[논문 리뷰] Deep Learning in Finance

J.B. Heaton, Nicholas G. Polson외 1명|arXiv (Cornell University)|2016. 02. 21.

Stock Market Forecasting Methods참고 문헌 21인용 수 53

한 줄 요약

이 논문은 금융 예측 및 분류를 위한 딥 러닝 계층적 모델을 제안하며, 전통적인 금융 모델이 놓치는 복잡한 비선형 데이터 상호작용을 식별하기 위해 딥 네ural 웹을 활용한다. 이는 딥 러닝이 인덱스 복제 및 자산 가격 책정 분야에서 특히 뛰어난 성능을 보이며, 시장 데이터의 강력하고 압축된 표현을 학습함으로써 기존 모델을 능가함을 보여준다.

ABSTRACT

We explore the use of deep learning hierarchical models for problems in financial prediction and classification. Financial prediction problems -- such as those presented in designing and pricing securities, constructing portfolios, and risk management -- often involve large data sets with complex data interactions that currently are difficult or impossible to specify in a full economic model. Applying deep learning methods to these problems can produce more useful results than standard methods in finance. In particular, deep learning can detect and exploit interactions in the data that are, at least currently, invisible to any existing financial economic theory.

연구 동기 및 목표

• 금융 예측에서 고차원적이고 복잡한 비선형 상호작용을 다루는 데에 한계가 있는 전통적 금융 모델의 문제점을 해결하기 위해.
• 제약적인 경제적 가정에 의존하지 않고도 대규모 금융 데이터셋으로부터 계층적 비선형 특징을 학습할 수 있는 딥 러닝 프레임워크를 개발하기 위해.
• 딥 네럴 웹과 오토인코더를 활용해 강력한 특징 추출 및 인덱스 근사화를 통해 금융 분야의 샘플 외 예측 성능을 향상시키기 위해.
• 기존 이론적 모델보다 딥 러닝이 복잡한 시장 역학을 더 정확하게 모델링할 수 있는지, 그리고 시장 효율성 가정을 도전할 수 있는지 탐구하기 위해.

제안 방법

• 입력 데이터로부터 고차원적 특징을 추출하기 위해 가중치 행렬과 편향 항을 사용하는 다층 비선형 변환을 갖는 딥 네럴 웹을 활용한다.
• 고차원 주식 데이터를 저차원 잠재 공간으로 압축하기 위해 희박성 제약(ρ = 0.01)이 적용된 오토인코더를 사용한다. 이는 주식 간의 공통 정보를 유지한다.
• 선택된 주식 세트에서 S&P500 인덱스를 근사하기 위해 (4,2) 은닉층을 갖는 딥 피드포워드 네트워크(DFP)를 적용한다.
• 주식을 재구성된 복원과의 유사도 기반으로 순위를 매겨 공통 정보 함량이 가장 높은 주식을 선별함으로써 인덱스 복제를 위한 강력한 기반을 형성한다.
• 비선형 특징의 계층적 조합을 통해 예측을 최적화함으로써 목표 금융 변수를 고정밀도로 근사한다.
• 내생적 적합도 성능과 샘플 외 일致성 간의 비교를 통해 일반화 능력이 순수 내생적 정확도보다 중요함을 강조한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 전통적인 금융경제학 이론이 인식하지 못하는 금융 데이터 내 복잡한 비선형 상호작용을 탐지하고 활용할 수 있는가?
• RQ2 딥 러닝 모델의 성능은 기존 모델 대비 샘플 외 금융 예측 과제(예: 인덱스 복제)에서 어떻게 비교되는가?
• RQ3 오토인코딩 기법을 통해 S&P500과 같은 광범위한 시장 인덱스를 근사하는 데 유용한 소수의 주식 집합을 식별할 수 있는가?
• RQ4 딥 피드포워드 네트워크(DFP)의 뛰어난 내생적 적합도가 샘플 외 성능 향상으로 이어지는가, 아니면 과적합의 위험을 동반하는가?
• RQ5 딥 러닝이 근사적으로 임의로 작은 오차로 자산 가격 책정을 가능하게 함으로써 기존 이론 모델에 도전할 수 있는 정도는 어느 정도인가?

주요 결과

• 딥 러닝 모델은 금융 데이터 내 복잡한 비선형 상호작용을 더 잘 포착함으로써 예측 정확도를 향상시킨다.
• 공통 정보 함량 기반으로 순위가 매겨진 10개 주식을 사용한 오토인코더는 20개 주식으로 훈련된 DFP 모델보다 S&P500의 샘플 외 근사 성능이 더 일관되게 유지된다.
• DFP 모델은 뛰어난 내생적 적합도를 달성했지만 샘플 외 일관성이 떨어져 높은 유연성에도 불구하고 과적합의 위험이 있음을 시사한다.
• 딥 오토인코더 기반의 모델은 다양한 샘플 외 기간(2010/11 및 2012/13) 동안 안정된 복제 성능을 유지하며 뛰어난 강건성을 보였다.
• 딥 러닝 모델은 인덱스 수익률과 같은 금융 목표 변수를 근사적으로 임의로 작은 오차로 근사할 수 있어 기존 이론 모델에 도전할 잠재력을 보인다.
• 딥 러닝의 계층적 비선형 특징 추출 방식은 데이터 복잡성이 이론적 모델링 능력을 초과할 경우 기존 모델보다 더 우수한 일반화 능력을 제공한다.