[논문 리뷰] Evaluation of a Supervised Learning Approach for Stock Market Operations

Marcelo de Souza Lauretto, Barbara B. C. Silva외 1명|arXiv (Cornell University)|2013. 01. 21.

Stock Market Forecasting Methods참고 문헌 6인용 수 4

한 줄 요약

이 논문은 랜덤 포레스트(랜덤 포레스트)를 사용하여 주식 시장 거래를 예측하는 지도 학습 방법을 평가한다. 강력한 성능을 보이며 수익성 있는 매수/매도 신호를 식별하는 데 성공했으며, 거래당 높은 성공률과 안정적인 수익률을 기록하여 알고리즘 트레이딩 분야에서의 추가 연구 가능성을 시사한다.

ABSTRACT

Data mining methods have been widely applied in financial markets, with the purpose of providing suitable tools for prices forecasting and automatic trading. Particularly, learning methods aim to identify patterns in time series and, based on such patterns, to recommend buy/sell operations. The objective of this work is to evaluate the performance of Random Forests, a supervised learning method based on ensembles of decision trees, for decision support in stock markets. Preliminary results indicate good rates of successful operations and good rates of return per operation, providing a strong motivation for further research in this topic.

연구 동기 및 목표

• 랜덤 포레스트가 주식 시장 거래 의사결정을 뒷받기는데 얼마나 효과적인지 평가하는 것.
• 지도 학습 방법이 금융 시계열에서 수익성 있는 거래 패턴을 신뢰성 있게 식별할 수 있는지 판단하는 것.
• 앙상블 기반 결함 트리의 성능이 주식 시장 거래 예측에 어떻게 작용하는지 평가하는 것.
• 기계 학습이 자동 거래 시스템에서 실현 가능성을 뒷받기할 실증적 증거를 제공하는 것.

제안 방법

• 연구는 랜덤 포레스트를 사용한다. 랜덤 포레스트는 여러 개의 결정 트리를 조합하여 예측 정확도를 향상시키는 지도 학습 알고리즘이다.
• 과거의 시장 행동을 학습하기 위해 주식 가격 및 거래량 데이터에서 특징을 추출한다.
• 학습된 패턴을 바탕으로 각 시간 단위를 매수, 매도, 홀드로 분류하도록 모델을 훈련시킨다.
• 성능 평가에는 성공률 및 거래당 평균 수익률과 같은 지표를 사용한다.
• 랜덤 포레스트의 앙상블 특성 덕분에 과적합을 줄이고 금융 시계열에 대한 일반화 능력이 향상된다.

실험 결과

연구 질문

• RQ1 랜덤 포레스트는 주식 시장 데이터에서 수익성 있는 거래 기회를 효과적으로 식별할 수 있는가?
• RQ2 다양한 시장 조건에서 성공률 및 거래당 평균 수익률은 어떻게 비교되는가?
• RQ3 랜덤 포레스트의 앙상블 방식이 금융 예측에서 단일 결정 트리보다 얼마나 뛰어나게 작용하는가?
• RQ4 모델의 예측은 시간이 지남에 따라 얼마나 안정적이고 신뢰할 수 있는가?

주요 결과

• 랜덤 포레스트 모델은 높은 성공 거래 비율을 기록하여 강력한 예측 능력을 보였다.
• 모델은 양호한 거래당 평균 수익률을 생성하여 재정적 실현 가능성을 입증했다.
• 초기 결과는 모델이 의사결정 지원을 위한 금융 시계열 패턴을 효과적으로 학습할 수 있음을 보여주었다.
• 성능 결과는 알고리즘 트레이딩 시스템에서 앙상블 학습 방법의 추가 탐색을 뒷받기한다.