[논문 리뷰] Stock Trading Using PE ratio: A Dynamic Bayesian Network Modeling on Behavioral Finance and Fundamental Investment

Haizhen Wang, Ratthachat Chatpatanasiri외 1명|arXiv (Cornell University)|2017. 05. 25.

Stock Market Forecasting Methods참고 문헌 7인용 수 3

한 줄 요약

이 논문은 행동 금융 이론 원리와 역사적 금융 데이터를 활용하여 기본 주가수익률(PE) 비율을 공식적으로 추정하기 위해 동적 베이지안 네트워크(DBN) 모델을 제안한다. 전문가 의견과 시계열 데이터를 통합함으로써, 개별 주식 및 다각도 투자 포트폴리오 전반에서 일관되게 벤치마크를 능가하는 통합적이고 해석 가능한 거래 전략을 가능하게 하며, 부트스트랩 재표본화를 통한 통계적 유의성 검증을 통해 뚜렷한 우월성이 입증된다.

ABSTRACT

On a daily investment decision in a security market, the price earnings (PE) ratio is one of the most widely applied methods being used as a firm valuation tool by investment experts. Unfortunately, recent academic developments in financial econometrics and machine learning rarely look at this tool. In practice, fundamental PE ratios are often estimated only by subjective expert opinions. The purpose of this research is to formalize a process of fundamental PE estimation by employing advanced dynamic Bayesian network (DBN) methodology. The estimated PE ratio from our model can be used either as a information support for an expert to make investment decisions, or as an automatic trading system illustrated in experiments. Forward-backward inference and EM parameter estimation algorithms are derived with respect to the proposed DBN structure. Unlike existing works in literatures, the economic interpretation of our DBN model is well-justified by behavioral finance evidences of volatility. A simple but practical trading strategy is invented based on the result of Bayesian inference. Extensive experiments show that our trading strategy equipped with the inferenced PE ratios consistently outperforms standard investment benchmarks.

연구 동기 및 목표

• 기존 문헌에서의 체계적 모델링 부족을 해결하기 위해 데이터 기반이고 해석 가능한 프레임워크를 활용해 기본 PE 비율 추정을 체계화한다.
• 단일 DBN 구조를 활용해 다양한 증권에 걸쳐 PE 기반 거래 전략을 통합함으로써, 각 증권별 모델 재학습을 방지한다.
• 전문가 의견과 행동 금융 증거를 확률적 학습 프레임워크에 통합하여 향상된 투자 의사결정 지원을 제공한다.
• 잠재적 기본 PE와 노이즈 있는 시장 영향을 모델링하는 비표준 DBN 구조에 특화된 새로운 추론 및 매개변수 추정 알고리즘을 개발한다.
• 개별 주식 및 다각도 포트폴리오 백테스트를 통해 모델의 실증적 성능을 표준 벤치마크와 비교하여 검증한다.

제안 방법

• 저자들은 기본 PE 비율과 중기적 노이즈 있는 시장 영향을 두 개의 잠재 변수로 갖는 동적 베이지안 네트워크(DBN)를 구축한다.
• DBN 구조 내에서 매개변수 학습과 믿음 갱신을 수행하기 위해 전진-후향 추론과 EM 알고리즘을 유도한다.
• 모델은 행동 금융 이론에 기반하여 노이즈 효과를 시장 과도 반응 또는 정서 기반 변동성으로 해석한다.
• 베이지안 추론에 기반한 단순하고 해석 가능한 거래 전략을 설계한다: 추정된 PE가 임계값 이하일 경우 매수, 초과할 경우 매도.
• 네트워크 내에서 전문가 의견을 사전 분포 또는 증거로 직접 통합할 수 있다.
• 포트폴리오 수준의 성능 평가를 위해 부트스트랩 재표본화를 활용하여 모델과 벤치마크 간 수익 차이의 분포를 추정한다.

실험 결과

연구 질문

• RQ1 역사적 금융 데이터와 전문가 통찰력으로부터 기본 PE 비율을 효과적으로 추론하기 위해 동적 베이지안 네트워크를 활용할 수 있는가?
• RQ2 제안된 DBN 기반 거래 전략은 개별 주식 및 다각도 포트폴리오 환경에서 표준 벤치마크를 일관되게 능가하는가?
• RQ3 포트폴리오 다각화가 모델의 벤치마크 대비 우월성에 대한 통계적 신뢰도에 어떤 영향을 미치는가?
• RQ4 행동 금융 이론 원리를 확률적 그래픽 모델에 공식적으로 통합할 수 있는 정도는 어느 정도인가?
• RQ5 단일 DBN 모델을 기반으로 다수의 증권에 적용 가능한 통합적이고 해석 가능한 거래 전략을 도출할 수 있는가?

주요 결과

• 모델은 모든 테스트 케이스에서 평균 수익 차이 측면에서 벤치마크를 일관되게 능가하며, 모든 경우에서 양의 기대 수익 차이(E[X])를 보였다.
• SET 및 미국 시장를 조합한 15개 주식 포트폴리오에서, 80.64%의 케이스에서 모델의 성능이 벤치마크보다 우월하거나 동일한 것으로 간주될 수 있는 80% 이상의 신뢰도를 확보했다.
• 이중국가 포트폴리오의 경우, 50%의 케이스에서 성능 우월성에 대한 신뢰도가 90%를 초과하여 다각화 효과가 신뢰 수준에 미치는 영향을 입증했다.
• 수익 차이의 실증적 분포는 우측으로 치우치고 꼬리가 긴 형태를 보였으며, 이는 점근적 분석 방법 대신 부트스트랩 재표본화의 사용이 타당하다는 것을 검증했다.
• 10%의 중기 임계값 전략은 미국 시장에서만 97.06%의 신뢰도로 성능 우월성을 확보했으며, 평균 수익 차이는 11.88%였다.
• 모든 테스트된 임계값과 시장 조합에서 모델의 성능는 통계적으로 뛰어나며, 다각도 포트폴리오의 8개 케이스 중 7개에서 Pr(X ≥ 0)가 80%를 초과했다.