[논문 리뷰] QuantNet: Transferring Learning Across Systematic Trading Strategies

Adriano Koshiyama, Sebastian Flennerhag외 3명|arXiv (Cornell University)|2020. 04. 07.

Stock Market Forecasting Methods인용 수 7

한 줄 요약

QuantNet는 58개의 글로벌 주식시장 간 지식을 전이하는 새로운 엔드 투 엔드 딥 러닝 아키텍처를 도입하여 체계적 거래 전략을 향상시킨다. 공통의 글로벌 인코더-디코더 프레임워크와 시장별 적응 기반으로 구성되어 있으며, 최상위 베이스라인 대비 샤프 비율 51% 향상, 캘마르 비율 69% 향상하여 다중시장 전이학습을 통한 뚜렷한 성과 향상을 입증한다.

ABSTRACT

Systematic financial trading strategies account for over 80% of trade volume in equities and a large chunk of the foreign exchange market. In spite of the availability of data from multiple markets, current approaches in trading rely mainly on learning trading strategies per individual market. In this paper, we take a step towards developing fully end-to-end global trading strategies that leverage systematic trends to produce superior market-specific trading strategies. We introduce QuantNet: an architecture that learns market-agnostic trends and use these to learn superior market-specific trading strategies. Each market-specific model is composed of an encoder-decoder pair. The encoder transforms market-specific data into an abstract latent representation that is processed by a global model shared by all markets, while the decoder learns a market-specific trading strategy based on both local and global information from the market-specific encoder and the global model. QuantNet uses recent advances in transfer and meta-learning, where market-specific parameters are free to specialize on the problem at hand, whilst market-agnostic parameters are driven to capture signals from all markets. By integrating over idiosyncratic market data we can learn general transferable dynamics, avoiding the problem of overfitting to produce strategies with superior returns. We evaluate QuantNet on historical data across 3103 assets in 58 global equity markets. Against the top performing baseline, QuantNet yielded 51% higher Sharpe and 69% Calmar ratios. In addition we show the benefits of our approach over the non-transfer learning variant, with improvements of 15% and 41% in Sharpe and Calmar ratios. Code available in appendix.

연구 동기 및 목표

• 현재 거래 전략이 각 시장을 독립적으로 다루며 전이 효과나 거시경제적 추세와 같은 상호시장 의존성을 간과하는 한계를 해결한다.
• 다양한 시장 간 전이학습을 통해 개별 시장 모델의 데이터 부족과 과적합 문제를 완화한다.
• 글로벌 시장 무관 패턴과 지역 시장 특화 전략을 동시에 최적화하는 통합형 엔드 투 엔드 학습 시스템을 개발한다.
• 시장 규모, 거래 빈도, 데이터 분포의 차이에도 불구하고 모든 시장이 훈련 목표에서 동일한 중요도를 가지도록 보장한다.
• 전이학습이 대규모 실세계 체계적 거래 응용에서 성능을 크게 향상시킬 수 있음을 입증한다.

제안 방법

• 각 시장에 전용 인코더-디코더 쌍이 존재하지만 공통 글로벌 구성 요소를 공유하는 다중시장 엔드 투 엔드 아키텍처를 제안한다.
• 글로벌 모델을 통해 모든 시장의 잠재 표현을 처리하여 다양한 데이터 소스에서 시장 무관 추세를 학습한다.
• 모델을 시장별 및 시장 무관 구성 요소로 분해하여 지역 파rameter는 특화되도록 하고 글로벌 파rameter는 일반화되도록 한다.
• 최근 메타 및 전이학습의 발전을 영감으로 삼아 다중 손실을 하나의 네트워크에 통합하여 정규화를 강화하고 과적합을 줄인다.
• 모든 시장이 손실에 동일하게 기여하도록 균형 잡힌 다중작업 학습 목표를 적용하여 우세하거나 노이즈가 많은 시장의 간섭을 방지한다.
• 58개의 글로벌 주식시장에서 3103개 자산의 역사적 데이터를 사용해 전체 시스템을 엔드 투 엔드로 훈련한다.

실험 결과

연구 질문

• RQ1 다양한 글로벌 주식시장 간 전이학습이 시장별 모델 대비 체계적 거래 전략의 성능을 향상시킬 수 있는가?
• RQ2 통합 아키텍처가 간섭 없이 글로벌 시장 무관 추세와 지역 시장 특화 역학을 효과적으로 학습할 수 있는가?
• RQ3 엔드 투 엔드 딥 러닝에 전이학습을 통합함으로써 달성 가능한 성능 향상 수준는 어떠한가?
• RQ4 다중작업 목표에서 모든 시장을 동일하게 가중함으로써 데이터 이질성으로 인한 성능 저하를 방지할 수 있는가?
• RQ5 비전이학습 기반 대비 데이터가 부족한 금융 시장에서 전이학습이 과적합을 얼마나 줄일 수 있는가?

주요 결과

• QuantNet는 최상위 베이스라인인 크로스섹셔널 모멘타무와 비교해 샤프 비율을 51% 향상시켰다.
• 동일한 베이스라인 대비 캘마르 비율을 69% 향상시켜 위험 조정 수익률과 추력 제어 성능이 뛰어나다는 것을 시사한다.
• 비전이학습 버전과 비교해 샤프 비율은 15% 향상되고 캘마르 비율은 41% 향상되어 전이학습의 가치를 입증한다.
• 공통 글로벌 표현을 통해 전이 효과나 거시경제적 추세와 같은 상호시장 의존성을 성공적으로 포착했다.
• 모든 시장을 동일하게 가중한 균형 잡힌 다중작업 목표를 통해 간섭을 방지하고 이질적인 시장 간 안정적인 훈련을 가능케 했다.
• 3103개 자산이 포함된 58개 글로벌 주식시장에서의 일반화 능력 검증을 통해 확장성과 강건성을 확인했다.