[논문 리뷰] Forecasting non-stationary financial time series through genetic algorithm

M. B. Porecha, Pradipta Kumar Panigrahi외 3명|ArXiv.org|2005. 07. 18.

Complex Systems and Time Series Analysis참고 문헌 4인용 수 5

한 줄 요약

이 논문은 비정상적인 금융 시계열, 예를 들어 NASDAQ 및 BSE 지수와 같은 시계열의 추세를 예측하기 위해 이산 웨이브릿 변환(Coiflets)과 유전 알고리즘을 조합한 하이브리드 방법을 제안한다. 웨이브릿을 통해 추세를 분리하고, 지연된 추세 값들에서 유전 알고리즘을 적용하여 명시적인 해석적 방정식을 도출함으로써, NASDAQ에 대해 R² = 0.99994의 높은 정확도와 0.06831%의 평균 오차를 달성하여 시장 방향성과 크기 예측 능력이 뛰어나다는 것을 입증한다.

ABSTRACT

We utilize a recently developed genetic algorithm, in conjunction with discrete wavelets, for carrying out successful forecasts of the trend in financial time series, that includes the NASDAQ composite index. Discrete wavelets isolate the local, small scale variations in these non-stationary time series, after which the genetic algorithm's predictions are found to be quite accurate. The power law behavior in Fourier domain reveals an underlying self-affine dynamical behavior, well captured by the algorithm, in the form of an analytic equation. Remarkably, the same equation captures the trend of the Bombay stock exchange composite index quite well.

연구 동기 및 목표

• 비정상적인 금융 시계열의 예측 문제를 해결하기 위해, 복잡하고 비선형적이며 척도 의존적인 역학을 보이는 시계열에 대응한다.
• 특히 Coiflets를 사용하여 금융 지수의 무작위 변동에서 결정론적 추세 성분을 분리한다.
• 신경망과 같은 방법의 '블랙박스' 성격을 피하기 위해, 데이터 기반 예측 모델을 개발하여 추세 진화에 대한 명시적인 해석적 방정식을 도출한다.
• 다양한 시장에서의 일반화 능력을 평가하기 위해 NASDAQ 및 BSE 종합 지수에 대해 방법을 검증한다.
• 추출된 추세의 파wer 스펙트럼 분석을 통해 금융 시계열의 기초 역학적 성질을 탐구한다.

제안 방법

• 이 방법은 Coiflet 웨이브릿을 사용하여 금융 시계열을 추세 및 변동 성분으로 분해하며, 다중 해상도 및 고유한 모멘트 제거 성질을 활용해 최적의 추세 추출을 달성한다.
• 추출된 추세 시계열에 대해 유전 알고리즘을 적용하여 과거 값(x(t-1), x(t-3), x(t-4))을 입력으로 사용하여 1일 후 예측을 위한 해석적 방정식을 도출한다.
• 선택, 교차 및 돌연변이를 통해 방정식 문자열의 집단을 진화시키며, 훈련 세트 700점에서의 평균 제곱오차를 적합도 기준으로 정의한다.
• 위상 공간 재구성에 적합한 임베딩 차원 m=4는 가짜 근접 이웃 방법을 통해 결정된다.
• 최종 예측 방정식은 관련성, R², 평균 오차 및 추세 방향 일치도 지표를 사용하여 743개의 검증용 외부 샘플에 대해 검증된다.
• 푸리에 도메인에서 추세의 파wer 스펙트럼 분석을 통해 자기 유사성 및 역학적 성질을 평가하며, 1.88의 파워 법칙 지수는 적분 가능에 가까운 행동을 나타낸다.

실험 결과

연구 질문

• RQ1 하이브리드 웨이브릿-유전 알고리즘 프레임워크는 비정상적인 금융 시계열의 결정론적 추세를 효과적으로 추출하고 예측할 수 있는가?
• RQ2 원시 데이터에 직접 유전 알고리즘을 적용하는 것과 비교해 Coiflet 웨이브릿을 사용함으로써 예측 정확도가 유의미하게 향상되는가?
• RQ3 파워 스펙트럼 분석을 통해 드러나는 추세의 역학적 성질은 금융 지수의 추세를 지배하는 시스템의 본질은 무엇인가?
• RQ4 NASDAQ 데이터에서 유도된 동일한 해석적 예측 방정식이 BSE Sensex와 같은 다른 시장 지수의 추세를 정확히 예측할 수 있는가?
• RQ5 웨이브릿 기반 전처리를 통합함으로써 유전 알고리즘이 금융 예측에서 얼마나 더 강건하고 일반화 능력이 향상되는가?

주요 결과

• 원시 NASDAQ 데이터에 직접 유전 알고리즘을 적용한 결과, 지속성 예측 방식보다 약간 높은 예측 성능를 보였을 뿐, 정확도 향상이 미미했다. 이는 무작위 변동이 예측 정확도를 저해함을 시사한다.
• Coiflet 웨이브릿을 사용해 추세를 추출한 후, 유전 알고리즘이 예측된 추세 값과 실제 값 간의 결정 계수 R² = 0.99994를 달성하여 거의 완벽한 적합도를 보였다.
• NASDAQ에 대해 예측된 추세의 평균 절대 오차는 뿐만 아니라 단기 예측의 정밀도가 매우 높음을 나타내었다.
• x_fit(t) = (x(t-4) * (x(t-1))²) / (x(t-3) + 1)로 도출된 예측 방정식은 가격 움직임의 방향을 정확히 포착했으며, 742개의 방향 예측 중 40개의 오류만 기록했다.
• 추세의 파워 스펙트럼은 지수 1.88의 파워 법칙 감쇠를 보였으며, 이는 역학이 카오스적 시스템(지수 ~1)보다 적분 가능에 가까운 성질을 지닌다는 것을 시사한다.
• 동일한 예측 방정식은 BSE Sensex의 추세를 평균 오차 0.08693%로 성공적으로 예측하여, 이 방법의 다양한 금융 지수 간 이식 가능성(전이 가능성)을 확인했다.