[논문 리뷰] Deep Stock Representation Learning: From Candlestick Charts to Investment Decisions

Guosheng Hu, Yuxin Hu외 9명|arXiv (Cornell University)|2017. 09. 12.

Stock Market Forecasting Methods참고 문헌 17인용 수 4

한 줄 요약

이 논문은 합성 캔들스틱 차트에서 비선형성과 이동 불변성을 갖는 주식 표현을 학습하기 위해 컨volutional Autoencoder(모델명: CAE)를 사용하는 딥러닝 기반 투자 전략을 제안한다. 이는 모듈래리티 최적화를 통한 주식 군집화와 각 군집 내 최고의 샤프레 비율 주식을 선택하여 위험 조정 수익률이 높은 포트폴리오를 구성함으로써 향상된 성과를 달성한다. 이 방법은 2,000~4,000 거래일 동안 FTSE 100 지수와 여러 유명 펀드를 능가하며 총 수익률 283.5%와 일일 샤프레 비율 0.50을 기록했다.

ABSTRACT

We propose a novel investment decision strategy (IDS) based on deep learning. The performance of many IDSs is affected by stock similarity. Most existing stock similarity measurements have the problems: (a) The linear nature of many measurements cannot capture nonlinear stock dynamics; (b) The estimation of many similarity metrics (e.g. covariance) needs very long period historic data (e.g. 3K days) which cannot represent current market effectively; (c) They cannot capture translation-invariance. To solve these problems, we apply Convolutional AutoEncoder to learn a stock representation, based on which we propose a novel portfolio construction strategy by: (i) using the deeply learned representation and modularity optimisation to cluster stocks and identify diverse sectors, (ii) picking stocks within each cluster according to their Sharpe ratio (Sharpe 1994). Overall this strategy provides low-risk high-return portfolios. We use the Financial Times Stock Exchange 100 Index (FTSE 100) data for evaluation. Results show our portfolio outperforms FTSE 100 index and many well known funds in terms of total return in 2000 trading days.

연구 동기 및 목표

• 기존 주식 유사도 측정 방법의 한계, 즉 선형성, 높은 데이터 의존성, 이동 불변성 부족 문제를 해결하기 위해.
• 다양한 부문으로의 시장 세분화를 가능하게 하는 데이터 기반의 결정론적 방법을 개발하여 포트폴리오 다각화를 향상시키기 위해.
• 주가 시간열의 깊이 있는 시각적 표현을 활용하여 포트폴리오 구성에 있어 투자 성과를 향상시키기 위해.
• 실제 금융 응용에 적합한 안정적이고 반복 가능하며 위험을 관리하는 전략을 제공하기 위해.

제안 방법

• 주식 가격 시간열(시가, 고가, 저가, 종가)을 4채널로 변환하여 시각적 표현을 위한 합성 캔들스틱 차트로 변환한다.
• 수백만 개의 합성 캔들스틱 이미지에 대해 비지도 학습 방식으로 컨volutional Autoencoder(CAE)를 훈련시어 깊이 있는, 압축된, 의미가 풍부한 주식 표현을 학습한다.
• 학습된 깊이 있는 특징을 사용하여 주식 유사도를 계산하고, 기존의 공분산과 같은 선형 측정 방법을 대체한다.
• 모듈래리티 최적화—초기 네트워크 분석을 위해 개발된 결정론적 커뮤니티 탐지 방법—를 적용하여 깊이 있는 특징을 기반으로 다각도의 데이터 기반 부문으로 주식을 군집화한다.
• 각 군집 내에서 샤프레 비율이 가장 높은 주식을 선택하여 포트폴리오를 구성함으로써 위험 조정 수익률을 극대화한다.
• 2,000~4,000 거래일 동안 FTSE 100 지수를 대상으로 전략을 평가하여 벤치마크 및 유명 펀드와의 성과를 비교한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반의 캔들스틱 차트 시각적 표현이 원시 시간열보다 주가 시간열의 비선형성 및 이동 불변 패턴을 더 효과적으로 포착할 수 있는가?
• RQ2 딥 특징을 기반으로 한 모듈래리티 최적화 기반 군집화가 k-means나 기타 비결정론적 군집화 방법보다 더 안정적이고 다각도적인 포트폴리오 세분화를 가능하게 하는가?
• RQ3 딥 특징을 기반으로 각 군집 내 최고의 샤프레 비율 주식을 선택하여 구성한 포트폴리오가 총 수익률과 위험 조정 수익률 측면에서 FTSE 100 지수와 주요 펀드를 능가할 수 있는가?
• RQ4 유사도 기반 군집화 및 투자 전략에서 원시 시간열에 비해 깊이 있는 특징이 포트폴리오 성과를 얼마나 향상시키는가?

주요 결과

• 제안된 방법은 4,000 거래일 동안 총 수익률 283.5%를 기록하여 FTSE 100 지수와 원시 시간열 기반 기준선(208.8%)을 크게 뛰어넘었다.
• 딥 특징과 모듈래리티 군집화를 사용한 일일 샤프레 비율 0.50은 원시 시간열 기준선(0.44)과 k-means 군집화(0.49)를 모두 초월하여 더 나은 위험 조정 수익률을 나타냈다.
• 최대 손실률 -60.5%를 기록하여 원시 시간열 기준선(-55.6%)보다 낮아 위험 관리 능력 향상을 입증했다.
• 2,000일 평가 기간 동안 총 수익률 215.4%와 일일 샤프레 비율 0.80을 달성하여, 상위 펀드인 PXI(152.2% 수익률, 0.60 샤프레 비율)를 포함한 모든 비교 펀드를 뛰어넘었다.
• 연간 수익률을 기록한 연도 비율이 69.52%로 대부분의 펀드를 능가했으며, 다양한 시장 조건에서도 뛰어난 안정성을 보였다.
• 모듈래리티 기반 군집화 방법은 k-means와 달리 비결정론적이지 않아 재현 가능성이 높고, 랜덤 초기화로 인한 결과의 비재현 가능성 문제를 해결했다.