[논문 리뷰] Supervised Autoencoder MLP for Financial Time Series Forecasting

Bartosz Bieganowski, Robert Ślepaczuk|arXiv (Cornell University)|2024. 04. 02.

Stock Market Forecasting MethodsDecision Sciences인용 수 3

한 줄 요약

이 논문은 S&P 500, EUR/USD, BTC/USD 데이터에서 전통적 접근 방식을 능가하기 위해, 노이즈 증강 데이터와 트리플 바리어 레이블링을 활용한 감독형 오토에인코드르-멀티레이어퍼셉트론(SAE-MLP)을 재무 시계열 예측을 위한 것으로 제안한다. 최적의 노이즈 수준과 버블넥트 크기의 조합이 전략 성능을 크게 향상시키며, 하이퍼파ram터 튜닝이 성과 향상에 결정적인 역할을 한다는 점을 입증한다.

ABSTRACT

This paper investigates the enhancement of financial time series forecasting with the use of neural networks through supervised autoencoders, aiming to improve investment strategy performance. It specifically examines the impact of noise augmentation and triple barrier labeling on risk-adjusted returns, using the Sharpe and Information Ratios. The study focuses on the S&P 500 index, EUR/USD, and BTC/USD as the traded assets from January 1, 2010, to April 30, 2022. Findings indicate that supervised autoencoders, with balanced noise augmentation and bottleneck size, significantly boost strategy effectiveness. However, excessive noise and large bottleneck sizes can impair performance, highlighting the importance of precise parameter tuning. This paper also presents a derivation of a novel optimization metric that can be used with triple barrier labeling. The results of this study have substantial policy implications, suggesting that financial institutions and regulators could leverage techniques presented to enhance market stability and investor protection, while also encouraging more informed and strategic investment approaches in various financial sectors.

연구 동기 및 목표

• 감독형 오토에인코드르를 활용한 재무 시계열 예측에서 알고리즘 투자 전략의 성능을 향상시키는 것.
• 노이즈를 통한 데이터 증강과 오토에인코드르를 통한 노이즈 제거가 전략 효과성 향상에 기여하는지 조사하는 것.
• 분류기 성능에 미치는 영향을 고려해 트리플 바리어 레이블링과 단순 방향 분류 간의 영향을 평가하는 것.
• 하이퍼파ram터 튜닝이 리스크 조정 수익률 최적화에 미치는 역할을 평가하는 것.
• 재무 예측에 특화된 트리플 바리어 레이블링을 위한 새로운 최적화 지표를 개발하는 것.

제안 방법

• 고주기 가격 데이터의 압축된 표현을 학습하기 위해 감독형 오토에인코드르-MLP(SAE-MLP) 아키텍처를 사용하였다.
• 일반화 및 시장 노이즈에 대한 강건성을 향상시키기 위해 학습 중 가우시안 노이즈 증강을 적용하였다.
• 차원 감소와 특징 학습을 유도하기 위해 오토에인코드르의 버블넥트 레이어를 사용하였다.
• 정확한 가격 값을 예측하는 대신 방향을 예측함으로써 가격 예측을 분류 작업으로 전환하였다.
• 고정된 수익 목표(이득 및 손절가) 기반으로 종료 지점을 정의하기 위해 트리플 바리어 레이블링을 구현하였다.
• 트리플 바리어 레이블링 데이터에 특화된 새로운 최적화 지표를 개발하여 모델 학습 및 평가의 효율성을 높였다.

실험 결과

연구 질문

• RQ1 노이즈를 통한 데이터 증강과 오토에인코드르를 통한 노이즈 제거가 재무 거래 전략의 성능 향상에 기여하는가?
• RQ2 단순 방향 분류 대비 트리플 바리어 레이블링이 분류기 성능에 더 나은 영향을 미치는가?
• RQ3 하이퍼파라미터 튜닝이 투자 전략의 성능 향상에 기여하는가?
• RQ4 트리플 바리어 레이블링 재무 데이터에 효과적으로 도출되고 적용될 수 있는 새로운 최적화 지표를 유도할 수 있는가?
• RQ5 최적의 전략 성능는 노이즈 수준과 오토에인코드르 버블넥트 크기의 변화에 얼마나 민감한가?

주요 결과

• 가우시안 노이즈를 통한 데이터 증강과 오토에인코드르를 통한 노이즈 제거가 전략 성능 향상에 크게 기여하였으며, 최적의 결과는 균형 잡힌 노이즈 수준과 버블넥트 크기에서 관찰되었다.
• 15분 및 30분 바에 대해, 노이즈와 오토에인코드르 노이즈 제거를 사용한 '방법 3'이 등가 포트폴리오의 인포메이션 비율 측면에서 기준선 두 가지를 모두 능가하였다.
• 15분 및 30분 바에서 트리플 바리어 레이블링이 단순 방향 분류보다 뛰어난 성능을 보였으며, 이는 시장 노이즈에 대한 더 나은 대처 능력과 향상된 최적화 대칭성을 보여주었다.
• 5분 바에서는 트리플 바리어 레이블링 성능이 노이즈 증강 접근보다 열 劣하였으며, 이는 고주기 설정에서의 잠재적 한계를 시사한다.
• 하이퍼파라미터 튜닝이 필수적이었으며, 최적의 성능는 노이즈 수준과 버블넥트 크기의 특정 조합에서만 나타났다. 이는 이러한 파라미터와 전략 수익률 간의 비선형적 관계를 강조한다.
• 연구에서는 트리플 바리어 레이블링에 특화된 새로운 최적화 지표를 유도하였으며, 이는 이 레이블링 체계 하에서 모델의 학습 및 평가를 더 효과적으로 가능하게 하였다.