[논문 리뷰] Time Series Prediction : Predicting Stock Price

Aaron Elliot, Cheng Hua Hsu|arXiv (Cornell University)|2017. 10. 16.

Stock Market Forecasting Methods참고 문헌 1인용 수 5

한 줄 요약

이 논문은 S&P 500 주가 예측을 위해 마팅게일, 선형, 일반화선형모형(GLM), 및 LSTM 기반 RNN 모델 네 가지를 평가한다. 시간적 의존성을 포착할 수 있는 RNN의 능력에도 불구하고, 예측 정확도에서 단순한 마팅게일 기준선을 능가하지 못함으로써, 시계열 예측 분야에 여전히 지속적인 과제가 있음을 시사한다. 본 연구는 실용적이고 저위험으로의 구현을 가능하게 하는 온라인-배치 알고리즘과 옵션 기반 거래 전략을 추가로 제안한다.

ABSTRACT

Time series forecasting is widely used in a multitude of domains. In this paper, we present four models to predict the stock price using the SPX index as input time series data. The martingale and ordinary linear models require the strongest assumption in stationarity which we use as baseline models. The generalized linear model requires lesser assumptions but is unable to outperform the martingale. In empirical testing, the RNN model performs the best comparing to other two models, because it will update the input through LSTM instantaneously, but also does not beat the martingale. In addition, we introduce an online to batch algorithm and discrepancy measure to inform readers the newest research in time series predicting method, which doesn't require any stationarity or non mixing assumptions in time series data. Finally, to apply these forecasting to practice, we introduce basic trading strategies that can create Win win and Zero sum situations.

연구 동기 및 목표

• S&P 500 주가 데이터에 대해 마팅게일, 선형, GLM, RNN의 네 가지 시계열 모델의 예측 성능을 평가하는 것.
• 실제 세계의 가정 조건 하에서 GLM 및 RNN과 같은 고급 모델이 단순 기준선 모델을 능가할 수 있는지 평가하는 것.
• 예측 모델을 활용해 승패가 없는 또는 제로섬 결과를 달성할 수 있는 실용적 거래 전략을 탐색하는 것.
• 예측 모델의 정(stationarity) 또는 혼합 가정을 필요로 하지 않는 온라인-배치 알고리즘과 이질성 측도를 도입하는 것.

제안 방법

• 모델 훈련 및 평가를 위해 S&P 500 지수를 입력 시계열 데이터로 사용한다.
• 현재 가격이 최고의 예측치라고 가정하는 마팅게일 모델을 기준선으로 활용한다.
• 로그정규분포를 띠는 수익률을 모델링하기 위해 로그 링크 함수를 사용하는 일반화선형모형(GLM)을 적용한다.
• 순차적 데이터의 장기적 의존성을 포착하기 위해 장기적 단기 기억(LSTM) 순환신경망을 구현한다.
• 온라인 학습 모델을 이론적 보장이 있는 배치 학습으로 변환하기 위해 온라인-배치(OTB) 알고리즘을 도입한다.
• 옵션 기반 헤지, 아웃리어, 평균회귀, 스캘핑 등 예측 결과를 실질적으로 적용할 수 있는 거래 전략을 설계한다.

실험 결과

연구 질문

• RQ1 LSTM-RNN과 같은 딥러닝 모델이 주가 예측에서 마팅게일과 같은 단순 모델을 능가할 수 있는가?
• RQ2 로그 링크 함수를 사용하는 GLM이 선형 및 마팅게일 기준선에 비해 S&P 500 데이터에서 예측 정확도를 향상시킬 수 있는가?
• RQ3 정상성 및 혼합 가정이 전통적 시계열 모델의 주가 예측 성능에 얼마나 큰 제약을 가하는가?
• RQ4 온라인-배치 알고리즘이 정상성 또는 혼합 가정 없이도 강건한 예측을 가능하게 할 수 있는가?
• RQ5 예측 모델은 어떻게 실질적인 방법으로 옵션 기반 및 알고리즘 거래 전략을 통해 일관된 수익을 창출할 수 있는가?

주요 결과

• RNN 모델은 MAE 및 RMSE 측면에서 네 모델 중 가장 우수한 성능을 보였지만, 여전히 마팅게일 기준선을 능가하지 못했다.
• 현재 가격이 최고의 예측치라고 가정하는 마팅게일 모델은 여전히 강력한 기준선를 유지하며, 주가 수익률의 예측 가능성이 제한적임을 시사한다.
• 선형 모델보다 더 적은 가정을 필요로 하는 GLM 모델이 마팅게일을 능가하지 못함으로써, 예측 능력 향상에 한계가 있음을 시사한다.
• 제안된 온라인-배치 알고리즘은 정상성 또는 혼합 가정에 의존하지 않고도 예측을 가능하게 하여, 비정상 시계열에 대한 강건한 대안을 제공한다.
• 옵션 헤지, 아웃리어, 평균회귀 전략과 같은 거래 전략은 예측 모델을 실용적이고 저위험 응용으로 전환할 수 있으며, 승패가 없는 또는 제로섬 결과를 달성할 수 있다.
• 예측 정확도가 최적화되지 않은 상태에서도 모델을 옵션 및 알고리즘 전략과 통합함으로써 수익성이 있으며 위험을 최소화한 거래를 가능하게 한다.