[논문 리뷰] Deep Recurrent Factor Model: Interpretable Non-Linear and Time-Varying Multi-Factor Model

Kei Nakagawa, Tomoki Ito외 2명|arXiv (Cornell University)|2019. 01. 20.

Stock Market Forecasting Methods참고 문헌 27인용 수 9

한 줄 요약

이 논문은 장기 숏텀 메모리(LSTM) 네트워크를 사용하여 선형 다중요인 모델을 비선형적이고 시간에 따라 변하는 형태로 확장하는 딥 리current 팩터 모델을 제안한다. 이와 동시에 레이어별 중요도 전파(LRP)를 적용하여 해석 가능성을 확보한다. 일본 주식 데이터에 대해 선형 모델과 완전 연결형 딥 러닝 모델보다 뛰어난 예측 성능를 기록하며, 기관 투자자가 사용할 수 있는 높은 정확도와 투명성을 동시에 확보한다.

ABSTRACT

A linear multi-factor model is one of the most important tools in equity portfolio management. The linear multi-factor models are widely used because they can be easily interpreted. However, financial markets are not linear and their accuracy is limited. Recently, deep learning methods were proposed to predict stock return in terms of the multi-factor model. Although these methods perform quite well, they have significant disadvantages such as a lack of transparency and limitations in the interpretability of the prediction. It is thus difficult for institutional investors to use black-box-type machine learning techniques in actual investment practice because they should show accountability to their customers. Consequently, the solution we propose is based on LSTM with LRP. Specifically, we extend the linear multi-factor model to be non-linear and time-varying with LSTM. Then, we approximate and linearize the learned LSTM models by LRP. We call this LSTM+LRP model a deep recurrent factor model. Finally, we perform an empirical analysis of the Japanese stock market and show that our recurrent model has better predictive capability than the traditional linear model and fully-connected deep learning methods.

연구 동기 및 목표

• 금융 시장의 비선형적이고 시간에 따라 변하는 동적 특성을 포착하는 데에 한계가 있는 선형 다중요인 모델의 문제점을 해결하기 위해.
• 기존의 선형 모델과 완전 연결형 딥 러닝 접근 방식을 초월하여 주가 수익률 모델의 예측 정확도를 향상시키기 위해.
• LSTM 기반 모델에 레이어별 중요도 전파(LRP)를 적용하여 금융 분야의 딥 러닝 모델의 해석 가능성을 확보하기 위해.
• 기관 투자자가 책임감 있는 방식으로 고급 머신러닝 모델을 사용할 수 있도록, '블랙박스 문제'를 해결하기 위해.
• 실제 일본 주식 시장 데이터를 기반으로 모델의 성능을 경험적으로 검증하기 위해.

제안 방법

• 선형 다중요인 모델의 선형 변환을 딥 LSTM 네트워크로 대체하여 비선형적이고 시간에 따라 변하는 요인 부담도를 포착한다.
• 과거의 요인 노출도와 수익률을 시간에 따라 처리하는 시퀀스 모델링 접근 방식을 사용하여 동적 관계를 학습한다.
• 레이어별 중요도 전파(LRP)를 적용하여 LSTM 모델의 예측을 근사하고 선형화함으로써 특성 중요도를 해석 가능하게 한다.
• 주가 수익률 예측을 목표로 하여 엔드 투 엔드 LSTM 모델을 훈련시키며, LRP는 후행적으로 예측을 설명하는 데 사용된다.
• 딥 러닝의 예측 능력과 LRP의 해석 가능성의 장점을 결합한 하이브리드 아키텍처를 활용한다.
• 일본 주식 시장 데이터 세트를 기반으로 모델을 검증하며, 선형 모델과 완전 연결형 딥 러닝 기준 모델과의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 LSTM 기반 모델이 선형 다중요인 모델보다 주가 수익률 예측 정확도를 향상시킬 수 있는가?
• RQ2 LSTM를 통해 시간에 따라 변하는 비선형 요인 부담도를 통합하면 정적 모델이나 완전 연결형 딥 러닝 모델보다 더 나은 성능을 내는가?
• RQ3 레이어별 중요도 전파(LRP)가 금융 분야의 LSTM 기반 다중요인 모델 예측을 효과적으로 설명할 수 있는가?
• RQ4 제안된 모델가 뛰어난 예측 성능를 달성하면서도 어느 정도의 해석 가능성을 유지하는가?
• RQ5 딥 리current 팩터 모델이 실세계의 일본 주식 시장 데이터에서 실제로 어떻게 성능을 발휘하는가?

주요 결과

• 딥 리current 팩터 모델은 일본 주식 시장 데이터에서 기존의 선형 다중요인 모델보다 유의미하게 뛰어난 주가 수익률 예측 성능를 기록한다.
• 완전 연결형 딥 러닝 모델보다도 더 뛰어난 예측 성능를 달성함으로써, LSTM를 활용한 시퀀스 모델링의 장점이 있음을 시사한다.
• LRP는 LSTM 모델의 예측에 대해 설명 가능한 해석을 제공하며, 입력 요인에 대한 중요도 점수를 할당한다.
• 모델의 시간에 따라 변하는 비선형적 특성 덕분에 정적 모델보다 동적 시장 제도를 더 효과적으로 포착할 수 있다.
• 경험적 결과는 LSTM와 LRP의 조합이 정확도와 투명성을 모두 확보한 모델을 만들어내며, 기관 투자용으로 적합하다는 것을 확인한다.
• 실제 금융 데이터에서 모델의 강건성과 일반화 능력이 입증되어 실용적 적용 가능성이 확인된다.