[논문 리뷰] A Machine Learning Framework for Stock Selection

Xingyu Fu, Jin‐Hong Du외 4명|arXiv (Cornell University)|2018. 06. 05.

Stock Market Forecasting Methods참고 문헌 12인용 수 13

한 줄 요약

이 논문은 244개의 기술적 및 기본적 특징을 사용하여 주식 선택을 위한 기계학습 프레임워크를 제안하며, Stacking(랜덤 포레스트와 딥 네URAL 네트워크의 조합)을 통한 모델 앙상블이 가장 높은 성능을 기록한다. 이 방법은 중국 주식에 대해 검증되었으며, AUC 0.972를 달성하고 백테스트에서 시장 수익률을 초월한다. 유전 알고리즘을 통해 중복된 특징이 제거되었지만 성능 저하 없이 구현되었다.

ABSTRACT

This paper demonstrates how to apply machine learning algorithms to distinguish good stocks from the bad stocks. To this end, we construct 244 technical and fundamental features to characterize each stock, and label stocks according to their ranking with respect to the return-to-volatility ratio. Algorithms ranging from traditional statistical learning methods to recently popular deep learning method, e.g. Logistic Regression (LR), Random Forest (RF), Deep Neural Network (DNN), and the Stacking, are trained to solve the classification task. Genetic Algorithm (GA) is also used to implement feature selection. The effectiveness of the stock selection strategy is validated in Chinese stock market in both statistical and practical aspects, showing that: 1) Stacking outperforms other models reaching an AUC score of 0.972; 2) Genetic Algorithm picks a subset of 114 features and the prediction performances of all models remain almost unchanged after the selection procedure, which suggests some features are indeed redundant; 3) LR and DNN are radical models; RF is risk-neutral model; Stacking is somewhere between DNN and RF. 4) The portfolios constructed by our models outperform market average in back tests.

연구 동기 및 목표

• 금융 시장에서 성과가 뛰어난 주식과 열등한 주식을 효과적으로 구분할 수 있는 강력한 기계학습 프레임워크를 개발하는 것.
• 노이즈가 많고 비정상적인 재무 데이터 문제를 해결하기 위해 다양한 모델과 효과적인 특징 선택 기법을 통합하는 것.
• 모델 성능을 통계적으로 평가할 뿐 아니라, 시장 기준지수와의 비교를 통한 실질적인 포트폴리오 백테스팅을 수행하는 것.
• 다양한 모델(예: 극단적, 위험 중립적)의 리스크 프로파일을 조사하고 앙상블 학습의 주식 선택 효과성에 대해 탐구하는 것.

제안 방법

• 주식의 재무 및 가격 행동을 시간에 따라 나타내기 위해 주식당 244개의 기술적 및 기본적 특징을 구축한다.
• 샤페로 비율의 대체 지표인 수익률 대 변동성 비율을 기반으로 주식을 양성(상위 Q%) 또는 부정성(하위 Q%)으로 레이블링하여 균형 잡힌 분류 작업을 만든다.
• 다양한 모델을 적용: 로지스틱 회귀(LR), 랜덤 포레스트(RF), 딥 네럴 네트워크(DNN), 스태킹(기본 모델의 출력을 사용하는 LR 메타러너).
• 유전 알고리즘(GA)을 사용하여 전역적인 특징 서브셋 선택을 수행하여 중복성과 계산 비용을 감소시킨다.
• 저신호 대 노이즈 비율의 재무 데이터에서 과적합을 방지하기 위해 DNN에 정규화 기법(드롭아웃, 배치 정규화, L2 펜alties)을 적용한다.
• 스태킹 모델을 세 단계로 훈련: Train-1과 Train-2는 기본 모델 훈련(합쳐서 DNN, Train-2에서 RF), Validation은 메타러너(LR) 훈련을 위해 기본 모델의 예측 결과를 사용한다.

실험 결과

연구 질문

• RQ1 기술적 및 기본적 특징의 조합을 사용하여 기계학습 프레임워크가 '좋은' 주식과 '나쁜' 주식을 효과적으로 분류할 수 있는가?
• RQ2 LR, RF, DNN, 스태킹 등의 다양한 모델이 주식 선택에서 AUC, 정확도 및 리스크 프로파일 측면에서 어떻게 성능를 비교하는가?
• RQ3 유전 알고리즘을 통한 특징 선택이 예측 성능 저하 없이 모델 효율성을 얼마나 향상시키는가?
• RQ4 LR, RF, DNN, 스태킹의 리스크 프로파일을 비교하면 어떻게 되는가? 특히 LR과 DNN는 더 공격적인 전략을 취하는가, 스태킹은 균형 잡힌 하이브리드 전략인가?
• RQ5 모델 예측 결과를 기반으로 구성된 포트폴리오가 시장 지수를 초월하는 성과를 보일 수 있는가? (설정된 시장 외부 테스트에서)

주요 결과

• 랜덤 포레스트와 딥 네럴 네트워크의 예측을 로지스틱 회귀 메타러너를 통해 조합하는 스태킹 모델이 가장 높은 AUC 점수 0.972를 기록하며, 모든 개별 모델을 능가했다.
• 유전 알고리즘이 원래 244개의 특징 중 114개의 특징을 선택했으며, 성능 저하 없이도 상당한 중복성이 초기 특징 세트에 존재함을 시사했다.
• 로지스틱 회귀와 딥 네럴 네트워크 모델은 높은 재현율과 낮은 정밀도를 보였으며, 고신뢰도의 투자 전략을 취하는 극단적인 투자 전략임을 나타냈다.
• 랜덤 포레스트는 균형 잡힌 정밀도와 재현율을 보였으며, 위험 중립적 접근을 시사했고, 스태킹의 성능 및 리스크 프로파일은 DNN와 RF 사이에 위치했다.
• 모델 출력을 기반으로 구성된 포트폴리오들은 다양한 시작 일자(2015, 2017, 2018)에서의 여러 백테스팅에서 시장 평균을 지속적으로 상회했다.
• 통계적 및 실질적 검증 프로세스를 통해 이 프레임워크가 실생활 주식 선택에 매우 정확하고 실용적으로 적용 가능함을 확인했다.