[논문 리뷰] Alpha Discovery Neural Network based on Prior Knowledge

Jie Fang, Shu‐Tao Xia외 4명|arXiv (Cornell University)|2019. 12. 26.

Stock Market Forecasting Methods참고 문헌 30인용 수 6

한 줄 요약

이 논문은 정량적 금융 분야의 사전 지식을 활용하여 다양한 고급 재무 기술 지표를 자동으로 구성할 수 있는 도메인 특화 신경망인 알파 디스커버리 뉴럴 네트워크(ADNN)를 제안한다. 유전적 프로그래밍 대신 사전 훈련과 모델 정제를 적용함으로써 ADNN는 더 효율적이고 다양한 특징 생성을 달성하며, 다양한 지표에서 특징 품질과 실제 거래 전략 성능 모두에서 GP를 능가한다.

ABSTRACT

Genetic programming (GP) is the state-of-the-art in financial automated feature construction task. It employs reverse polish expression to represent features and then conducts the evolution process. However, with the development of deep learning, more powerful feature extraction tools are available. This paper proposes Alpha Discovery Neural Network (ADNN), a tailored neural network structure which can automatically construct diversified financial technical indicators based on prior knowledge. We mainly made three contributions. First, we use domain knowledge in quantitative trading to design the sampling rules and object function. Second, pre-training and model pruning has been used to replace genetic programming, because it can conduct more efficient evolution process. Third, the feature extractors in ADNN can be replaced by different feature extractors and produce different functions. The experiment results show that ADNN can construct more informative and diversified features than GP, which can effectively enriches the current factor pool. The fully-connected network and recurrent network are better at extracting information from the financial time series than the convolution neural network. In real practice, features constructed by ADNN can always improve multi-factor strategies' revenue, sharpe ratio, and max draw-down, compared with the investment strategies without these factors.

연구 동기 및 목표

• 유전적 프로그래밍이 재무 특징 생성에 있어 반복적이고 선형적으로 관련된 특징과 높은 계산 비용 등의 한계를 해결하기 위해.
• 경제적 및 재무 원칙을 특징 생성에 통합한 도메인 인지 신경망 아키텍처를 개발하기 위해.
• 원시 가격 및 거래량 데이터로부터 자동으로 효율적이고 다양한 기술 지표를 생성하기 위해.
• 실제 거래 전략의 역추적 테스트에서 ADNN의 성능을 유전적 프로그래밍과 비교하기 위해.
• 다양한 신경망 아키텍처가 금융 시계열에서 의미 있는 특징을 추출하는 데 어떻게 기여하는지 조사하기 위해.

제안 방법

• ADNN는 정량적 거래 원칙에서 유도된 도메인 특화 샘플링 규칙와 목적 함수를 사용하여 특징 생성을 안내한다.
• 유전적 프로그래밍의 진화 과정을 사전 훈련과 모델 정제로 대체하여 더 효율적인 최적화를 달성한다.
• 다양한 특징 추출기(예: 완전 연결, LSTM, LeNet)를 사용하여 시간적 또는 공간적 패턴에 특화된 다양한 특징을 생성한다.
• 특징들을 k-means를 사용해 군집화하여 다양성과 공유 정보 공간을 분석하고, 각 네트워크 유형의 기여도를 평가한다.
• 다양한 신경망 아키텍처를 플러그 앤 플레이 방식으로 통합하여 데이터 특성에 맞게 특징 추출을 맞춤화할 수 있다.
• 과적합을 방지하기 위해 공정하고 합리적인 특징 선택 방법을 적용하여 최종 요소 풀을 평가한다.

실험 결과

연구 질문

• RQ1 재무 도메인 지식을 반영해 설계된 신경망 아키텍처가 유전적 프로그래밍보다 다양하고 정보적인 재무 특징을 더 잘 생성할 수 있는가?
• RQ2 사전 훈련과 모델 정제는 진화 계산에 비해 효율성과 특징 품질 측면에서 어떻게 비교되는가?
• RQ3 다양한 신경망 아키텍처(예: FCN, LSTM, LeNet) 중에서 금융 시계열에서 특징 다양성과 정보 러프니스에 가장 기여하는 것은 무엇인가?
• RQ4 다양한 특징 추출기가 상관관계를 줄이고 다인자 거래 전략의 강건성을 향상시키는 데 얼마나 기여하는가?
• RQ5 ADNN는 실제 거래 전략에서 주요 리스크 조정 성과 지표(예: 샤프 지수, 최대 손실)를 일관되게 향상시킬 수 있는가?

주요 결과

• ADNN는 유전적 프로그래밍보다 더 정보가 풍부하고 다양한 특징을 생성하며, 특징의 상관관계가 크게 감소했다.
• LSTM 기반 특징 추출기는 가장 희박한 분포를 보이며, 금융 시계열에서 비선형적 시간 패턴을 추출하는 데 뛰어난 능력을 보였다.
• 완전 연결 네트워크와 순환 신경망(LSTM)이 금융 데이터에서 의미 있는 특징을 추출하는 데서 컨볼루션 신경망보다 뛰어났다.
• LeNet과 완전 연결 네트워크 간의 공유 정보 공간은 LeNet이 후자의 일부 특징을 추출한다는 것을 시사하며, 이는 제한된 고유 기여도를 의미한다.
• 복잡한 신경망 아키텍처는 더 높은 다양성과 낮은 상관관계를 보이며, 파rameter 수가 많음에도 불구하고 더 나은 일반화 잠재력을 지녔다.
• 실제 거래 역추적 테스트에서 ADNN가 생성한 특징을 통합한 전략은 기준 전략에 비해 일관되게 샤프 지수, 수익률, 최대 손실을 향상시켰다.