[논문 리뷰] Long Short-Term Memory Neural Network for Financial Time Series

Carmina Fjellström|arXiv (Cornell University)|2022. 01. 20.

Stock Market Forecasting Methods인용 수 6

한 줄 요약

이 논문은 스웨덴 스톡홀름 OMX30 지수의 일일 수익률을 사용하여 주가 수익률 이동을 이진 분류하기 위한 평행 LSTM(장기 단기 기억) 네트워크 앙상블을 제안한다. 공통 기준 임계값을 기반으로 예측을 집계함으로써, 이 모델은 전체 지수 포트폴리오와 무작위 포트폴리오보다 높은 평균 일일 수익률, 뛰어난 누적 성과 및 낮은 변동성을 기록하여 개선된 위험 조정 수익률을 달성한다.

ABSTRACT

Performance forecasting is an age-old problem in economics and finance. Recently, developments in machine learning and neural networks have given rise to non-linear time series models that provide modern and promising alternatives to traditional methods of analysis. In this paper, we present an ensemble of independent and parallel long short-term memory (LSTM) neural networks for the prediction of stock price movement. LSTMs have been shown to be especially suited for time series data due to their ability to incorporate past information, while neural network ensembles have been found to reduce variability in results and improve generalization. A binary classification problem based on the median of returns is used, and the ensemble's forecast depends on a threshold value, which is the minimum number of LSTMs required to agree upon the result. The model is applied to the constituents of the smaller, less efficient Stockholm OMX30 instead of other major market indices such as the DJIA and S&P500 commonly found in literature. With a straightforward trading strategy, comparisons with a randomly chosen portfolio and a portfolio containing all the stocks in the index show that the portfolio resulting from the LSTM ensemble provides better average daily returns and higher cumulative returns over time. Moreover, the LSTM portfolio also exhibits less volatility, leading to higher risk-return ratios.

연구 동기 및 목표

• OMX30와 같은 효율성이 낮고 소규모 시장에서 주가 수익률 이동을 예측하기 위한 기계학습 접근법을 개발하는 것.
• 기존 포트폴리오와 무작위 선택 대비 독립적인 LSTMs의 앙상블 성능을 평가하는 것.
• LSTM 기반 모델이 비 거시 시장 지수에서 뛰어난 위험 조정 수익률을 제공할 수 있는지 평가하는 것.
• 앙상블 모델과 기준치 기반 공통 예측이 예측 안정성과 일반화 능력에 미치는 영향을 탐색하는 것.

제안 방법

• OMX30 구성 종목의 개별 주가 수익률 시계열을 기반으로 독립적이고 평행적인 LSTMs의 앙상블을 훈련한다.
• 이 모델은 이동 예측을 이진 분류 문제로 설정하며, 다음 날 주가 수익률이 모든 주식의 중앙값 수익률을 초과하는지 여부를 예측한다.
• 최종 앙상블 예측은 기준치에 의해 결정되며, 최소한의 LSTMs가 동일한 클래스(상승 또는 하락)에 동의해야 한다.
• 단순한 거래 전략은 앙상블의 공통 예측에 따라 자본을 배분하며, 절반 이상의 LSTMs가 상승 움직임을 예측할 경우 장투자 포osi션을 취한다.
• 연간 변동성, 샤프 지수, 소르티노 지수를 포함한 표준 위험 조정 지표를 사용하여 성능을 평가하며, 무위험 수익률은 스웨덴 1개월 국채 수익률에서 유도된다.
• 전체 샘플 기간 동안 전문 포트폴리오와 무작위 선택 포트폴리오와의 비교를 수행한다.

실험 결과

연구 질문

• RQ1 OMX30와 같은 소규모이고 효율성이 낮은 지수에서, LSTMs 앙상블이 전체 시장 포트폴리오보다 위험 조정 수익률 측면에서 뛰어나게 성과를 낼 수 있는가?
• RQ2 평행된 LSTMs 간의 공통 예측 기반 투표 방식은 단일 모델 접근법에 비해 예측 안정성 향상과 분산 감소에 기여하는가?
• RQ3 누적 수익률과 변동성 측면에서 LSTMs 앙상블은 무작위 포트폴리오에 비해 어떻게 성과를 내는가?
• RQ4 앙상블 예측의 공통 기준치 설정이 모델 성과에 얼마나 큰 영향을 미치는가?

주요 결과

• LSTM 기반 포트폴리오는 전체 기간 동안 전체 주식 포트폴리오와 무작위 포트폴리오보다 높은 평균 일일 수익률을 기록했다.
• LSTM 포트폴리오는 샘플 내 모든 연도에서 높은 누적 수익률과 낮은 연간 변동성을 보였으며, 특히 2007–2008년과 2018년 등 시장 변동성이 높았던 기간 동안에도 유사한 성과를 기록했다.
• 13년 중 11년 동안 LSTM 포트폴리오는 전체 주식 포트폴리오보다 높은 샤프 지수를 기록했으며, 유일하게 2013년과 2014년에는 전체 주식 포트폴리오가 약간 더 뛰어났다.
• 13년 중 10년 동안 LSTM 포트폴리오는 전체 주식 포트폴리오보다 높은 소르티노 지수를 기록하여, 하방 위험 통제 능력이 뛰어나다는 것을 시사한다.
• 모델 성과는 변동성 높은 기간 동안에도 견고했다: 2008년에 LSTM 포트폴리오는 전체 주식 포트폴리오보다 낮은 변동성(35.10% 대 41.84%)과 덜 부정적인 샤프 지수(-0.70 대 -1.11)를 기록했다.
• 결과는 앙상블 접근 방식이 모델 분산을 감소시키고 일반화 능력을 향상시키며, 특히 OMX30와 같은 효율성이 낮은 시장에서 유의미하다는 것을 시사한다.