[논문 리뷰] Deep Learning for Predicting Asset Returns

Guanhao Feng, Jingyu He외 1명|arXiv (Cornell University)|2018. 04. 25.

Stock Market Forecasting Methods참고 문헌 33인용 수 23

한 줄 요약

이 논문은 다층 비선형 요소—특히 ReLU 및 LSTM 네트워크를 사용한 딥러닝 프레임워크를 제안하여 주식 수익률의 샘플 외 예측 성능을 향상시킨다. 기존 선형 모델보다 뛰어난 성능을 보이며, 딥러닝이 특성 공간 내의 비선형 관계를 포착함으로써 수익률 극단값에서 특히 효과적임을 입증한다. stochastic gradient descent와 TensorFlow를 사용한 최적화 및 모델 훈련을 통해 Welch와 Goyal(2008) 데이터셋에서 뛰어난 예측 성능을 달성한다.

ABSTRACT

Deep learning searches for nonlinear factors for predicting asset returns. Predictability is achieved via multiple layers of composite factors as opposed to additive ones. Viewed in this way, asset pricing studies can be revisited using multi-layer deep learners, such as rectified linear units (ReLU) or long-short-term-memory (LSTM) for time-series effects. State-of-the-art algorithms including stochastic gradient descent (SGD), TensorFlow and dropout design provide imple- mentation and efficient factor exploration. To illustrate our methodology, we revisit the equity market risk premium dataset of Welch and Goyal (2008). We find the existence of nonlinear factors which explain predictability of returns, in particular at the extremes of the characteristic space. Finally, we conclude with directions for future research.

연구 동기 및 목표

• 선형 모델의 덧셈적 조합이 아닌 비선형이고 계층적인 요소를 사용한 딥러닝 기반 자산 수익률 예측 방법을 개발하는 것.
• 딥러닝이 경제적 특성 내 비선형성을 포착함으로써 샘플 외 예측 성능을 향상시킬 수 있는지, 특히 경제적 특성 내 비선형성을 포착하는 데 있어 실증 자산 가격 정책에서의 성능 향상을 평가하는 것.
• 주식 프리미엄과 마켓 크래시를 예측하는 데 있어 기존의 OLS, Ridge, Lasso, Elastic Net 및 트리 기반 모델과의 비교를 통해 딥러닝의 성능을 평가하는 것.
• 특히 인과관계와 모델 투명성 측면에서 딥러닝의 해석 가능성과 한계를 탐색하는 것.

제안 방법

• 다양한 은닉층을 포함한 딥 네ural 네트워크 아키텍처를 사용하며, 각 은닉층은 입력값의 가중 조합에 비선형 활성화 함수(예: ReLU)를 적용한다.
• 효율적인 훈련과 하이퍼파ram터 튜닝을 위해 TensorFlow 기반의 확률적 경량 하강법(SGD)을 사용한다.
• 고차원 예측 변수 공간에서 과적합을 방지하고 일반화 성능을 향상시키기 위해 드롭아웃 정규화를 적용한다.
• 32, 16, 8 뉴런을 가진 3층의 딥 다이나믹 요인 모델을 구성하여 배당수익률 비율 및 수익률 비율과 같은 경제 예측 변수에서 잠재 비선형 요인을 추출한다.
• 다양한 모델 유형의 샘플 외 R² 성능 평가를 위해 이동 평균 및 누적 윈도우를 모두 적용한다.
• 월간 수익률이 -10% 미만인 마켓 크래시를 이진 분류 작업으로 수행할 때 딥러닝과 트리 기반 모델(CART, 부스팅, 랜덤 포레스트)을 비교한다.

실험 결과

연구 질문

• RQ1 비선형 복합 요소를 갖춘 딥러닝 모델이 선형 모델 대비 샘플 외 주식 수익률 예측 성능을 향상시킬 수 있는가?
• RQ2 딥러닝 모델이 특성 공간 내 비선형 관계, 특히 수익률 분포의 극단에서 이를 탐지하고 활용할 수 있는가?
• RQ3 딥러닝은 마켓 크래시를 예측하는 데 있어 기존 정규화 방법(Lasso, Ridge 등)과 트리 기반 모델에 비해 어떻게 비교되는가?
• RQ4 ReLU 및 LSTM에 의한 계층적 비선형 요인 추출이 자산 가격 정책 예측 정확도 향상에 어떤 역할을 하는가?

주요 결과

• 특히 DL2 및 DL3 모델이 일개월 주식 수익률 예측에서 선형 모델(OLS, Ridge, Lasso)과 정규화 방법(ElasticNet)보다 더 높은 샘플 외 R² 값을 기록한다.
• 3개의 은닉층(32, 16, 8 뉴런)을 가진 딥러닝 모델은 배당수익률 비율(d/p)과 배당수익률(d/y)과 같은 핵심 예측 변수와 강한 비선형 관계를 보이는 8개의 잠재 비선형 요인을 생성한다.
• 딥러닝은 트리 기반 모델(CART, 부스팅, 랜덤 포레스트)보다 꼬리 행동을 더 잘 포착하며, 랜덤 포레스트보다 더 많은 마켓 크래시를 예측하지만, 모든 모델이 실제 크래시를 과소 예측한다.
• 모델는 더 뛰어난 내재 적합도와 극단적 시장 움직임의 더 나은 분류 성능를 보이며, 이는 비선형 리스크 요인 탐지 능력 향상을 시사한다.
• 해석 가능성의 한계와 인과 추론의 부재에도 불구하고, 딥러닝은 실증 자산 가격 정책에서 전통적인 덧셈적 요인 모델에 대한 강력한 대안을 제공한다.