[논문 리뷰] Financial Time Series Prediction Using Deep Learning

Ariel Navon, Yosi Keller|arXiv (Cornell University)|2017. 11. 11.

Stock Market Forecasting Methods참고 문헌 22인용 수 3

한 줄 요약

이 논문은 원시 주식 및 ETF 가격 데이터에서 직접 재무 시계열 추세를 예측하는 엔드 투 엔드 딥 러닝 모델을 제안한다. 신경망은 향후 방향성 이동을 예측하도록 훈련되며, 이는 확률적 예측을 생성하여 수수료를 고려한 거래 전략을 안내한다. 두 해 동안의 백테스트에서 현실적인 거래 수수료를 적용한 결과 통계적으로 유의미한 수익성을 달성하였고, 기준 모델을 능가하였다.

ABSTRACT

In this work we present a data-driven end-to-end Deep Learning approach for time series prediction, applied to financial time series. A Deep Learning scheme is derived to predict the temporal trends of stocks and ETFs in NYSE or NASDAQ. Our approach is based on a neural network (NN) that is applied to raw financial data inputs, and is trained to predict the temporal trends of stocks and ETFs. In order to handle commission-based trading, we derive an investment strategy that utilizes the probabilistic outputs of the NN, and optimizes the average return. The proposed scheme is shown to provide statistically significant accurate predictions of financial market trends, and the investment strategy is shown to be profitable under this challenging setup. The performance compares favorably with contemporary benchmarks along two-years of back-testing.

연구 동기 및 목표

• 엔지니어링된 특징 없이 원시 가격 데이터만을 사용하여 엔드 투 엔드 딥 러닝 프레임워크를 개발하는 것.
• 신경망의 신뢰도 점수를 활용하여 진입 및 청산 시점을 최적화하는 확률적 거래 전략을 설계하는 것.
• 다양한 자산에서 현실적인 거래 수수료 하에서 제안된 시스템의 수익성과 강건성을 평가하는 것.
• 기본 모델인 구매 후持有 및 기타 머신러닝 접근 방식과의 성능 비교.
• 딥 러닝 기반 능동 거래의 맥락에서 자산 변동성과 거래 성과 간의 관계를 조사하는 것.

제안 방법

• 고정된 수평선 동안 향후 가격 움직임의 부호(즉, 추세 방향)를 예측하기 위해 원시 역사적 가격 시퀀스에 직접 훈련된 딥 네ural 웹이 사용된다.
• 모델은 상승 또는 하락 추세의 가능성에 대한 연속적 확률을 출력하며, 이는 예측 신뢰도 평가에 사용된다.
• 이 신뢰도 점수를 활용하여 장기 포osition에 진입하거나 청산할 시점을 결정하는 확률적 거래 전략이 유도된다.
• 통합된 매수 및 매도 수수료를 적용하여 현실적인 수수료 제약 조건 하에서 평균 수익을 극대화하도록 시스템이 최적화된다.
• 분단위 데이터를 사용하여 S&P 500 구성 종목들(예: SPY, AAPL, AMZN, BAC)에 대해 두 해 동안의 백테스트가 수행된다.
• 누적 수익, 연간 변동성, 샤프 지수 등의 지표를 사용하여 성능 평가가 이루어지며, 기본 모델인 구매 후持有 및 기타 머신러닝 모델과의 비교가 포함된다.

실험 결과

연구 질문

• RQ1 원시 가격 입력 데이터에 직접 훈련된 딥 러닝 모델이 재무 시장 추세에 대해 통계적으로 유의미한 예측을 달성할 수 있는가?
• RQ2 실제 거래 수수료 하에서 신경망의 신뢰도 점수에 기반한 확률적 거래 전략은 어떻게 성과를 내는가?
• RQ3 자산 변동성과 제안된 딥 러닝 기반 거래 시스템의 수익성 간의 관계는 어떠한가?
• RQ4 실제 거래 환경에서 제안된 엔드 투 엔드 딥 러닝 접근 방식은 전통적인 기준 모델(예: 구매 후持有) 및 기타 머신러닝 모델을 능가하는가?
• RQ5 거래 수수료는 능동 거래 전략의 수익성과 리스크 조정 수익률에 얼마나 큰 영향을 미치는가?

주요 결과

• 딥 러닝 모델은 엔지니어링된 특징 없이도 원시 가격 입력만으로 재무 시장 추세에 대해 통계적으로 유의미한 예측을 달성하였다.
• 제안된 확률적 거래 전략은 현실적인 거래 수수료 하에서도 두 해 동안의 백테스트 기간 동안 모든 테스트 자산에서 양의 누적 수익률을 기록하였다.
• 0.1%의 수수료율에서 아마존(AMZN)에 대해 누적 수익률 152.2%를 달성하였으며, 기본 모델인 구매 후持有의 86.1%를 능가하였다.
• 거래 수수료가 0.07% 이하일 경우 모든 자산에서 샤프 지수가 0.5를 초과하여 강력한 리스크 조정 수익률을 보였다.
• 그림 10의 선형 회귀 분석을 통해 누적 수익률이 자산 변동성과 정적 상관관계를 보였다.
• 0.1% 수수료율에서 저변동성 자산(T, JNJ, KO)에 대해서는 전략이 성과를 내지 못하였으며, 이는 높은 변동성이 이 접근 방식에 유리할 수 있음을 시사한다.