[논문 리뷰] Uncertainty-Aware Lookahead Factor Models for Quantitative Investing

Lakshay Chauhan, John Alberg외 1명|arXiv (Cornell University)|2020. 07. 07.

Stock Market Forecasting Methods참고 문헌 45인용 수 7

한 줄 요약

이 논문은 딥러닝을 활용해 향후 기본적 요소를 예측하고 예측 불확실성을 통합함으로써 포트폴리오 성과를 향상시키는 불확실성 인식형 앞서가는 요인 모델(LFMs)을 제안한다. 5년 치 기본적 요소 역사 데이터를 기반으로 LSTMs를 훈련하고, 예측 분산에 반비례하게 요인 가중치를 조정함으로써, 연간 수익률 17.7%와 샤프 지수 0.84를 기록하며 표준 요인 모델(14.0% 수익률, 샤프 지수 0.52)을 크게 앞서는 성과를 달성한다.

ABSTRACT

On a periodic basis, publicly traded companies report fundamentals, financial data including revenue, earnings, debt, among others. Quantitative finance research has identified several factors, functions of the reported data that historically correlate with stock market performance. In this paper, we first show through simulation that if we could select stocks via factors calculated on future fundamentals (via oracle), that our portfolios would far outperform standard factor models. Motivated by this insight, we train deep nets to forecast future fundamentals from a trailing 5-year history. We propose lookahead factor models which plug these predicted future fundamentals into traditional factors. Finally, we incorporate uncertainty estimates from both neural heteroscedastic regression and a dropout-based heuristic, improving performance by adjusting our portfolios to avert risk. In retrospective analysis, we leverage an industry-grade portfolio simulator (backtester) to show simultaneous improvement in annualized return and Sharpe ratio. Specifically, the simulated annualized return for the uncertainty-aware model is 17.7% (vs 14.0% for a standard factor model) and the Sharpe ratio is 0.84 (vs 0.52).

연구 동기 및 목표

• 예측된 향후 기본적 요소를 현재의 기본적 요소 대신 사용할 경우 정량적 투자에서 포트폴리오 성과가 향상되는지 조사하는 것.
• 수익 예측의 높은 불확실성 문제를 요인 구성에 모델 불확실성을 통합하여 해결하는 것.
• 불확실성 인식형 앞서가는 요인 모델이 절대 수익 및 리스크 조정 수익 측면에서 표준 요인 모델을 능가하는지 평가하는 것.
• 신경망 이방성 회귀와 드롭아웃 기반 불확실성 추정이 투자 결정을 향상시키는 데 효과적인지 평가하는 것.
• 20년에 걸친 샘플 외 시험 기간 동안 산업 수준의 시뮬레이션 도구를 활용한 철저한 백테스팅 프레임워크를 통해 접근 방식을 검증하는 것.

제안 방법

• 향후 12개월 뒤의 수익(EBIT)을 예측하기 위해 5년 치 역사적 기본적 요소 데이터를 기반으로 장기 단기 기억(LSTM) 네트워크를 훈련한다.
• 기존의 가치 요인(예: EBIT/EV)에 예측된 향후 수익을 통합하여 앞서가는 요인 모델(LFMs)을 구성한다.
• 두 가지 방법을 사용해 예측 불확실성을 추정한다: 신경망 이방성 회귀와 분산 추정을 위한 드롭아웃 기반 히우리스틱.
• 추정된 분산에 반비례하게 수익 예측을 스케일링하여 고불확실성 주식에 대한 노출을 줄이는 리스크 조정 요인을 생성한다.
• 산업 수준의 백테스터를 사용하여 분기별로 재조정되는 50종목의 장기 전용 전략의 포트폴리오 성과를 시뮬레이션한다.
• 무작위로 선택된 주식 유니버스 서브셋(70%)을 사용해 300회의 시뮬레이션을 수행하여 내구성을 확보하고, 통계적 유의성 검증을 위해 부트스트랩 리샘플링을 실시한다.

실험 결과

연구 질문

• RQ1 예측된 향후 기본적 요소를 사용하는 앞서가는 요인 모델이 현재의 기본적 요소를 기반으로 하는 표준 요인 모델보다 유의미하게 뛰어나게 성과를 내는가?
• RQ2 예측 불확실성을 통합할 경우 정량적 투자에서 리스크 조정 수익률이 얼마나 향상되는가?
• RQ3 투자 요인 구성의 향후 기본적 요소 예측에 있어 딥러닝 아키텍처(LSTM 대 비대칭 다층퍼셉트론(MLP)) 간의 성능 비교는 어떻게 되는가?
• RQ4 불확실성 인식형 앞서가는 요인을 사용할 경우 샤프 지수와 연간 수익률 향상이 통계적으로 유의미한가?
• RQ5 드롭아웃 기반 방법과 이방성 회귀로부터 유도된 불확실성 추정치가 높은 수익을 유지하면서 포트폴리오 변동성을 효과적으로 줄일 수 있는가?

주요 결과

• 완벽한 향후 수익 예측을 사용하는 천재 모델은 복리 연간 수익률(CAR) 40%를 기록하여 향후 기반 요소의 잠재적 가치를 입증한다.
• 불확실성 인식형 앞서가는 요인 모델(UQ-LSTM)은 시뮬레이션 연간 수익률 17.7%를 달성하여 표준 요인 모델의 14.0%를 크게 앞서는 성과를 보였다.
• 불확실성 인식 모델의 샤프 지수는 0.84에 달했고, 표준 요인 모델의 0.52와 비교해 리스크 조정 수익 측면에서 뛰어난 성과를 보였다.
• 쌍체 t-검정을 통해 불확실성 인식 모델의 샤프 지수 향상은 유의수준 0.05에서 통계적으로 유의미하다는 것이 확인되었다.
• 횡단면 분석 결과, 하위 10분위에서 상위 10분위로 갈수록 수익률이 단조롭게 증가했으며, UQ-LSTM 모델은 요인 프리미엄 0.83과 t-통계량 3.57을 기록했다.
• 다양한 내구성 검증을 거친 결과, UQ-LSTM 모델은 수익 및 리스크 조정 지표 측면에서 표준 요인 모델과 불확실성 인식이 없는 LFM 변형보다 모두 뛰어난 성과를 보였다.