[논문 리뷰] U-CNNpred: A Universal CNN-based Predictor for Stock Markets

Ehsan Hoseinzade, Saman Haratizadeh외 1명|arXiv (Cornell University)|2019. 11. 28.

Stock Market Forecasting Methods참고 문헌 70인용 수 6

한 줄 요약

U-CNNpred는 다양한 글로벌 금융 데이터를 기반으로 계층적 훈련을 통해 일반적인 시장 동력을 학습하는 CNN 기반의 유니버설 주식시장 예측 모델을 제안한다. 다중 시장 역사적 데이터를 기반으로 기본 모델을 사전 훈련한 후 새로운 시장에 대해 미세조정함으로써, 최신 기준 모델들보다 뛰어난 방향성 예측 성능를 달성하며, 금융 예측 분야에서 강력한 전이학습 능력을 입증한다.

ABSTRACT

The performance of financial market prediction systems depends heavily on the quality of features it is using. While researchers have used various techniques for enhancing the stock specific features, less attention has been paid to extracting features that represent general mechanism of financial markets. In this paper, we investigate the importance of extracting such general features in stock market prediction domain and show how it can improve the performance of financial market prediction. We present a framework called U-CNNpred, that uses a CNN-based structure. A base model is trained in a specially designed layer-wise training procedure over a pool of historical data from many financial markets, in order to extract the common patterns from different markets. Our experiments, in which we have used hundreds of stocks in S\&P 500 as well as 14 famous indices around the world, show that this model can outperform baseline algorithms when predicting the directional movement of the markets for which it has been trained for. We also show that the base model can be fine-tuned for predicting new markets and achieve a better performance compared to the state of the art baseline algorithms that focus on constructing market-specific models from scratch.

연구 동기 및 목표

• 기존 모델이 새로운 시장에 대해 다시 시작부터 특화된 훈련이 필요하여 일반화 능력이 제한됨을 해결하기 위해.
• 금융 시장에 공통적으로 존재하는 유니버설 패턴을 추출하고 이를 예측 성능 향상에 활용할 수 있는지 탐구하기 위해.
• 단일 사전 훈련된 모델을 효과적으로 새로운 주식시장에 맞게 미세조정할 수 있는 전이학습 프레임워크를 개발하기 위해.
• 시장 특화 데이터에만 훈련된 모델보다 일반적인 시장 역학을 학습하는 것이 예측 정확도 향상에 기여하는지 입증하기 위해.

제안 방법

• 다양한 글로벌 시장의 역사적 금융 데이터를 대규모이고 다양한 조합의 훈련 데이터로 사용하여 CNN 기반 모델을 계층적 사전 훈련 절차로 훈련시키기 위해.
• 사전 훈련된 기본 모델을 다양한 주식 인덱스 및 자산 간 공통된 시간적 및 구조적 패턴을 캡처하는 유니버설 특징 추출기로 사용하기 위해.
• 최소한의 추가 훈련으로 새로운 시장의 동적 특성에 적응하기 위해 전이학습을 활용하여 사전 훈련된 모델을 목표 시장 데이터에서 미세조정하기 위해.
• 일련의 가격 및 수익률 데이터를 처리하기 위해 1D 컨volutional 신경망 아키텍처를 사용하여 계층적인 시간적 특징을 추출하기 위해.
• 사전 훈련된 특징을 활용하여 과적합을 줄이고 제한된 새로운 시장 데이터에서 일반화 능력을 향상시키기 위해 전이학습을 적용하기 위해.
• 금융 시계열의 방향성 이동(상승/하락)을 예측하기 위해 표준 분류 헤드를 적용하기 위해.

실험 결과

연구 질문

• RQ1 단일 CNN 기반 모델이 다양한 금융 시장 간 이식 가능한 일반적인 시장 역동성을 학습할 수 있는가?
• RQ2 단일 시장에서 다시 시작하여 훈련하는 것보다 광범위한 글로벌 시장 데이터 풀에서 사전 훈련하면 예측 성능이 향상되는가?
• RQ3 사전 훈련된 모델이 새로운, 알려지지 않은 시장에 대해 얼마나 효과적으로 미세조정될 수 있으며, 기존의 최신 기준 모델들보다 성능이 뛰어난가?
• RQ4 이질적인 금융 시계열에서 의미 있는 유니버설 특징을 추출하기 위해 계층적 훈련 절차가 얼마나 효과적인가?
• RQ5 전이학습이 주식시장 예측에서 모델의 일반화 능력과 예측 정확도에 어떤 영향을 미치는가?

주요 결과

• U-CNNpred 모델은 훈련된 시장에 대해 기준 알고리즘보다 방향성 예측 성능이 뛰어나며, 유니버설 특징 학습을 통해 정확도 향상을 입증한다.
• 사전 훈련된 기본 모델은 미세조정 후 기존의 최신 기준 모델들보다 새로운 시장에서 더 뛰어난 성능을 보이며, 전이학습의 효과성을 입증한다.
• 다양한 역사적 데이터 풀에서 계층적 훈련을 통해 다양한 금융 시장 간 공통 패턴을 추출할 수 있으며, 이는 일반화 능력을 향상시킨다.
• 새로운 시장 데이터에 대해 유니버설 기본 모델을 미세조정하면 무작위 초기화에서 훈련하는 것보다 빠른 수렴과 더 높은 예측 정확도를 달성한다.
• 미국 주식(스탠더드앤드푸어스 500), 글로벌 인덱스(DAX, FTSE, 니케이), 상품, 환율 등 다양한 자산 클래스에서 모델이 뛰어난 성능을 보인다.
• 금융 시계열에서 CNN를 특징 추출에 활용하는 것이 복잡한 비선형 시간적 의존성을 효과적으로 포착하여 방향성 예측을 향상시킨다.