[논문 리뷰] AutoAlpha: an Efficient Hierarchical Evolutionary Algorithm for Mining Alpha Factors in Quantitative Investment

Tianping Zhang, Yuanqi Li외 2명|arXiv (Cornell University)|2020. 02. 08.

Stock Market Forecasting Methods인용 수 11

한 줄 요약

AutoAlpha는 주어진 주식 데이터셋에서 주로 PCA 기반 품질 다양성 접근법, 온난 시작 및 교체 전략을 사용하여 다양하고 높은 성능을 보이는 공식형 알파 요소를 자동으로 추출하는 계층적 진화 알고리즘이다. 중국 A주식 시장에서의 백테스트 결과, 3.39의 샤프 지수(보유 기간 h=1)를 기록하며 기준 모델을 능가하는 위험 조정 수익률을 달성하였다.

ABSTRACT

The multi-factor model is a widely used model in quantitative investment. The success of a multi-factor model is largely determined by the effectiveness of the alpha factors used in the model. This paper proposes a new evolutionary algorithm called AutoAlpha to automatically generate effective formulaic alphas from massive stock datasets. Specifically, first we discover an inherent pattern of the formulaic alphas and propose a hierarchical structure to quickly locate the promising part of space for search. Then we propose a new Quality Diversity search based on the Principal Component Analysis (PCA-QD) to guide the search away from the well-explored space for more desirable results. Next, we utilize the warm start method and the replacement method to prevent the premature convergence problem. Based on the formulaic alphas we discover, we propose an ensemble learning-to-rank model for generating the portfolio. The backtests in the Chinese stock market and the comparisons with several baselines further demonstrate the effectiveness of AutoAlpha in mining formulaic alphas for quantitative trading.

연구 동기 및 목표

• 정량 투자에서 효과적인 알파 요소를 수작업으로 설계하는 데 드는 시간과 전문 지식의 부담을 해결하기 위해.
• 진화 계산을 활용하여 대규모 주식 데이터에서 다양하고 높은 성능을 보이는 공식형 알파 요소를 자동으로 발견하기 위해.
• 전통적 유전자 알고리즘의 한계, 예를 들어 수렴 속도가 느리거나 조기 수렴 현상이 발생하는 문제를 해결하기 위해.
• 소규모 기업 및 개인 투자자가 경쟁적인 알파 전략을 수립할 수 있도록 확장 가능하고 효율적인 프레임워크를 개발하기 위해.

제안 방법

• 공식형 알파에 내재된 패턴을 기반으로 한 계층적 탐색 구조를 제안하여 광범위한 탐색 공간 내에서 유망한 영역을 신속하게 탐색한다.
• 탐색이 이미 수행된 영역을 피하고 다양성과 성능을 향상시키기 위해 주성분 분석 기반 품질 다양성(PCA-QD)을 도입한다.
• 초기 개체군을 고품질 솔루션으로 초기화하여 수렴 속도를 가속화하는 온난 시작 방법을 적용한다.
• 정체된 수렴을 방지하고 개체군의 다양성을 유지하기 위해 안정형 유전자 알고리즘에서 영감을 얻어 부모-자식 교체 전략을 사용한다.
• 상위 성능을 보이는 알파 요소들을 조합하여 최종 포트폴리오 전략을 도출하기 위해 앙상블 학습-랭킹 모델을 적용한다.
• CSI 800 지수 기반의 계층적 백테스트와 기준 모델과의 비교를 통해 방법의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 무한히 넓은 공식형 알파 요소 탐색 공간에서 완전한 탐색 없이도 효율적으로 유망한 영역을 찾을 수 있는 방법은 무엇인가?
• RQ2 진화적 탐색이 같은 국소 최적점으로 수렴하는 것을 방지하면서 다양하고 높은 성능을 보이는 알파 요소를 발견하기 위해 어떤 메커니즘이 필요한가?
• RQ3 금융 시계열 데이터에서 알파 요소를 채굴할 때, 유전자 알고리즘의 조기 수렴 현상을 어떻게 방지할 수 있는가?
• RQ4 자동화된 진화적 접근 방식이 인간이 설계한 또는 기준 방법보다 수익성 있는 알파 요소를 생성하는 데 얼마나 뛰어난 성능을 보일 수 있는가?
• RQ5 계층적이고 품질-다양성 기반의 진화적 프레임워크는 다양한 시장 조건에서 일관되게 다양하고 정보 계수(Information Coefficient)가 높은 알파 요소를 생성할 수 있는가?

주요 결과

• AutoAlpha는 보유 기간 h=1일 때 시장 대비 연간 수익률 90.0%와 샤프 지수 3.39를 기록하여 시장 및 기준 모델을 크게 능가하였다.
• 이 방법은 평균 정보 계수(IC)가 0.078인 50개의 다양한 공식형 알파 요소를 생성하여 강력한 예측 능력을 보이는 0.05 기준을 초과하였다.
• 백테스트 결과, AutoAlpha 전략은 h=1일 때 S&P 500 유사 시장 지수 대비 상대 수익률에서 98.2% 높았고, h=5일 땐 34.0% 높았다.
• PCA-QD 구성요소는 탐색을 탐색되지 않은 고성능 영역으로 유도하여 상호 상관관계가 낮은 다양한 알파 요소의 발견에 기여하였다.
• 온난 시작 및 부모-자식 교체 방법은 조기 수렴을 효과적으로 완화하여 개체군의 다양성과 성능 안정성을 유지하였다.
• AutoAlpha의 출력 결과를 기반으로 한 앙상블 학습-랭킹 모델은 다양한 보유 기간에서 뛰어난 성능을 보였으며, 이는 강건성과 확장성의 가능성을 입증하였다.