[논문 리뷰] Deep Inception Networks: A General End-to-End Framework for Multi-asset Quantitative Strategies

Thomas T. Liu, Stephen Roberts외 1명|arXiv (Cornell University)|2023. 07. 07.

Stock Market Forecasting Methods인용 수 5

한 줄 요약

이 논문은 원시 가격 수익률에서 시간적 시계열 및 교차단위 특징을 동시에 학습하여 거래비용과 시장 상관관계를 고려하면서 포트폴리오 샤프 지수를 직접 최적화하는 일반적인 엔드 투 엔드 딥 러닝 프레임워크인 딥 인셉션 네트워크(DINs)를 소개한다. DINs는 다자산 선물 시장에서 2005–2022년 기간 동안 2.95의 샤프 지수를 기록하며, 거래비용이 최대 4.82 bps까지인 벤치마크를 초월한다.

ABSTRACT

We introduce Deep Inception Networks (DINs), a family of Deep Learning models that provide a general framework for end-to-end systematic trading strategies. DINs extract time series (TS) and cross sectional (CS) features directly from daily price returns. This removes the need for handcrafted features, and allows the model to learn from TS and CS information simultaneously. DINs benefit from a fully data-driven approach to feature extraction, whilst avoiding overfitting. Extending prior work on Deep Momentum Networks, DIN models directly output position sizes that optimise Sharpe ratio, but for the entire portfolio instead of individual assets. We propose a novel loss term to balance turnover regularisation against increased systemic risk from high correlation to the overall market. Using futures data, we show that DIN models outperform traditional TS and CS benchmarks, are robust to a range of transaction costs and perform consistently across random seeds. To balance the general nature of DIN models, we provide examples of how attention and Variable Selection Networks can aid the interpretability of investment decisions. These model-specific methods are particularly useful when the dimensionality of the input is high and variable importance fluctuates dynamically over time. Finally, we compare the performance of DIN models on other asset classes, and show how the space of potential features can be customised.

연구 동기 및 목표

• 수동으로 설계된 특징을 배제하고 체계적 다자산 거래를 위한 일반적이고 엔드 투 엔드 딥 러닝 프레임워크를 개발하는 것.
• 포트폴리오의 리스크 조정 수익률 향상을 위해 시간적 시계열 및 교차단위 가격 역학을 동시에 모델링하는 것.
• 특징 추출 모듈에 의미론적 제약 조건을 통합하여 데이터 기반 전략에서의 과적합을 완화하는 것.
• 고차원적이고 동적인 환경에서 어텐션 기반 메커니즘과 변수 선택 네트워크를 통해 해석 가능성 향상시키는 것.
• 자산 유형에 맞게 특징 추출기의 맞춤형 설정을 통해 자산 간 일반화 능력 향상시키는 것.

제안 방법

• 모델 아키텍처는 원시 일일 가격 수익률에서 시간적 시계열 및 교차단위 패턴을 학습하는 특징 추출기(FE)와, 리스크 및 비용 조정된 포트폴리오 가중치를 출력하는 포지션 사이저(PS)를 조합한다.
• 특징 추출기에는 모멘텀, 스프레드, 리드-래그 효과를 의미론적으로 해석 가능하고 과적합 위험을 줄이기 위해 설계된 새로운 모듈인 OrigCIM 및 FlexCIM을 포함한다.
• 포지션 사이저는 장기적 의존성과 어텐션을 통한 잊혀진 정보 복구를 위해 LSTM 또는 시간적 융합 트랜스포머(TFT) 아키텍처를 사용한다.
• 새로운 손실 함수는 샤프 지수 최대화와 터닝오버 정규화, 시장과의 절대 상관관계를 통합하여 체계적 리스크 감소를 달성한다.
• 해석 가능성은 FlexCIM 내 변수 선택 네트워크(VSN) 가중치를 통해 동적으로 중요한 특징을 시각화하고, 어텐션 메커니즘이 중요한 이전 수익률 패턴을 식별함으로써 향상된다.
• 다양한 FE 및 PS 변종을 비교하여 체계적으로 평가하였으며, 성능은 선물, FX, 주식, 암호화자산 등 다양한 자산 클래스와 여러 거래비용 수준에서 평가되었다.

실험 결과

연구 질문

• RQ1 엔드 투 엔드 딥 러닝 프레임워크는 원시 가격 데이터에서 시간적 시계열 및 교차단위 특징을 동시에 최적화하여 다자산 전략의 포트폴리오 샤프 지수를 향상시킬 수 있는가?
• RQ2 수동으로 설계된 특징에 의존하지 않고 데이터 기반 거래 모델의 과적합을 어떻게 완화할 수 있는가?
• RQ3 어떻게 어텐션과 변수 선택 메커니즘이 고차원적이고 동적인 금융 특징 공간에서의 해석 가능성 향상에 기여하는가?
• RQ4 DINs의 성능는 다양한 자산 유형에서 어떻게 변화하는가? 각 자산 유형에 가장 적합한 특징 추출기는 무엇인가?
• RQ5 포트폴리오 수준의 딥 러닝 전략에서 모델 복잡도, 계산 비용, 성능 간의 상충 관계는 어떠한가?

주요 결과

• DIN 모델(OrigCIM x TFT)은 다자산 선물 데이터(2005–2022)에서 샤프 지수 2.95를 기록하였으며, 거래비용을 고려하지 않은 등가 가중치 장기 보유 전략 대비 10배 이상 향상된 성능이다.
• 비례 거래비용 모델 기준으로 최대 4.82 bps까지의 모든 거래비용 수준에서 기존의 전통적 및 머신러닝 벤치마크를 모두 압도한다.
• 최적의 특징 추출기는 자산 유형에 따라 달라진다: 고상관관계가 높은 주식 및 암호화자산에서는 DeepLOB이 가장 우수하고, 더 복잡한 교차단위 역학을 보이는 선물 및 FX에서는 OrigCIM과 FlexCIM이 우월하다.
• 모델 내 어텐션 메커니즘은 현재 환경와 가장 유사한 과거 수익률 패턴을 식별하여 암묵적인 제도적 적응과 더 높은 강건성을 가능하게 한다.
• 변수 선택 네트워크(VSN) 가중치는 특징 중요도의 동적 이동을 드러내며, 예를 들어 글로벌 금융위기 기간 동안 시계열 모멘텀 특징에 대한 의존도가 증가하는 경향을 보인다.
• 포지션 사이저에서 모델 복잡도는 LSTM 기준 O(z^1.24), TFT 기준 O(z^1.71)로 증가하며, FlexCIM 특징 추출기의 복잡도는 자산 수에 영향을 받지 않아 확장성이 보장된다.