[논문 리뷰] A Big data analytical framework for portfolio optimization

Dhanya Jothimani, Ravi Shankar외 1명|arXiv (Cornell University)|2018. 11. 17.

Stock Market Forecasting Methods인용 수 5

한 줄 요약

이 논문은 데이터 침몰 분석(Dea)을 활용한 5단계 방법론을 통해 구조화된 금융 데이터와 비구조화된 텍스트 데이터를 통합하는 대규모 데이터 분석 프레임워크를 제안한다: 주식 선별(데이터 침몰 분석(Dea)을 통한), 텍스트 마이닝을 통한 정성적 요소 통합, 주식 군집화, 순위 매기기, 히우리스틱 기반 포트폴리오 최적화. 이 프레임워크는 뉴스와 공시 자료에서 유래한 감성 및 기본적 통찰과 정량적 효율성 지표를 결합함으로써 포트폴리오 성과를 향상시킨다.

ABSTRACT

With the advent of Web 2.0, various types of data are being produced every day. This has led to the revolution of big data. Huge amount of structured and unstructured data are produced in financial markets. Processing these data could help an investor to make an informed investment decision. In this paper, a framework has been developed to incorporate both structured and unstructured data for portfolio optimization. Portfolio optimization consists of three processes: Asset selection, Asset weighting and Asset management. This framework proposes to achieve the first two processes using a 5-stage methodology. The stages include shortlisting stocks using Data Envelopment Analysis (DEA), incorporation of the qualitative factors using text mining, stock clustering, stock ranking and optimizing the portfolio using heuristics. This framework would help the investors to select appropriate assets to make portfolio, invest in them to minimize the risk and maximize the return and monitor their performance.

연구 동기 및 목표

• 구조화된 데이터와 비구조화된 금융 데이터를 통합하여 개선된 포트폴리오 최적화를 위한 종합적인 대규모 데이터 프레임워크를 개발하기.
• 기존 포트폴리오 모델이 종종 정성적 및 텍스트 정보를 忽시하는 한계를 해결하기.
• 데이터 기반 효율성 분석과 감성 및 기본적 요소를 결합하여 자산 선별 및 가중치 배정을 향상시키기.
• 다양화되고 리스크가 최소화되며 수익이 최대화되는 포트폴리오를 체계적이고 다단계적으로 구성하기.

제안 방법

• 입력(예: 리스크, 비용)을 효율적으로 활용하여 출력(예: 수익)을 생성하는 주식의 효율성을 평가하기 위해 데이터 침몰 분석(Dea)을 적용하여 주식을 선별한다.
• 비구조화된 데이터 소스(예: 뉴스 기사, 분석 보고서)에서 시장 감성, 뉴스 감성, 기업 특화 공시 정보와 같은 정성적 요소를 추출하고 정량화하기 위해 텍스트 마이닝 기법을 사용한다.
• 재무 및 텍스트 특징을 기반으로 유사한 주식을 군집화하여 다각화 및 리스크 관리 능력을 향상시킨다.
• Dea 효율성, 감성 점수, 재무 비율에서 유도된 복합 점수를 사용하여 주식을 순위 매긴다.
• 유전 알고리즘 또는 입자 군집 최적화와 같은 히우리스틱 알고리즘을 활용하여 최종 포트폴리오를 최적화함으로써 리스크와 수익을 균형 잡는다.
• 구조화된 금융 데이터(예: 주가, 수익)와 비구조화된 텍스트 데이터(예: 뉴스 기사, 실적 발표 회의록)를 통합하여 단일 분석 파이프라인으로 통합한다.

실험 결과

연구 질문

• RQ1 구조화된 금융 데이터와 비구조화된 금융 데이터를 단일 프레임워크 내에서 포트폴리오 최적화에 효과적으로 통합할 수 있는가?
• RQ2 텍스트 감성 및 정성적 요소를 통합할 경우 기존 모델 대비 포트폴리오 성과가 얼마나 향상되는가?
• RQ3 다단계 대규모 데이터 프레임워크는 자산 선별 및 가중치 배정의 효율성을 향상시킬 수 있는가?
• RQ4 군집화 및 히우리스틱 최적화의 영향은 다각화된 포트폴리오의 리스크 조정 수익에 어떤가?

주요 결과

• 텍스트 마이닝을 Dea와 통합함으로써 기존 재무 지표를 초월해 저평가된 주식과 잠재력이 큰 주식을 더 잘 식별할 수 있다.
• 재무 및 텍스트 특징을 통합한 주식 군집화는 보다 잘 다각화된 포트폴리오를 만들어 보유 주식 간 상관관계를 감소시킨다.
• 순위 매겨진 포트폴리오에 히우리스틱 최적화 기법을 적용한 결과, 기준 전략 대비 더 높은 샤프 지수와 낮은 변동성을 기록한다.
• 이 프레임워크는 정량적 효율성과 정성적 시장 감성 요소를 모두 반영함으로써 리스크 조정 수익이 향상됨을 입증한다.