[논문 리뷰] Equity2Vec: End-to-end Deep Learning Framework for Cross-sectional Asset Pricing

Qingyao Wu, Christopher G. Brinton외 4명|arXiv (Cornell University)|2019. 09. 07.

Banking stability, regulation, efficiency인용 수 5

한 줄 요약

Equity2Vec는 뉴스 동시 언급을 활용하여 그래프 기반 임베딩 방법을 통해 동적 및 정적 주식 관계를 학습하고, 이질적 데이터 소스(기술적 요소, 뉴스 신호, 교차구조적 신호)를 통합함으로써 교차구조적 자산 가격 설정을 위한 엔드 투 엔드 딥러닝 프레임워크를 제안한다. 이 프레임워크는 수익 예측에서 최첨단 모델을 능가하며, 백테스트 시뮬레이션에서 뚜렷한 수익 창출 능력을 보여준다.

ABSTRACT

Pricing assets has attracted significant attention from the financial technology community. We observe that the existing solutions overlook the cross-sectional effects and not fully leveraged the heterogeneous data sets, leading to sub-optimal performance. To this end, we propose an end-to-end deep learning framework to price the assets. Our framework possesses two main properties: 1) We propose Equity2Vec, a graph-based component that effectively captures both long-term and evolving cross-sectional interactions. 2) The framework simultaneously leverages all the available heterogeneous alpha sources including technical indicators, financial news signals, and cross-sectional signals. Experimental results on datasets from the real-world stock market show that our approach outperforms the existing state-of-the-art approaches. Furthermore, market trading simulations demonstrate that our framework monetizes the signals effectively.

연구 동기 및 목표

• 기존 자산 가격 설정 모델이 교차구조적 영향을 忽시하고 이질적 데이터 소스를 충분히 활용하지 못하는 데 대한 한계를 해결하기 위해.
• 정적(산업군, 공급망) 및 동적(변화하는 투자자 심리) 주식 관계를 모두 반영하는 주식 표현 방법을 개발하기 위해.
• 뉴스 기반 신호, 기술적 지표, 교차구조적 신호를 통합하여 향상된 수익률 예측을 위한 유일한 딥러닝 모델을 구축하기 위해.
• 실제 시장 거래 시뮬레이션을 통해 예측 신호의 효과적인 상용화를 가능하게 하기 위해.

제안 방법

• Equity2Vec는 장기적인 뉴스 동시 언급에서 유도한 글로벌 주식 동시 발생 행렬을 통해 행렬 분해를 활용해 정적이고 장기적인 주식 관계를 추출한다.
• 노드가 주식을 나타내고, 간선이 변화하는 동시 언급 관계를 나타내는 동적 주식 그래프를 구축함으로써 교차구조적 신호를 전파할 수 있도록 한다.
• 그래프 신경망(GNN) 기반의 메시지 전파를 활용해 이웃 주식에 기반해 주식 임베딩을 업데이트함으로써 변화하는 시장 상호의존성을 포착한다.
• 학습된 주식 임베딩과 기술적 지표, 뉴스 심리 신호를 통합하여 최종 수익률 예측을 위한 유일한 딥 네트워크로 융합한다.
• 2009~2018년 중국 주식시장의 실제 데이터를 사용해 엔드 투 엔드로 학습되며, 3,600개 이상의 주식을 포함한다.
• 시장 시뮬레이션 프레임워크를 통해 예측된 신호를 바탕으로 모델의 수익성과 실현 가능성을 평가함으로써 실제 상용화 잠재력을 검증한다.

실험 결과

연구 질문

• RQ1 뉴스 동시 언급에서 정적 및 동적 주식 관계를 효과적으로 모델링하여 자산 가격 설정을 향상시킬 수 있는가?
• RQ2 뉴스, 기술적 요소, 교차구조적 신호 등 이질적 데이터 소스를 통합한 통합 딥러닝 프레임워크가 기존 모델보다 교차구조적 수익률 예측에서 뛰어난 성능을 보일 수 있는가?
• RQ3 학습된 주식 임베딩이 알려진 금융 산업군 분류 및 경제적 관계와 얼마나 잘 일치하는가?
• RQ4 모델의 예측 신호가 시뮬레이션된 거래 환경에서 효과적으로 상용화될 수 있는가?

주요 결과

• Equity2Vec는 실제 중국 주식시장 데이터를 바탕으로 최첨단 모델을 크게 능가하는 교차구조적 수익률 예측 성능을 보이며, 뛰어난 예측 정확도를 입증한다.
• 백테스트 거래 시뮬레이션에서 더 높은 누적 수익률과 샤프 비율을 달성하여 모델의 신호 상용화 능력이 효과적임을 확인한다.
• Equity2Vec를 통해 학습된 주식 임베딩은 상업적 리스크 모델 산업군 분류와 잘 일치하여 경제적 해석 가능성의 타당성을 입증한다.
• 동적 그래프 전파를 통해 소매 투자자 심리(예: 2021년 게임스톱, AMC)에 의해 유도되는 공동 움직임과 같은 변화하는 시장 역학을 효과적으로 포착한다.
• 뉴스 동시 언급은 산업군 및 공급망 연결을 포함한 잠재적 주식 관계에 대한 강력한 대체 지표임이 입증되었으며, 이는 가격 움직임의 동기화로 확인된다.
• 뉴스, 기술적 요소, 교차구조적 신호 등 다양한 데이터 소스의 통합은 단일 데이터 유형에 의존하는 모델보다 뛰어난 성능을 낳는다.