[논문 리뷰] Trader-Company Method: A Metaheuristic for Interpretable Stock Price Prediction

Katsuya Ito, Kentaro Minami외 2명|arXiv (Cornell University)|2020. 12. 18.

Stock Market Forecasting Methods참고 문헌 34인용 수 6

한 줄 요약

이 논문은 금융 기관을 모방하는 메타휴리스틱 프레임워크인 Trader-Company 방법을 제안한다. 이 방법은 해석 가능한 '트레이더'를 사용하며, 각 트레이더는 주가 수익률을 예측하기 위해 단순한 수학적 공식(알파 요소)을 적용한다. '회사'는 이러한 예측을 집계하고, 성과가 열악한 트레이더를 재훈련하거나 퇴출하며, 무작위로 새로운 트레이더를 채용함으로써 동적으로 모델을 업데이트한다. 이는 미국 및 영국 주식 데이터에서 뛰어난 성능을 달성하면서도 모델의 해석 가능성을 유지한다.

ABSTRACT

Investors try to predict returns of financial assets to make successful investment. Many quantitative analysts have used machine learning-based methods to find unknown profitable market rules from large amounts of market data. However, there are several challenges in financial markets hindering practical applications of machine learning-based models. First, in financial markets, there is no single model that can consistently make accurate prediction because traders in markets quickly adapt to newly available information. Instead, there are a number of ephemeral and partially correct models called "alpha factors". Second, since financial markets are highly uncertain, ensuring interpretability of prediction models is quite important to make reliable trading strategies. To overcome these challenges, we propose the Trader-Company method, a novel evolutionary model that mimics the roles of a financial institute and traders belonging to it. Our method predicts future stock returns by aggregating suggestions from multiple weak learners called Traders. A Trader holds a collection of simple mathematical formulae, each of which represents a candidate of an alpha factor and would be interpretable for real-world investors. The aggregation algorithm, called a Company, maintains multiple Traders. By randomly generating new Traders and retraining them, Companies can efficiently find financially meaningful formulae whilst avoiding overfitting to a transient state of the market. We show the effectiveness of our method by conducting experiments on real market data.

연구 동기 및 목표

• 일관되게 수익률을 예측할 수 없는 비정상적이고 거의 효율적인 금융 시장의 도전 과제를 해결한다.
• 블랙박스 기계학습 모델의 한계를 극복하기 위해 단순하고 수식 기반의 알파 요소를 통해 해석 가능성을 강조한다.
• 비정상적인 시장 조건에 유연하게 대응할 수 있도록 동적으로 진화하는 확장 가능한 적응형 프레임워크를 개발한다.
• 기업 거버넌스를 모방한 훈련 메커니즘(회사)을 통해 다수의 약한 해석 가능한 모델(트레이더)을 앙상블 집계함으로써 예측의 견고성을 향상시킨다.

제안 방법

• 각 '트레이더'는 약한 학습자로서 미래 주가 수익률을 예측하기 위해 단순한 수학적 공식(예: 로그 수익률 비율, 기술적 지표 등)을 적용한다.
• '회사'는 다수의 트레이더의 예측을 가중치 기반 앙상블 전략을 사용해 집계하는 메타학습자로 기능한다.
• 회사는 네 가지 핵심 기능을 구현한다: (1) 예측 집계, (2) 성과가 열악한 트레이더의 재훈련, (3) 성과가 열악한 트레이더의 퇴출, (4) 수식의 무작위 생성을 통한 신규 트레이더 채용.
• 훈련된 트레이더는 역사적 수익률을 기반으로 업데이트되며, 성능은 예측 정확도 또는 샤프 지수를 통해 측정되어 퇴출 및 채용을 이끌어낸다.
• 시간이 지남에 따라 트레이더 집단이 진화하는 형태의 진화 계산을 적용하여 일시적인 시장 상태에 대한 과적합을 방지한다.
• 정량적 금융에서 흔히 사용되는 인간이 읽을 수 있는 간단한 수학적 표현으로 제한함으로써 프레임워크는 해석 가능성을 유지하도록 설계되었다.

실험 결과

연구 질문

• RQ1 진화하는 해석 가능한 수식 기반 알파 요소를 갖는 메타휴리스틱 프레임워크가 주가 예측에서 표준 기준 모델을 능가할 수 있는가?
• RQ2 트레이더의 동적 채용, 재훈련, 퇴출이 비정상적인 시장 조건에 적응하는 데 얼마나 효과적인가?
• RQ3 약한 해석 가능한 모델들을 앙상블 집계함으로써 개별 모델 대비 얼마나 더 견고한 예측 성능을 달성하는가?
• RQ4 회사의 거버넌스를 모방한 훈련 메커니즘이 변동성이 큰 금융 데이터에서 과적합을 줄이고 일반화 능력을 향상시키는가?
• RQ5 이 방법이 복잡한 딥러닝 아키텍처에 의존하지 않고도 다양한 시장(예: 미국 및 영국)에서 일관된 슈퍼리어 성능을 달성할 수 있는가?

주요 결과

• Trader-Company 방법은 미국 및 영국 주식 시장 데이터셋 모두에서 표준 기준 모델을 능가하는 뛰어난 예측 성능을 보였다.
• 제거 실험을 통해 채용, 퇴출, 재훈련, 집계 각 요소가 전체 모델 성능에 기여하는 것으로 확인되었다.
• 일부 설정에서는 예측 정확도가 51%를 초과하여 매우 효율적인 시장에서 무작위 추측보다 유의미한 우위를 확보했다.
• 해석 가능한 수식 기반 트레이더의 사용으로 모델의 의사결정 논리에 명확한 금융적 해석이 가능해졌으며, 실제 거래 환경에서 신뢰도와 활용도가 향상되었다.
• 무작위 생성과 선택적 유지 전략을 통한 트레이더의 동적 진화로 인해 일시적인 시장 제도 변화에 과적합 없이 적응할 수 있었다.
• 다양한 시장 조건에서도 견고성을 유지하여 일시적인 시장 비효율성과 노이즈에 대한 저항력이 뛰어나다는 점을 시사했다.