[논문 리뷰] Neural Network Models for Stock Selection Based on Fundamental Analysis

Yuxuan Huang, Luiz Fernando Capretz외 1명|arXiv (Cornell University)|2019. 06. 12.

Stock Market Forecasting Methods참고 문헌 14인용 수 6

한 줄 요약

이 논문은 기본적 재무비율을 사용하여 주식 선별을 위한 전방향 신경망(FNN)과 적응형 신경 퍼지 추론 시스템(ANFIS)을 평가한다. FNN이 벤치마크 지수 수익률을 초월하는 포트폴리오를 생성하는 데서 ANFIS보다 뛰어난 성능을 보이며, 기본적 기반 주식 선별에서 뛰어난 예측 성능을 입증한다.

ABSTRACT

Application of neural network architectures for financial prediction has been actively studied in recent years. This paper presents a comparative study that investigates and compares feed-forward neural network (FNN) and adaptive neural fuzzy inference system (ANFIS) on stock prediction using fundamental financial ratios. The study is designed to evaluate the performance of each architecture based on the relative return of the selected portfolios with respect to the benchmark stock index. The results show that both architectures possess the ability to separate winners and losers from a sample universe of stocks, and the selected portfolios outperform the benchmark. Our study argues that FNN shows superior performance over ANFIS.

연구 동기 및 목표

• 기본 재무비율을 기반으로 한 주식 선별에서 신경망 모델의 효과성을 평가하는 것.
• 전방향 신경망(FNN)과 적응형 신경 퍼지 추론 시스템(ANFIS)의 주식 선별 성능를 비교하는 것.
• 기계 학습 모델이 시장 벤치마크 지수를 초월하는 포트폴리오를 생성할 수 있는지 평가하는 것.
• 기본 분석 맥락에서 어느 아키텍처—FNN 또는 ANFIS—가 더 높은 상대 수익률을 낳는지 결정하는 것.

제안 방법

• 연구는 FNN 및 ANFIS 모델의 입력 특징으로 기본 재무비율을 사용한다.
• 전방향 신경망(FNN)은 입력 비율을 기반으로 주가 수익률을 예측하도록 훈련되며, 가중치 조정을 위해 역전파를 사용한다.
• 적응형 신경 퍼지 추론 시스템(ANFIS)은 퍼지 논리와 신경망을 결합하여 금융 데이터의 비선형 관계를 모델링한다.
• 포트폴리오들은 모델 예측 기반으로 주식을 순위 매기고 상위 성과 주식을 선별하여 구성된다.
• 성능는 벤치마크 주식 지수 대비 상대 수익률을 사용하여 평가된다.
• 모델들은 주식 샘플 유니버스에 대해 훈련 및 테스트되며, 결과는 다수의 시간 주기 동안 집계된다.

실험 결과

연구 질문

• RQ1 전방향 신경망은 기본 분석 데이터셋에서 승리 주식을 효과적으로 선별할 수 있는가?
• RQ2 ANFIS 성능는 기본 비율을 사용하여 주가 수익률을 예측할 때 FNN에 비해 어떻게 비교되는가?
• RQ3 기계 학습 모델은 시장 벤치마크 지수를 초월하는 포트폴리오를 생성하는가?
• RQ4 주식 선별에서 어느 모델 아키텍처—FNN 또는 ANFIS—가 더 높은 상대 수익률을 낳는가?

주요 결과

• FNN과 ANFIS는 모두 기본 비율을 사용하여 샘플 유니버스의 승리 주식과 패배 주식을 효과적으로 식별한다.
• 두 모델이 선별한 포트폴리오는 상대 수익률 측면에서 벤치마크 주식 지수를 초월한다.
• FNN은 ANFIS보다 뛰어난 성능를 보이며, 주식 선별 과업에서 더 높은 상대 수익률을 달성한다.
• 이 연구는 신경망 모델이 기본 데이터를 효과적으로 활용하여 주식 선별에 활용할 수 있음을 확인한다.
• 결과는 FNN이 금융 기본 요소의 복잡한 비선형 관계를 모델링하는 데 ANFIS보다 더 적합하다는 것을 시사한다.
• 비교 분석은 FNN이 정량적 주식 선별 프레임워크에서 잠재력을 지닌다는 것을 검증한다.