[논문 리뷰] High-performance stock index trading: making effective use of a deep LSTM neural network

Chariton Chalvatzis, Dimitrios Hristu‐Varsakelis|arXiv (Cornell University)|2019. 02. 07.

Stock Market Forecasting Methods인용 수 6

한 줄 요약

이 논문은 예측된 수익률의 분포 내에서의 백분위수 위치를 활용하여 기존의 방향성 거래 방식을 능가하는 새로운 분포 인식 거래 전략을 결합한 딥 LSTM 기반 모델을 제안한다. 2010–2018년 동안 S&P 500, DJIA, NASDAQ, Russell 2000에서 시험한 결과, 이 접근법은 누적 수익률 340–371%를 기록하여 예측 정확도를 최소화하는 것보다 수익성 최적화를 목표로 함으로써 구매 및 소유 전략 및 이전 방법들을 크게 능가하였다.

ABSTRACT

We present a deep long short-term memory (LSTM)-based neural network for predicting asset prices, together with a successful trading strategy for generating profits based on the model's predictions. Our work is motivated by the fact that the effectiveness of any prediction model is inherently coupled to the trading strategy it is used with, and vise versa. This highlights the difficulty in developing models and strategies which are jointly optimal, but also points to avenues of investigation which are broader than prevailing approaches. Our LSTM model is structurally simple and generates predictions based on price observations over a modest number of past trading days. The model's architecture is tuned to promote profitability, as opposed to accuracy, under a strategy that does not trade simply based on whether the price is predicted to rise or fall, but rather takes advantage of the distribution of predicted returns, and the fact that a prediction's position within that distribution carries useful information about the expected profitability of a trade. The proposed model and trading strategy were tested on the S&P 500, Dow Jones Industrial Average (DJIA), NASDAQ and Russel 2000 stock indices, and achieved cumulative returns of 340%, 185%, 371% and 360%, respectively, over 2010-2018, far outperforming the benchmark buy-and-hold strategy as well as other recent efforts.

연구 동기 및 목표

• 예측 모델과 거래 전략의 공동 최적화 문제를 다루며, 예측 정확도만으로는 수익성 보장이 되지 않는다는 점을 인식하는 것.
• 모델의 예측 수익률 분포에 포함된 더 풍부한 정보를 활용하여 예측 오차 최소화가 아니라 실제 거래 수익을 극대화하는 모델 및 전략 쌍을 개발하는 것.
• 구조적으로 단순한 딥 LSTM 모델이 비-directional이고 분포 민감한 거래 전략과 조합될 경우, 기존 표준 방법들과 비교해 높은 리스크 조정 수익률을 달성할 수 있음을 보여주는 것.
• 모델 설계 시 예측 정확도가 아니라 거래 전략 하에서의 수익성 최적화를 우선시해야 하며, 이는 재무 응용 분야에서의 하이퍼파rameter 선택 기준이 되어야 한다는 점을 보여주는 것.

제안 방법

• 모델는 2–3층의 딥 LSTM 네트워크를 사용하며, 과거 11–22일 간의 거래 일자를 입력으로 하며, 32–128개의 뉴런을 갖는다. 이는 주요 미국 주식 인덱스의 다음 날 가격을 예측하도록 훈련된다.
• 새로운 입력 메커니즘은 LSTM 셀의 히든 상태 전체 기록을 출력 레이어에 통합하여 시간 정보 유지 능력을 향상시킨다.
• 거래 전략은 이진적인 상승/하락 신호에 의존하지 않으며, 대신 예측 수익률이 예측 수익률의 경험적 분포 내에서 차지하는 백분위수 위치를 활용하여 거래 진입 및 규모를 결정한다.
• 하이퍼파rameter는 최저 예측 오차를 위한 것이 아니라 제안된 거래 전략 하에서 최대 수익성을 달성하기 위해 최적화된다. 이는 수익 중심의 최적화 목표를 반영한다.
• 모델는 2010년 10월 1일부터 2018년 5월 1일까지 S&P 500, DJIA, NASDAQ, Russell 2000에서 훈련 및 테스트되었으며, 데스크톱 시스템에서 실시간 거래 전략 실행을 시뮬레이션하였다.
• 이 접근법은 계산적으로 효율적이며, 모델 업데이트 및 거래 실행 사이클 당 7–30초 밖에 소요되지 않아, 인trad레이 또는 다중 자산 전략에의 적용 가능성을 제공한다.

실험 결과

연구 질문

• RQ1 예측 정확도를 극대화하기보다는 맞춤형 거래 전략과 조합될 경우 수익성 최대화를 목표로 하는 딥 LSTM 모델을 설계할 수 있는가?
• RQ2 특히 예측 수익률의 백분위수 위치를 활용함으로써, 기존의 방향성 거래 전략보다 더 높은 수익을 얻을 수 있는가?
• RQ3 최소한의 하이퍼파rameter 튜닝을 거친 상대적으로 단순한 LSTM 아키텍처가, 예측 출력 분포와 전략이 일치할 경우 더 복잡한 모델들보다 뛰어난 성능을 낼 수 있는가?
• RQ4 딥 러닝 모델과 함께 분포 인식 거래 정책을 사용할 경우, 구매 및 소유 전략보다 훨씬 높은 누적 수익률을 달성할 수 있는가?

주요 결과

• 제안된 모델과 거래 전략은 2010–2018년 기간 동안 S&P 500에서 340%, DJIA에서 185%, NASDAQ에서 371%, Russell 2000에서 360%의 누적 수익률을 기록하여, 구매 및 소유 기준선을 크게 뛰어넘었다.
• 다른 모델들과 유사한 예측 정확도를 보였음에도 불구하고, 제안된 접근법은 수익성에서 뚜렷이 뛰어나, 예측 정확도가 거래 성공의 충분한 지표가 되지 못한다는 점을 입증하였다.
• 모델의 성능는 거래 전략의 선택에 매우 민감하게 반응하였다: 동일한 LSTM 모델이 표준 방향성 전략과 함께 사용될 경우 성능이 열 劣하므로, 모델과 전략의 공동 설계의 중요성을 강조한다.
• 모델는 계산적으로 효율적이며, 표준 데스크톱에서 각 사이클당 훈련 및 추론에 7–30초가 소요되어 실시간 또는 인트레이드 배포에 적합하다.
• 더 긴 테스트 기간을 사용한 최근 연구들보다도 성능이 뛰어나고, 다양한 시장 인덱스에 걸쳐 뚜렷한 강건성을 보이며, 강력한 일반화 잠재력을 시사한다.
• 이 연구는 예측 수익률의 분포, 특히 그 상대적 위치에 포함된 실질적인 정보가 표준 거래 프레임워크에서 아직 충분히 활용되지 않는다는 점을 입증한다.