[논문 리뷰] PAGAN: Portfolio Analysis with Generative Adversarial Networks

Giovanni Mariani, Yada Zhu외 5명|RePEc: Research Papers in Economics|2019. 09. 19.

Stock Market Forecasting Methods참고 문헌 30인용 수 6

한 줄 요약

PAGAN은 다차원 금융 시계열에서의 시장 불확실성을 모델링하기 위해 생성적 적대적 네트워크(GAN) 기반 프레임워크를 도입하여 몬테카를로 시뮬레이션을 통해 현실적인 미래 가격 추세를 시뮬레이션함으로써 포트폴리오 최적화를 가능하게 한다. 이는 가격 예측에 의존하지 않고 자산 간 비선형 상호작용을 학습함으로써 장기적인 수익률 조정 기준에서 마크owitz 모델을 뛰어넘는 성능을 보인다.

ABSTRACT

Since decades, the data science community tries to propose prediction models of financial time series. Yet, driven by the rapid development of information technology and machine intelligence, the velocity of today's information leads to high market efficiency. Sound financial theories demonstrate that in an efficient marketplace all information available today, including expectations on future events, are represented in today prices whereas future price trend is driven by the uncertainty. This jeopardizes the efforts put in designing prediction models. To deal with the unpredictability of financial systems, today's portfolio management is largely based on the Markowitz framework which puts more emphasis in the analysis of the market uncertainty and less in the price prediction. The limitation of the Markowitz framework stands in taking very strong ideal assumptions about future returns probability distribution. To address this situation we propose PAGAN, a pioneering methodology based on deep generative models. The goal is modeling the market uncertainty that ultimately is the main factor driving future trends. The generative model learns the joint probability distribution of price trends for a set of financial assets to match the probability distribution of the real market. Once the model is trained, a portfolio is optimized by deciding the best diversification to minimize the risk and maximize the expected returns observed over the execution of several simulations. Applying the model for analyzing possible futures, is as simple as executing a Monte Carlo simulation, a technique very familiar to finance experts. The experimental results on different portfolios representing different geopolitical areas and industrial segments constructed using real-world public data sets demonstrate promising results.

연구 동기 및 목표

• 높은 시장 효율성 하에서 가격 예측이 빠른 정보 통합으로 인해 신뢰할 수 없게 되는 전통적인 포트폴리오 최적화의 한계를 해결하기 위해.
• 복잡한 비선형 상관관계와 시장 불확실성을 반영할 수 있는 금융 자산 수익률의 공동 확률 분포를 모델링하기 위해.
• 다양한 현실적인 미래 시장 시나리오를 시뮬레이션할 수 있는 생성 모델링 접근법을 개발하여 강건한 포트폴리오 다각화를 가능하게 하기 위해.
• 사용자가 원하는 리스크 수준을 선택할 수 있고, 그에 맞는 최적의 다각화 전략을 제공하는 리스크 목표 최적화 프레임워크를 제공하기 위해.
• 다양한 시장과 투자 기간에서 실제 금융 데이터 세트를 대상으로 제안된 방법이 마크owitz 프레임워크보다 뛰어난 성능을 보임을 경험적으로 검증하기 위해.

제안 방법

• PAGAN은 최근 시장 상태를 조건으로 하여 역학적 금융 수익률의 공동 분포를 모델링하기 위해 조건부 생성적 적대적 네트워크(cGAN)를 활용한다.
• 생성자 네트워크는 다중 자산 간 비선형 상호작용을 포착하여 합성된 현실적인 미래 가격 추세를 생성한다.
• 판별자 네트워크는 실제 시장 데이터와 생성된 합성 데이터를 구분함으로써 적대적 훈련을 통해 생성 모델을 정교화한다.
• 훈련 후 모델을 통해 수천 개의 미래 포트폴리오 경로를 몬테카를로 방식으로 시뮬레이션하여 리스크 및 수익률 분포를 추정할 수 있다.
• 포트폴리오 최적화는 사용자가 정의한 리스크 수준에서 시뮬레이션된 효율 경계선 상에서 기대 수익률을 최대화하는 다각화 가중치를 선택함으로써 수행된다.
• 모델은 수익률 분포의 불확실성을 모델링하는 데 중점을 두어 직접적인 가격 예측을 피함으로써 효율 시장 가설과 부합한다.

실험 결과

연구 질문

• RQ1 딥 생성 모델은 가격 예측에 의존하지 않고도 복잡한 다차원 시장 불확실성을 효과적으로 포착할 수 있는가?
• RQ2 GAN 기반 포트폴리오 최적화 방법은 전통적인 마크owitz 프레임워크에 비해 리스크 조정 수익률 측면에서 어떻게 성능을 내는가?
• RQ3 제안된 방법은 다양한 시장 제도와 투자 기간 동안 얼마나 강건하고 반복 가능하게 유지되는가?
• RQ4 고도로 효율적인 시장 조건 하에서도 모델은 장기 포트폴리오 최적화에서 마크owitz를 일관되게 뛰어넘을 수 있는가?
• RQ5 모델 성능은 다양한 지리적 및 산업 시장 세그먼트에서 어떻게 달라지는가?

주요 결과

• PAGAN은 usgen 포트폴리오의 모든 테스트 설정에서 마크owitz 모델보다 리스크 조정 수익률(샤프 지수) 측면에서 체계적으로 뛰어나다.
• eucar 포트폴리오의 경우, 단기적으로 마크owitz와 유사한 성능를 보였지만 20일 수익률 기준으로는 뚜렷이 뛰어나다.
• PAGAN2M 지표(마크owitz를 능가하는 리스크 수준의 백분율)는 투자 기간이 길어질수록 증가하여 장기적 강건성을 강력히 시사한다.
• PAGAN은 반복 가능성이 높으며, 특히 usgen 포트폴리오에서 독립적으로 훈련된 여러 모델 간 일관된 뛰어남을 보였다.
• 모델이 현실적이고 다양한 미래 시나리오를 생성할 수 있는 능력 덕분에 리스크 목표 최적화가 효과적으로 이루어지며, 전통적인 평균-분산 최적화의 실용적인 대안을 제공한다.
• 결과적으로, 포트폴리오 관리에서 깊이 있는 생성 모델을 활용한 시장 불확실성 모델링은 전통적인 파rametric 가정보다 타당하고 열등한 대안임을 보여준다.