Research on data augmentation when dealing with financial time series in machine learning.

1. 金融時系列のための
データ拡張入門
tonic
2024/3/28

2. 1. 自己紹介
tonic（＠tonic3561）
・フリーランスDS
・Kaggler

3. 目次
1. データ拡張、mixupとは？
2. テーブルデータとデータ拡張
3. 金融時系列でのmixup検証
a. 問題設計（Optiver vs Jquants API）
b. 結果・考察
4. まとめ

4. 1. データ拡張、mixupとは？
 データ拡張（Data Augmentation）
• 学習データにある変換をかけ、データ量を増やす手法
• 画像や文章をNeural Networkで扱う場合に広く用いられる
Flip
Crop
Rotate

5. 1. データ拡張、mixupとは？
 mixup … 2つのデータを適当な割合で合成するデータ拡張の手法
• 特徴量、ラベルの両方を混ぜ合わせるのがポイント
𝑦1 = [1, 0]
𝑦2 = [0, 1]
𝑦 = [0.7, 0.3]

6. 2. テーブルデータとデータ拡張
 （金融時系列を含む）テーブルデータでは、データ拡張の有効性は不明瞭
• ラベル情報を保存する変換が自明ではない
• 「ミニバッチごとに拡張データを生成」というフローがGBDTと相性悪い
… etc
 ただし夢はある
• 金融時系列のデータ不足問題を解消？
• ノイズを乗り越えた汎化性向上？ ？
金融時系列のmixupは
いいぞ…
某マケデコAMAにて

7. 3.金融時系列でのmixup検証
 そこで、以下の2つの問題設計でmixupの効果を検証
1. 板情報データから1分後のリターンを予測
2. Jquants API データから日次リターンを予測
？
データ拡張はロバストな
問題設計なら効くぞ…
某マケデコ Discord chにて
← ロバスト
← 非ロバスト

8. 3.a. 問題設計
 分次リターン予測（Optiver）
• Kaggle で最近開催された金融コンペの問題設計を利用
• データ範囲： 匿名の200銘柄 * (480日 * 55 snapshot)
• 評価指標： MAE
• 目的変数： 各銘柄の60秒後のスペシフィックリターン
• 特徴量： NasdaqでのClosing Auction板の集約情報
例） インバランスサイズ、ベスト価格・サイズ、WA …

9. 3.a. 問題設計
 日次リターン予測（Jquants API）
• Jquants API ライトプランで取得可能な日次データ（4本値、財務情報）を利用
• データ範囲： 198銘柄（N225から抽出）* 5年分
• 評価指標： 相関係数
• 目的変数： 各銘柄の日次相対リターン
• 特徴量： ファクター別指数ランキングから10個程度ピックアップ
例） ROE、時価総額、移動平均乖離…

10. 3.a. 問題設計
 モデル・評価方法
• Optiverの解法で用いたNeural Networkのアーキテクチャを使用
• mixupの有無、適用率（※）による精度の違いを調べる
• 特徴量集合に対して、ミニバッチごとにランダムに拡張を行う
• mixupのPytorchでの実装はこちら（2023マケデコアドベントカレンダー）
※適用率 … ミニバッチ内でmixupを適用するデータの割合

11. 3.b. 結果・考察
 分次リターン予測 … mixupの効果あり
• リーダーボードなら、tonicの位置（89位）から -50～+40位くらい
 日次リターン予測 … mixupでむしろ悪化
• ただし、適用率は大きいほど精度が上がる傾向
適用率 相関係数 MAE
0.0 0.2107 6.2440
0.7 0.2122 6.2402
適用率 相関係数 標準誤差
0.0 0.0346 0.0031
0.5 0.0278 0.0044
0.7 0.0280 0.0049
1.0 0.0290 0.0047
分次リターン 日次リターン

12. 4. まとめ
 金融時系列におけるデータ拡張（mixup）の有効性を検証
 ロバストな問題設計では効果あり！
• 汎用かつ手軽にデータを増やせるのでぜひお試しあれ
• データ不足で解けなかったタスクも解けるかも？
 非ロバストな問題では工夫が必要かも
• 今回は特徴量集合をランダムに合成したが…考えられる方法はたくさん
• 特徴量を合成 vs 元系列を合成？
• 似たデータ点（同日、同銘柄、同セクターetc）を合成？
• 分類タスクでソフトラベルを利用？