[논문 리뷰] Generative Adversarial Networks for Financial Trading Strategies Fine-Tuning and Combination

Adriano Koshiyama, Nick Firoozye외 1명|arXiv (Cornell University)|2019. 01. 07.

Stock Market Forecasting Methods참고 문헌 59인용 수 25

한 줄 요약

이 논문은 전통적인 리샘플링 방법이 실패하는 시계열 환경에서, 조건부 생성 적대 신경망(cGANs)을 사용하여 금융 트레이딩 전략의 정밀 조정 및 앙상블 조합을 향상시키는 것을 제안한다. 이 방법은 다양한 스트레스 이벤트를 고려한 합성 데이터를 생성하여 모델 검증 및 집계에 활용하며, 약한 신호 환경에서 정적 부트스트랩보다 뛰어난 성능을 보이며, SPX 지수에서 샤프 비율 향상이 입증되었다. 579개 자산을 대상으로 검증되었다.

ABSTRACT

Systematic trading strategies are algorithmic procedures that allocate assets aiming to optimize a certain performance criterion. To obtain an edge in a highly competitive environment, the analyst needs to proper fine-tune its strategy, or discover how to combine weak signals in novel alpha creating manners. Both aspects, namely fine-tuning and combination, have been extensively researched using several methods, but emerging techniques such as Generative Adversarial Networks can have an impact into such aspects. Therefore, our work proposes the use of Conditional Generative Adversarial Networks (cGANs) for trading strategies calibration and aggregation. To this purpose, we provide a full methodology on: (i) the training and selection of a cGAN for time series data; (ii) how each sample is used for strategies calibration; and (iii) how all generated samples can be used for ensemble modelling. To provide evidence that our approach is well grounded, we have designed an experiment with multiple trading strategies, encompassing 579 assets. We compared cGAN with an ensemble scheme and model validation methods, both suited for time series. Our results suggest that cGANs are a suitable alternative for strategies calibration and combination, providing outperformance when the traditional techniques fail to generate any alpha.

연구 동기 및 목표

• 의존적인 시계열 데이터에서의 과적합 및 낮은 성능 문제를 해결하기 위해 시스템적 트레이딩 전략 校정에 도전한다.
• 모델 검증 및 앙상블 학습을 위한 현실적으로도 타당한 합성 금융 시계열 데이터를 생성하기 위해 cGAN을 새로운 방법으로 탐색한다.
• 실제 금융 데이터셋에서 기존 기법들인 정적 부트스트랩 및 하이퍼파ram터 최적화와 비교하여 cGAN 기반 전략 조합 및 조정 방법을 평가한다.
• cGAN을 금융 시계열 데이터에 적용하여 트레이딩 전략 개발을 위한 훈련, 선택, 적용에 있어 강건하고 재현 가능한 방법론을 제공한다.
• 기존 방법이 실패하는 상황에서도 강건성과 알파 생성 능력을 향상시키는 새로운 검증 및 집계 프레임워크를 제공한다.

제안 방법

• 주식, 인덱스, 통화 등 579개의 금융 시계열 데이터에 cGAN을 훈련시키며, 조건부 노이즈 입력을 사용하여 합성 수익률 경로를 생성한다.
• 생성기의 출력 샘플을 활용해 개별 트레이딩 전략을 재학습하고 검증함으로써 다양한 합성 시나리오 하에서 강건한 정밀 조정을 가능하게 한다.
• cGAN에 의해 생성된 샘플을 기반으로 다수의 전략 예측을 집계하는 앙상블 모델링을 적용함으로써 전체적인 리스크 조정 수익률을 향상시킨다.
• 생성된 데이터와 실제 데이터 간의 루트 평균 제곱 오차(RMSE)를 통해 cGAN 성능을 평가하며, 변동성 집중과 같은 스타일리시드 팩트에 특별히 주목한다.
• 앙상블 구성에서 cGAN 샘플링과 정적 부트스트랩을 비교하며, 샤프 비율 및 통계적 유의성 수준을 평가 지표로 사용한다.
• 창시 기반 방법 및 시간적 샘플링을 포함한 시계열에 특화된 모델 검증 기법을 적용하여 cGAN 성능을 벤치마킹한다.

실험 결과

연구 질문

• RQ1 cGAN은 트레이딩 전략 훈련 및 검증에 유의미한 통계적 성격을 지닌 합성 금융 시계열 데이터를 생성할 수 있는가?
• RQ2 특히 정적 부트스트랩이 알파를 생성하지 못하는 상황에서 cGAN 기반 전략 조합이 기존 앙상블 방법보다 뛰어나게 성능을 발휘하는가?
• RQ3 cGAN 기반 정밀 조정은 시계열 환경에서 기존 하이퍼파ram터 최적화 및 모델 검증 기법과 비교해 어떻게 성과를 내는가?
• RQ4 cGAN은 스트레스 이벤트를 효과적으로 반영한 샘플을 생성하여 더 나은 모델 스트레스 테스트 및 강건성 평가를 가능하게 하는가?
• RQ5 cGAN에 의해 생성된 샘플과 정적 부트스트랩 샘플을 조합함으로써 앙상블 성능 향상에 상호보완적인 이점이 존재하는가?

주요 결과

• 정적 부트스트랩이 알파를 생성하지 못하는 상황에서, 특히 SPX 지수에서 cGAN이 전략 조합에서 정적 부트스트랩을 뛰어넘었으며, 이는 넓고 통계적으로 유의미한 개선이었다.
• 기존 리샘플링 기법들인 정적 부트스트랩이 성능 향상을 이룰 수 없는 경우, cGAN 샘플링은 앙상블 모델링을 위한 타당하고 효과적인 대안을 제공하였다.
• cGAN 기반 정밀 조정은 기존 검증 기법과 경쟁 가능한 성능을 기록하였으며, 이는 시계열 모델 校정 도구로서의 타당성을 입증하였다.
• cGAN 기반 앙상블의 샤프 비율은 정적 부트스트랩 기반 결과와 낮은 상관성을 보였으며, 이는 상호보완적인 정보를 제공하고 하이브리드 접근법의 잠재력을 시사한다.
• 본 연구는 cGAN이 금융 시계열의 스타일리시드 팩트, 예를 들어 변동성 집중을 반영한 샘플을 생성할 수 있음을 밝혀내어 그 현실성과 유용성을 높였다.
• 실제 데이터셋과 모델을 대상으로 다양한 검증 전략을 종합적으로 비교하여, 이전에 문헌에서 확보되지 않은 새로운 실증 기준을 제공하였다.