[논문 리뷰] A News-based Machine Learning Model for Adaptive Asset Pricing

Liao Zhu, Haoxuan Wu외 1명|arXiv (Cornell University)|2021. 06. 13.

Stock Market Forecasting Methods참고 문헌 29인용 수 5

한 줄 요약

이 논문은 뉴스 기반 회사 임bedding을 통해 적응형 기초 자산 선택을 수행하는 기계학습 프레임워크인 뉴스 임bed딩 UMAP 선택(NEUS) 모델을 제안한다. 이 모델은 단어 임베딩과 UMAP를 활용해 재무 뉴스를 처리하여 기업 임베딩을 유도하며, 모든 산업에서 Fama-French 5요인 모델을 뛰어넘는 성능을 보이며, 내삽 및 외삽 R제곱 값이 모두 높게 나타나 주식 수익률을 설명하고 예측하는 데에 뛰어난 성능을 발휘한다.

ABSTRACT

The paper proposes a new asset pricing model -- the News Embedding UMAP Selection (NEUS) model, to explain and predict the stock returns based on the financial news. Using a combination of various machine learning algorithms, we first derive a company embedding vector for each basis asset from the financial news. Then we obtain a collection of the basis assets based on their company embedding. After that for each stock, we select the basis assets to explain and predict the stock return with high-dimensional statistical methods. The new model is shown to have a significantly better fitting and prediction power than the Fama-French 5-factor model.

연구 동기 및 목표

• 실시간 시장 정보에 적응하는 동적이고 뉴스 기반의 자산 가격 결정 모델을 개발하기 위해 자연어 처리 기술을 활용한다.
• 정적이며 외삽 설정에서 예측 능력이 떨어지는 전통적인 다인자 모델(예: Fama-French 5요인 모델)의 한계를 극복한다.
• 뉴스 기반 기업 임베딩과 클러스터링 기법을 활용해 ETF에서 대표성 있는 기초 자산 집합을 식별한다.
• 고차원 통계 방법을 통해 관련 기초 자산을 적응적으로 선택하여 주식 수익률 예측 성능을 향상시킨다.
• 특히 Fama-French 모델이 성능을 발휘하지 못하는 분야에서 모델의 강건성과 우수성을 검증한다.

제안 방법

• 다우존스 DNA 데이터베이스에서 수집한 뉴스 기사들을 결합하여 파ara그라프 벡터(PV-DM) 모델을 적용해 603개의 ETF에 대한 기업 임베딩 벡터를 유도한다.
• 균일 다층 근사 및 투영(UMAP)을 적용하여 차원을 감소시키고, 기업 임베딩 기반으로 ETF를 클러스터링하여 대표 기초 자산을 식별한다.
• 최소화된 볼록 페널티(MCP)와 최소화된 프로토타입 클러스터링(MPC)을 활용해 고차원 변수 선택을 수행하여 각 주식에 가장 관련성이 높은 기초 자산을 식별한다.
• 선택된 기초 자산을 기반으로 적응형 다인자(AMF) 모델을 수립하여 개별 주식 수익률을 설명하고 예측한다.
• 외삽 조정 R제곱을 주요 성능 지표로 삼아 모델을 훈련하고 검증하며, Fama-French 5요인 기준 모델과 비교한다.
• 다우존스 분류 기준으로 주식을 17개 산업으로 분류하여 부문별 성능 평가를 수행한다.

실험 결과

연구 질문

• RQ1 재무 뉴스 텍스트 데이터를 활용하는 기계학습 모델이 기존의 다인자 모델에 비해 자산 가격 결정 모델의 설명력과 예측력을 뚜렷이 향상시킬 수 있는가?
• RQ2 뉴스 기반 임베딩을 활용한 기초 자산의 적응적 선택이 고정된 요인 모델(예: Fama-French 5요인 모델)보다 더 나은 외삽 성능을 보일 수 있는가?
• RQ3 NEUS 모델은 다양한 산업에서 어떻게 성능을 발휘하는가? 특히 Fama-French 모델이 성능을 발휘하지 못하는 분야에서는 어떤가?
• RQ4 UMAP와 단어 임베딩 기법의 활용이 비정형 뉴스 데이터에서 관련 리스크 요인을 어떻게 향상시킬 수 있는가?
• RQ5 NEUS 모델은 모든 시장 부문에서 강건한가? 그리고 내삽 및 외삽 설정 모두에서 기준 모델을 일관되게 능가하는가?

주요 결과

• NEUS 모델은 외삽 조정 R제곱 값이 0.18을 기록했으며, Fama-French 5요인 모델의 -0.029와 비교해 강력한 예측 능력을 보였다.
• 내삽 성능에서 NEUS 모델의 평균 조정 R제곱은 0.375로, Fama-French 모델의 0.287보다 31% 높았다.
• 1주일 후 예측에서 NEUS 모델의 외삽 평균 조정 R제곱은 Fama-French 모델의 0.199보다 55% 높았다.
• 17개 산업 전반에서 NEUS 모델은 Fama-French 5요인 모델을 모두 앞섰으며, 금융, 유틸리티, 에너지 부문에서 가장 두드러진 향상이 관찰되었다.
• Fama-French 모델은 유틸리티 및 통신 서비스 부문의 수익률을 설명하는 데 어려움을 겪었으나, NEUS 모델은 모든 부문에서 뛰어난 성능을 유지했다.
• 산업별 비교를 통해 NEUS 모델의 강건성이 확인되었으며, 내삽 또는 외삽 설정에서 Fama-French 모델이 NEUS를 능가한 사례는 전혀 없었다.