[논문 리뷰] Currency exchange prediction using machine learning, genetic algorithms and technical analysis

Gonçalo Abreu, Rui Neves외 1명|arXiv (Cornell University)|2018. 05. 29.

Stock Market Forecasting Methods참고 문헌 13인용 수 8

한 줄 요약

이 논문은 EUR/USD 환율 움직임을 예측하기 위해 유전 알고리즘(GA)과 나이브 베이즈 분류를 조합한 하이브리드 기계학습 프레임워크를 제안한다. 기술적 분석 특징의 고차원적 특징 공간을 탐색하기 위해 GA를 사용하고, t-SNE를 활용해 모델의 결정을 시각화함으로써 검증 데이터에서 투자 수익률을 0.43%에서 10.29%로 향상시켰다. 이는 랜덤 워크 가정을 초월해 시장 비효율성과 평균 회귀 패턴이 학습 가능하다는 것을 보여준다.

ABSTRACT

Technical analysis is used to discover investment opportunities. To test this hypothesis we propose an hybrid system using machine learning techniques together with genetic algorithms. Using technical analysis there are more ways to represent a currency exchange time series than the ones it is possible to test computationally, i.e., it is unfeasible to search the whole input feature space thus a genetic algorithm is an alternative. In this work, an architecture for automatic feature selection is proposed to optimize the cross validated performance estimation of a Naive Bayes model using a genetic algorithm. The proposed architecture improves the return on investment of the unoptimized system from 0,43% to 10,29% in the validation set. The features selected and the model decision boundary are visualized using the algorithm t-Distributed Stochastic Neighbor embedding.

연구 동기 및 목표

• 기술적 분석 특징이 무작위 추측을 초월해 환율 움직임을 더 잘 예측할 수 있는가를 조사하는 것.
• 수정된 유전 알고리즘을 사용해 나이브 베이즈 분류기 성능을 최적화하는 자동 특징 선택 아키텍처를 개발하는 것.
• t-SNE 임bedding를 통한 결정 경계와 데이터 구조의 시각화를 통해 모델의 해석 가능성 향상.
• k-폴드 교차검증을 활용한 시스템 검증 및 기준 모델 대비 유의미한 성능 향상 입증.
• 모델이 평균 회귀 패턴과 관련해 이상 가격 상승과 연관 지을 수 있는 시장 비효율성(예: 비정상적 가격 급등)을 식별하는 것.

제안 방법

• 수정된 유전 알고리즘이 기술적 지표의 교차검증 성능을 최적화함으로써 특징 선택을 수행한다.
• RSI, CCI, MACD, ROC, 슈도스틱 오실레이터, ATR 등의 기술적 지표를 사용해 비정상적 가격 데이터를 정상적 표현으로 변환한다.
• 나이브 베이즈 분류기는 베이즈 정리와 조건부 독립 가정을 적용하여 이진 분류를 위해 P(y|x) ∝ P(y)∏P(xi|y)를 계산한다.
• k-폴드 교차검증을 통해 모델 성능을 추정하고 과적합을 방지하여 훈련 및 검증 분할에 걸쳐 견고한 평가를 보장한다.
• t-SNE는 고차원 특징 벡터를 2차원 공간으로 임베딩하여 국소적 구조를 유지하고 결정 경계 및 군집 패턴의 시각화를 가능하게 한다.
• 검증 세트에서 투자 수익률(ROI)을 평가하여 실제 거래 성능 향상 정도를 측정한다.

실험 결과

연구 질문

• RQ1 기술적 분석 특징이 무작위 확률을 초월해 향후 EUR/USD 환율 움직임을 신뢰성 있게 예측할 수 있는가?
• RQ2 유전 알고리즘이 기술적 지표 조합의 광범위한 공간을 효과적으로 탐색하여 나이브 베이즈 분류기의 예측 성능을 최적화할 수 있는가?
• RQ3 최적화된 모델이 비정상적 가격 변동 이후 평균 회귀 패턴과 같은 의미 있는 시장 패턴을 포착하는가?
• RQ4 t-SNE 시각화를 통해 결정 경계와 명확한 시장 제도 또는 비효율성과 대응하는 해석 가능한 군집이 드러나는가?
• RQ5 최적화된 시스템이 비최적화 기준 모델 대비 수익률 향상 정도는 어느 정도인가?

주요 결과

• 최적화된 시스템은 검증 세트에서 10.29%의 투자 수익률을 기록하여 비최적화 시스템의 0.43% 대비 뚜렷한 향상을 보였다.
• GA로 최적화된 특징을 사용한 나이브 베이즈 분류기는 검증 정확도를 51.39%에서 53.95%로 향상시켜 의미 있는 예측 능력을 보였다.
• t-SNE 시각화에서 특징 공간에 명확한 국소 군집이 드러났으며, 높은 신뢰도의 예측은 비정상적인 단기 가격 급등과 같은 패턴과 관련이 있었다.
• 모델은 급격한 가격 상승 이후 음성 수익률을 예측할 때 더 높은 신뢰도를 보였으며, 이는 평균 회귀 행동을 학습했다는 것을 시사한다.
• 특히 최적화된 특징 세트에서 t-SNE 플롯에 구조적인 군집이 존재함으로써 모델이 비랜덤하고 반복 가능한 시장 패턴을 포착했다는 것이 확인되었다.
• 결과적으로 기술적 특징이 EUR/USD 환율에 존재하는 이용 가능한 비효율성을 암호화할 수 있음을 보여주며, 랜덤 워크 가정에 도전한다.