるアーキテクチャとの比較も行っています。その結果、Hernandez-Aguilaらの方法は、Munkhdalaiらが得た誤差と、一般にDeep Learningで生成したモデルや、Random Forest、AdaBoost、XGBoost、Support Vector machinesで生成したモデルと同程度の予測誤差（平均絶対誤差を用いて）を達成することが分かった。

D. 残りの手法
これは決して全てのアプローチを網羅したものではありませんが、この分野における最新の研究を分析し、文献に見られる他の手法の概要を読者に伝えたいと考えました。

遺伝的アルゴリズムとSVMのハイブリッドバージョンは、かなり広く使われている戦略でした。SVMの最大の特徴は、分類器として[15]、また予測のためのリグレッサとして[16]使用できることです。しかし，SVMのカーネルの選択を誤ると，最終的な結果に大きな差が生じる可能性があります[16]．さらに，学習モデル，入力，選択メカニズムの選択に依存するアプローチもある．

もう一つの視点は、カオス理論を利用する研究者によって指摘されている。研究によって，カオス理論の広範な適用可能性が実証されている。Lee [17]は、カオス理論が経済時系列の予測と取引戦略の最適化の両方にうまく利用できることを示した。問題は入力パラメータを決定することであった。その方法は、データの根底にある力学と、そのシステムに対してどのような分析を意図しているかによって、完全に選択された。そのため、システムはとてつもなく複雑で、必ずしも正確とは言えませんでした。

パターンベースの手法はかなり評価されている。パターンベースの手法は、その柔軟な適応性も実証されている。いくつかのシステムは、時系列構造の選択を設計するために実行できるオブジェクトのプロパティを使用して、予測変数の統計量を切り替えることができました[18]。しかし，パターンベースのアプローチには一貫性がなく，あるシステムは与えられたアルゴリズムでうまく機能し，優れた結果を提供したが[3]，他のシステムは全く逆のことをした[4]．さらに，いくつかのパターンベースのモデルは，短期間での変化しか予測できず，より長い予測期間での成功を保証するものではなかった [19]．

最後に、残りの戦略には、外国為替市場を予測するために使用されるいくつかのタイプの方法が含まれていた。ベイズ自己回帰木（BART）、ランダムフォレスト（RF）、ナイーブベイズ（NB）、ARIMA、その他多数が実装され、探索されていることがわかった。これらのアルゴリズムの中には、個別に探索されたものもあれば、ハイブリッドで行われたものもある。自然言語処理はあまり探求されていませんが、センチメント分析に基づき、ニュースの見出しに依存するNLPなどの技術は、フェイクニュースを使用することで簡単に惑わされる可能性があります[20]。したがって、これらの手法には適切なセキュリティ対策が必要である。

A. 外国為替取引における取引
注文とは、主にポジションを建てるために取引を行うことを要求するものです。一旦取引が開始されると、それはポジションを構成します。ポジションを閉じるために注文を出すと、反対方向の取引になります。例えば、元々買っていたのであれば、今度は売って閉じます。買いポジションを建てたときはロング、売ったときはショートです。

外国為替取引を開始するには、ポジションを建てる必要があります。ポジションを建てるにはさまざまな方法があります。基準通貨を買って相場通貨を売る（ロング）か、基準通貨を売ってFXで相場通貨を買う（ショート）かのどちらかです。例えば、GBP/USDの通貨ペアでは、GBPが基準通貨でUSDが気配値通貨です。

トレーダーは、売買の際にレバレッジを使用することができます。レバレッジとは、少額の資金で多額の取引を行うことができる比率のことです。例えば、レバレッジ1:30でGBP/USDの1000ドルを取引した場合、売買取引額は1000ドルではなく、3万ドルになります。売買取引の利益または損失は、FXペアの初期価格から最終値を差し引くことによって計算されます。トレーダーが1.4060ドルの買いレートでGBP/USDを3万ドルロングし、1.4090ドルの売りレートでポジションをクローズしたとします。その差は0.0030ドルで、これは20ピップです。1ピップとは、市場の慣例に従って為替レートが行う最小の値動きのことです。最初のポジションはロングポジションであり、レートが上昇したため、この取引は利益となり、利益は 30,000 * 0.0030 = 90 ドルです。したがって、トレーダーは、利益を得るために、通貨ペアの価格が、ロングポジションのときは上昇し、ショートポジションのときは下降することを望んでいます。

B. 取引システム。Meta Trader 5（メタトレーダー5
Meta Trader 51は、外国為替市場で最も広く使用されている取引プラットフォームの1つです。自動売買プログラムを実装するためのプログラミング言語、MQL5 [21]が付属しています。本研究の最終目標は、Meta Trader 5 に含まれる MQL5 用の IDE（統合開発環境）として MetaEditor を使用して開発した Expert Advisor2 をコミュニティに提供し、Young の書いた共通コードを拡張することです3。

C. テクニカル指標
テクニカル分析とは、過去の相場の動きを観察し、将来の価格を予測したり、相場の動きの影響に対処することを目的とした分析である。チャートに基づいて、価格チャートのパターンを識別しようとする分析である。基本的に、トレーダーは4種類のチャートを視覚化することができます。バーチャート、ラインチャート、ローソク足チャート、そしてフィギュアチャートです。ここでは、ローソク足チャートを使用します。

図1では、ローソク足の特徴をいくつか示している：i) バーは始値と終値の間の価格の振幅を表し、ii) 影と呼ばれる二つの連結した付属物は、取引セッション中に達した最高値と最低値を表している。

ロウソクには2つの色があります。i) 終値が始値より高い場合、ロウソクは強気と呼ばれ、白い色をしています ii) 反対に、ロウソクは黒く、弱気と呼ばれます。

ローソク足チャートは、本体の振幅、形状、ローソク足またはローソク足群の並びによってパターンを明らかにします[22]。

下部の影が特に長い場合、反転の確率が高くなり、ローソク足は反転の強い意味合いを持つようになる。実際、影が長くなればなるほど、市場の不安定感が増し、反転のシグナルが出やすくなります。

テクニカル指標はFXで多用されており、FXを中心とした金融市場の予測にテクニカル分析やテクニカル指標がどのように利用されるか、多くの研究がなされてきました。テクニカル指標と様々な機械学習モデルを組み合わせた多くの予測や取引方法が文献で提案されており、その中でもGAが重要な役割を果たしています。最も初期の調査の1つが[23]で行われた。また、過去 20 年間で最も新しく、最も引用されたテクニカル指標を使用する論文に目を通し、[22]、[24]-[25][26]で調査された。私たちの取引システムでは、最も一般的で関連性の高い20のテクニカル指標が取引ルールの基礎として使用されています。これらのテクニカル指標は以下の通りです。適応移動平均、平均方向移動指数、ドンチャンネル、ストーラーバンド、ボリンジャーバンド、二重指数移動平均、エンベロープ移動平均、パラボリックSAR、フラクタル適応移動平均、標準偏差、三重指数移動平均、平均値幅、Bears Power, Bulls Power、MACD (Moving Average Convergence Divergence), Stochastic Oscillator, William' Percentage Range, Momentum, RSI (Relative Strength Index), Heiken Ashi Candlesなどです。

ソースはコチラ

この記事が気に入ったらサポートをしてみませんか？