[논문 리뷰] Machine Learning Classification of Price Extrema Based on Market Microstructure Features: A Case Study of S&P500 E-mini Futures.

Artur Sokolovsky, Luca Arnaboldi|arXiv (Cornell University)|2020. 09. 21.

Stock Market Forecasting Methods참고 문헌 32인용 수 3

한 줄 요약

이 논문은 시장 마이크로스트럭처 특징을 사용하여 S&P500 E-mini 선물의 가격 극값을 분류하기 위한 자동화된 머신러닝 파이프라인을 제안한다. 틱 데이터 시나리오에서 훈련하여 전환점을 예측한다. 이 방법은 순수한 샤프 레이션 평균 6.32를 기록하여 높은 수익성 잠재력을 보이며, 주문 실행 큐 효과를 배제했음에도 불구하고 성능이 뛰어나다.

ABSTRACT

The study introduces an automated trading system for S\&P500 E-mini futures (ES) based on state-of-the-art machine learning. Concretely: we extract a set of scenarios from the tick market data to train the model and further use the predictions to model trading. We define the scenarios from the local extrema of the price action. Price extrema is a commonly traded pattern, however, to the best of our knowledge, there is no study presenting a pipeline for automated classification and profitability evaluation. Our study is filling this gap by presenting a broad evaluation of the approach showing the resulting average Sharpe ratio of 6.32. However, we do not take into account order execution queues, which of course affect the result in the live-trading setting. The obtained performance results give us confidence that this approach is worthwhile.

연구 동기 및 목표

• 시장 마이크로스트럭처 데이터를 사용하여 금융 시계열의 가격 극값을 분류하기 위한 자동화된 파이프라인을 개발하는 것.
• S&P500 E-mini 선물에서 기계학습을 통해 도출된 극값 분류 신호의 수익성 평가.
• 기존 문헌의 격차를 메우기 위해 기계학습을 활용한 극값 기반 거래에 대해 종합적이고 종단 간 평가를 제공하는 것.
• 실제 거래 실행 비용과의 영향을 배제하고 모델 성능을 고립적으로 평가하여 신호 품질에 집중하는 것.

제안 방법

• 가격 극값은 틱 데이터에서의 가격 움직임에서 局부 최고점과 최저점을 식별한다.
• 각 식별된 극값 주변에서 마이크로스트럭처 기반 시나리오 세트를 추출한다.
• 이러한 시나리오를 기반으로 지도 기반 머신러닝 모델을 훈련하여 전환 가능성 여부를 분류한다.
• 모델의 예측 결과를 활용해 장·단 투자 포지션의 거래 신호를 생성한다.
• 성능 평가에 주로 샤프 레이션을 사용하며, 이는 검증용 예측 결과를 기반으로 계산된다.
• 연구는 모델 성능를 고립적으로 평가하기 위해 주문서 동적 및 실행 큐 효과를 의도적으로 배제한다.

실험 결과

연구 질문

• RQ1 기계학습을 사용해 마이크로스트럭처 특징을 기반으로 S&P500 E-mini 선물의 가격 극값을 효과적으로 분류할 수 있는가?
• RQ2 기계학습으로 예측한 극값 기반 거래 전략의 수익성은 어떠한가?
• RQ3 실제 거래 실행 비용을 배제했을 때 모델의 성능는 어떻게 비교되는가?
• RQ4 다양한 시장 제도에서 분류 파이프라인의 강건성은 어떠한가?

주요 결과

• 기계학습 파이프라인은 검증용 데이터에서 평균 샤프 레이션 6.32를 기록하여 높은 리스크 조정 수익률을 보였다.
• 마이크로스트럭처 특징을 기반으로 한 가격 극값 분류는 실질적인 거래 신호로 활용 가능하며 수익성이 높다.
• 높은 샤프 레이션은 모델이 데이터 내에서 의미 있는 가격 전환 패tern을 잘 포착하고 있음을 시사한다.
• 주문 실행 큐 모델링을 배제한 점은 성능이 낙관적으로 평가되었음을 의미하며, 실전 거래에서는 성능이 감소할 수 있음을 시사한다.