[논문 리뷰] Improving Factor-Based Quantitative Investing by Forecasting Company Fundamentals

John Alberg, Zachary C. Lipton|arXiv (Cornell University)|2017. 11. 13.

Forecasting Techniques and Applications참고 문헌 10인용 수 29

한 줄 요약

이 논문은 5년간의 역사적 데이터를 기반으로 훈련된 딥 뉴럴 네트워크(MLP 및 RNN)를 사용하여 미래 기업의 기본적인 재무 지표를 예측하는 Lookahead Factor Models(LFMs)를 제안한다. 이는 요인 기반 투자 전략이 향후 재무 건강을 사전에 예측할 수 있도록 한다. 이 방법은 복리 연간 수익률 17.1%를 기록하여 표준 요인 모델(14.4%)을 크게 앞서며, 향상된 기본 재무 예측 정확도를 통해 뛰어난 리스크 조정 수익률을 보여준다.

ABSTRACT

On a periodic basis, publicly traded companies are required to report fundamentals: financial data such as revenue, operating income, debt, among others. These data points provide some insight into the financial health of a company. Academic research has identified some factors, i.e. computed features of the reported data, that are known through retrospective analysis to outperform the market average. Two popular factors are the book value normalized by market capitalization (book-to-market) and the operating income normalized by the enterprise value (EBIT/EV). In this paper: we first show through simulation that if we could (clairvoyantly) select stocks using factors calculated on future fundamentals (via oracle), then our portfolios would far outperform a standard factor approach. Motivated by this analysis, we train deep neural networks to forecast future fundamentals based on a trailing 5-years window. Quantitative analysis demonstrates a significant improvement in MSE over a naive strategy. Moreover, in retrospective analysis using an industry-grade stock portfolio simulator (backtester), we show an improvement in compounded annual return to 17.1% (MLP) vs 14.4% for a standard factor model.

연구 동기 및 목표

• 딥 러닝을 활용해 향후 기본 재무 지표를 예측하는 것이 요인 기반 정량적 투자 전략의 성능을 향상시키는지 조사하는 것.
• 현재의 기본 재무 지표를 사용하는 표준 요인 모델과 향후 기본 재무 지표를 예측한 모델 간의 성능 격차를 평가하는 것.
• 역사적 시계열 데이터에서 핵심 재무 지표(예: EBIT, 책상가치)를 예측하는 딥 러닝 모델을 개발하고 검증하는 것.
• 현실적인 백테스팅 환경에서 Lookahead Factor Models가 실질적으로 우월한 성능을 보이는지 입증하는 것.
• 모델 아키텍처(MLP 대 RNN)와 손실 가중치 설정이 예측 정확도 및 포트폴리오 수익률에 미치는 영향을 평가하는 것.

제안 방법

• TTM 매출, MRQ EBIT, 현금, 익행채권 등 20개의 기본 재무 특징(예: TTM 매출, MRQ EBIT, 현금, 수금채권)의 5년간 이동 윈도우에 대해 다층 퍼셉트론(MLP)과 순환 신경망(RNN)을 훈련한다.
• 미래의 기본 재무 지표를 예측하기 위해 12개월의 레이트아웃 수평을 사용하며, 입력 데이터는 월간 간격으로 이산화되고 12개월 뒤로 지연된다.
• 기울기 폭주를 방지하기 위해 L2-노름 클리핑을 적용한 AdaDelta 최적화 기법을 사용하며, 하이퍼파라미터 α₁과 α₂를 통해 EBIT 예측 및 최종 타임스텝 손실을 가중한다.
• 주요 손실 함수로 평균제곱오차(MSE)를 사용하며, 클래스 균형 가중치를 적용해 EBIT 예측 정확도를 우선시한다.
• 매월 리밸런싱, 거래비용, 슬리피지, 배당금 재투자 등을 시뮬레이션하는 현실적인 산업 수준의 백테스터를 활용한다.
• 기본 모델(단순 예측, 선형 모델, QFM)과의 성능 비교를 위해 검증용 MSE와 시뮬레이션된 포트폴리오 수익률(CAR, 샤프 지수)을 사용한다.

실험 결과

연구 질문

• RQ1 딥 러닝을 활용해 향후 기본 재무 지표를 예측하는 것이 요인 기반 정량적 투자 전략의 성능을 향상시키는가?
• RQ2 현재의 기본 재무 지표를 사용하는 표준 요인 모델과 비교해 Lookahead Factor Models의 성능은 어떻게 되는가?
• RQ3 장기 투자 맥락에서 향후 재무 지표를 예측하기 위해 MLP와 RNN을 사용할 경우, 그 상대적 영향은 어떠한가?
• RQ4 EBIT 예측 및 최종 타임스텝 손실을 가중하는 것은 모델 정확도와 포트폴리오 수익률에 얼마나 기여하는가?
• RQ5 거래비용과 시장 영향(슬리피지)은 Lookahead Factor 전략의 실제 적용 가능성에 어떤 영향을 미치는가?

주요 결과

• MLP를 사용한 Lookahead Factor Model(LFM)은 복리 연간 수익률(CAR) 17.1%를 기록하여 표준 요인 모델(14.4%)과 S&P 500(4.5%)를 크게 앞서며 성과를 입증했다.
• MLP 기반 LFM는 검증용 MSE 0.47을 기록하여 단순 예측기(0.62)와 선형 회귀(0.53)보다 유의미하게 낮은 오차를 보였다.
• RNN 기반 LFM는 CAR 16.7%와 샤프 지수 0.67을 기록하여 표준 요인 모델(14.4% CAR, 0.55 샤프 지수)을 초월했다.
• 미래의 기본 재무 지표를 사용하는 클레어보이언트 오라클 모델은 44%의 복리 연간 수익률을 기록하여 Lookahead 예측의 잠재력을 입증했다.
• LFM-MLP 모델은 샤프 지수 0.68을 기록하여 표준 요인 모델(0.55) 대비 뛰어난 리스크 조정 수익률을 보였다.
• 시장의 변동성이 큰 상황에서도 모델 성능이 견고했으며, 신경망은 검증용 MSE에서 항상 단순 예측기보다 뛰어난 성능을 보였다.