[논문 리뷰] A Deep Learning Framework for Pricing Financial Instruments

Qiong Wu, Zheng Zhang외 3명|arXiv (Cornell University)|2019. 01. 01.

Stock Market Forecasting Methods참고 문헌 42인용 수 6

한 줄 요약

이 논문은 주가 움직임 예측을 위해 기술적 지표, 금융 뉴스, 교차구조 신호를 통합하는 딥러닝 프레임워크를 제안한다. 그래프 기반 아키텍처를 사용하여 자산 간 상호작용을 효율적으로 모델링하고 과적합을 방지한다. 이 모델은 선형 기반 모델 대비 우수한 일반화 성능과 낮은 계산 비용을 달성하며, 다양한 거래 시뮬레이터에서 예측 정확도와 수익화 성능 모두에서 기존 방법을 능가한다.

ABSTRACT

We propose an integrated deep learning architecture for the stock movement prediction. Our architecture simultaneously leverages all available alpha sources. The sources include technical signals, financial news signals, and cross-sectional signals. Our architecture possesses three main properties. First, our architecture eludes overfitting issues. Although we consume a large number of technical signals but has better generalization properties than linear models. Second, our model effectively captures the interactions between signals from different categories. Third, our architecture has low computation cost. We design a graph-based component that extracts cross-sectional interactions which circumvents usage of SVD that's needed in standard models. Experimental results on the real-world stock market show that our approach outperforms the existing baselines. Meanwhile, the results from different trading simulators demonstrate that we can effectively monetize the signals.

연구 동기 및 목표

• 기술적 지표, 금융 뉴스, 교차구조 신호와 같은 다양한 알파 소스를 통합하는 통합된 딥러닝 아키텍처를 개발하여 주가 움직임 예측을 향상시키는 것.
• 특히 선형 모델과 비교할 때 많은 수의 기술적 신호를 사용하는 데서 흔히 발생하는 과적합 문제를 해결하는 것.
• SVD와 같은 계산 비용이 큰 방법에 의존하지 않고도 다양한 카테고리의 신호 간 복잡한 상호작용을 효과적으로 모델링하는 것.
• SVD를 그래프 기반 구성 요소로 대체하여 교차구조 관계 모델링의 계산 비용을 줄이는 것.
• 다양한 거래 시뮬레이터에서의 백테스트를 통해 모델이 경제적으로의미 있는 알파를 생성할 수 있음을 입증하는 것.

제안 방법

• 기술적 신호, 금융 뉴스 임베딩, 교차구조 데이터를 별도로 처리하는 다중 스트림 입력 처리 파이프라인을 활용한다.
• 교차구조 신호 간의 상호작용을 모델링하기 위해 그래프 기반 신경망 구성 요소를 도입하여 기존의 SVD 기반 분해 방식을 대체한다.
• 모델은 모든 세 가지 유형의 신호 표현을 학습 가능한 어텐션 또는 연결 메커니즘을 통해 융합하여 공동 학습을 가능하게 한다.
• 모델은 예측 손실 함수를 최적화하기 위해 확률적 경사 하강법을 사용하여 엔드 투 엔드로 훈련된다.
• 높은 신호 차원성에도 불구하고 과적합을 완화하기 위해 드롭아웃 및 가중치 감쇠와 같은 정규화 기법을 적용한다.
• 모델 아키텍처는 파rameter 효율성을 고려하여 설계되어 추론 비용을 최소화하면서도 높은 예측 성능를 유지한다.

실험 결과

연구 질문

• RQ1 기술적, 뉴스, 교차구조 신호와 같은 이질적인 알파 소스를 단일 예측 모델에 효과적으로 통합할 수 있는가?
• RQ2 제안된 교차구조 상호작용 모델링을 위한 그래프 기반 구성 요소가 전통적인 SVD 기반 접근 방식에 비해 계산 효율성과 예측 정확도 면에서 뛰어나지 않는가?
• RQ3 많은 수의 기술적 지표에 노출되었을 때 선형 모델에 비해 모델의 일반화 능력은 어느 정도 향상되는가?
• RQ4 다양한 시장 환경에서 시뮬레이션된 거래 환경에서 모델의 예측이 효과적으로 수익화될 수 있는가?
• RQ5 카테고리 간의 신호 상호작용은 개별 신호 성능를 넘어서 주가 움직임 예측 성능 향상에 어떻게 기여하는가?

주요 결과

• 많은 수의 기술적 신호를 사용하고도 선형 모델에 비해 더 우수한 일반화 성능를 보이며, 과적합이 효과적으로 완화됨을 시사한다.
• SVD에 의존하지 않고도 그래프 기반 구성 요소가 교차구조 상호작용을 성공적으로 포착하여 기존 표준 모델 대비 낮은 계산 비용을 기록한다.
• 실제 시장 데이터에서 기존 기준 모델 대비 주가 움직임 예측 정확도에서 뛰어난 성능을 보였다.
• 다양한 거래 시뮬레이터에서의 백테스트를 통해 모델이 경제적으로의의미 있는 알파를 생성함을 확인하였으며, 통합된 신호의 효과적인 수익화를 입증하였다.
• 다양한 유형의 신호 통합은 예측 성능 향상에 기여하며, 카테고리 간 상호작용을 모델링하는 것이 중요하다는 점을 강조한다.