[논문 리뷰] DeepFolio: Convolutional Neural Networks for Portfolios with Limit Order Book Data

Aiusha Sangadiev, Rodrigo Rivera-Castro외 6명|arXiv (Cornell University)|2020. 08. 27.

Financial Markets and Investment Strategies참고 문헌 22인용 수 4

한 줄 요약

DeepFolio는 한정된 주문도서(LOB) 데이터로부터 가격 움직임을 예측하고, 이러한 예측을 바탕으로 동적 투자 포트폴리오를 최적화하는 1차원 컨volutional 신경망(CNN) 기반 모델을 제안한다. 이는 벤치마크 FI-2010 LOB 및 암호자산 데이터셋에서 최신 기술인 DeepLOB를 능가하며, 특히 데이터가 부족한 조건과 시장 급변기 동안 뛰어난 정확도와 샤프 지수를 달성한다.

ABSTRACT

This work proposes DeepFolio, a new model for deep portfolio management based on data from limit order books (LOB). DeepFolio solves problems found in the state-of-the-art for LOB data to predict price movements. Our evaluation consists of two scenarios using a large dataset of millions of time series. The improvements deliver superior results both in cases of abundant as well as scarce data. The experiments show that DeepFolio outperforms the state-of-the-art on the benchmark FI-2010 LOB. Further, we use DeepFolio for optimal portfolio allocation of crypto-assets with rebalancing. For this purpose, we use two loss-functions - Sharpe ratio loss and minimum volatility risk. We show that DeepFolio outperforms widely used portfolio allocation techniques in the literature.

연구 동기 및 목표

• 기존의 LOB 기반 가격 예측 모델의 한계, 특히 데이터 부족에 대한 민감도와 일반화 능력 부족 문제를 해결하기 위해.
• LOB 데이터 내의 시공간 패턴을 효과적으로 포착할 수 있는 딥러닝 프레임워크를 개발하여 가격 추세 예측 성능을 향상시키기 위해.
• 가격 예측을 실질적인 포트폴리오 관리로 확장하기 위해, 예측 결과를 동적이고 재균형화 가능한 투자 전략에 통합하기 위해.
• 고스펙리티가 높은 암호자산 시장과 위기 기간을 포함한 다양한 시장 조건에서 DeepFolio의 성능을 평가하기 위해.
• 포트폴리오 최적화에 사용되는 다양한 손실 함수—샤프 지수와 최소 변동성—의 효용성을 비교하기 위해.

제안 방법

• 원시 한정된 주문도서(LOB) 데이터를 처리하기 위해 1차원 컨volutional 신경망(CNN) 아키텍처를 활용하여 구매 및 매도 수준의 계층적 가격 및 거래량 패턴을 추출한다.
• 시간 순서 텐서 형태로 LOB 데이터를 처리하여 다양한 가격 수준의 매수 및 매도 대기열을 표현함으로써 가격 움직임 신호의 엔드 투 엔드 학습을 가능하게 한다.
• 대규모 고유동성 데이터셋(FI-2010)에서 사전 학습하고, 작은 암호자산 데이터셋에서 미세조정함으로써 데이터 부족 조건에서의 일반화 능력을 향상시키기 위해 전이학습을 활용한다.
• 두 가지 별도의 손실 함수를 통해 가격 예측을 포트폴리오 최적화에 통합한다: 샤프 지수 최대화 및 최소 변동성 리스크 최소화.
• 매 50분마다 재균형 전략을 적용하여 예측 수익률에 기반해 포트폴리오 가중치를 업데이트하며, 곱셈 수익률 업데이트 규칙를 사용한다: $ p_t = p_{t-1} \cdot \frac{r_t}{r_{t-1}} \cdot w_{t-1} $.
• 분류 작업을 위해 교차 엔트로피 손실을 사용하여 가격 방향(상승/하락)을 예측하고, 포트폴리오 성과를 향상시키기 위해 리스크 조정된 목표 함수로 최종 레이어를 미세조정한다.

실험 결과

연구 질문

• RQ1 DeepFolio와 같이 딥 CNN 기반 모델이 데이터가 부족한 조건에서 기존 최신 기술인 DeepLOB보다 LOB 데이터로부터 가격 움직임을 더 잘 예측할 수 있는가?
• RQ2 전이학습이 저유동성·고스펙리티가 높은 암호자산 시장에 적용되었을 때 LOB 기반 모델의 일반화 능력을 얼마나 향상시킬 수 있는가?
• RQ3 딥러닝 예측 결과를 리스크 조정된 손실 함수(예: 샤프 지수)를 사용해 포트폴리오 최적화에 통합할 경우, 전통적 방법에 비해 향상된 포트폴리오 성과를 달성할 수 있는가?
• RQ4 COVID-19 위기 기간 동안 DeepFolio는 기준 포트폴리오 전략에 비해 어떤 성능을 보이는가?
• RQ5 포트폴리오 할당 정책 학습에 사용될 때, 샤프 지수 또는 최소 변동성 손실 함수 중 어느 것이 더 뛰어난 리스크 조정된 수익률을 제공하는가?

주요 결과

• FI-2010 벤치마크에서 1분 예측 수평에서 DeepFolio는 89.9% 정확도, 93.14% 정밀도, 89.9% 재현율, 90.4% F1 점수를 기록하여 DeepLOB의 86.69% 정확도 및 87.44% F1 점수를 능가한다.
• 암호자산 데이터셋에서 20분 예측 수평에서 DeepFolio는 F1 점수를 4.56%p 향상시켜 57.6%에서 61.57%로 개선했으며, 데이터 부족 조건에서도 뛰어난 강건성을 입증했다.
• 전이학습 덕분에 DeepFolio는 예측된 암호자산에 대해 강력한 성능을 유지하며, 과적합이 아닌 일반적인 LOB 패턴을 학습한 것으로 나타났다.
• 샤프 지수 손실을 사용한 DeepFolio는 테스트 세트에서 최고의 샤프 지수(0.053069)와 평균 수익률(0.040126)을 기록했으며, Markowitz(SR: 0.025998), 1/n(0.040234), MV 손실을 사용한 DeepFolio(0.041746)를 모두 능가했다.
• 누적 로그 수익률 분석 결과, COVID-19 위기 기간(2020년 2월 이후) 동안 샤프 지수 손실을 사용한 DeepFolio가 가장 뛰어난 성능을 보였으며, 시장 급변기에서도 내구성을 입증했다.
• 모든 예측 수평(k=1에서 k=20까지)에서 강력한 성능 유지를 기록했으며, 특히 장기 수평에서 재현율과 F1 점수에서 뚜렷한 개선이 관찰되었다.