[논문 리뷰] Applications of deep learning in stock market prediction: recent progress

Weiwei Jiang|RePEc: Research Papers in Economics|2020. 02. 29.

Stock Market Forecasting Methods인용 수 7

한 줄 요약

이 종합 검토는 2017–2019년 사이에 발표된 주식시장 예측을 위한 딥러닝 기술의 최근 발전을 다루며, 데이터 소스, 신경망 아키텍처(예: LSTMs, GCNs, Transformers), 평가 지표, 그리고 구현 방법을 분류한다. 연구는 오픈소스 코드 링크를 통해 재현 가능성(reproducibility)을 강조하며, 향후 연구 방향으로 다중모odal 데이터 융합, 교차시장 전이학습, 알고리즘 트레이딩을 위한 딥 러닝 강화학습 등을 제시한다.

ABSTRACT

Stock market prediction has been a classical yet challenging problem, with the attention from both economists and computer scientists. With the purpose of building an effective prediction model, both linear and machine learning tools have been explored for the past couple of decades. Lately, deep learning models have been introduced as new frontiers for this topic and the rapid development is too fast to catch up. Hence, our motivation for this survey is to give a latest review of recent works on deep learning models for stock market prediction. We not only category the different data sources, various neural network structures, and common used evaluation metrics, but also the implementation and reproducibility. Our goal is to help the interested researchers to synchronize with the latest progress and also help them to easily reproduce the previous studies as baselines. Base on the summary, we also highlight some future research directions in this topic.

연구 동기 및 목표

• 최근 3년간의 연구에 집중하여 주식시장 예측에 응용된 딥러닝 기술에 대한 종합적이고 최신의 리뷰를 제공하는 것.
• 기존 연구를 보다 체계적으로 분류하고 비교할 수 있도록 예측 워크플로우를 데이터 수집, 처리, 모델링, 평가의 단계별로 체계화하는 것.
• 출판된 논문들에서 제공하는 오픈소스 코드 및 데이터 링크를 취합하여 연구의 재현 가능성을 향상시키는 것.
• 다중모달 데이터 통합, 교차시장 분석, 알고리즘 트레이딩을 위한 딥러닝 강화학습 등 아직 미비하게 다뤄진 연구 방향을 식별하는 것.
• 연구자들이 기존 모델을 베이스라인으로 활용하고, 접근 가능한 구현 자원을 통해 혁신을 가속화할 수 있도록 지원하는 것.

제안 방법

• 피드포워드, 컨volutional, 순환, 그래프 신경망 등 주식 예측에 사용된 딥러닝 모델을 분류하며, 주의 메커니즘(attention mechanisms)과 GANs에 중점을 둔다.
• 이전 가격 데이터, 뉴스, 소셜 미디어(예: 트위터), 주식 간 관계 지식 그래프 등 다양한 데이터 소스를 분석한다.
• RMSE, MAE, 샤프 비율 등 평가 지표를 검토하며, 실제 거래 환경에서의 한계점을 논의한다.
• 20개 이상의 주요 연구 논문에 대한 GitHub 링크를 취합하여 구현 방법을 강조함으로써 재현 가능성과 베이스라인 테스트를 가능하게 한다.
• 주식 예측을 위한 구조화된 워크플로우를 제안: 데이터 수집 → 전처리 → 모델 선택 → 학습 → 평가 → 거래 시뮬레이션.
• 강화학습 및 전이학습의 통찰을 통합하여 교차시장 일반화 및 동적 트레이딩 전략을 모델링한다.

실험 결과

연구 질문

• RQ1 최근 3년간 주식시장 예측에 가장 효과적인 딥러닝 아키텍처는 무엇이며, 어떻게 진화해왔는가?
• RQ2 특히 뉴스 및 소셜 미디어와 같은 대체 데이터(alt. data)는 예측 성능에 어떤 기여를 하는가?
• RQ3 기존 모델의 재현 가능성은 어느 정도이며, 오픈소스 구현은 연구 가속화에 어떤 역할을 하는가?
• RQ4 거래 수수료 및 시장 현실성 측면에서 현재 평가 방법의 주요 한계는 무엇인가?
• RQ5 교차시장 전이학습과 다중모달 데이터 융합은 주식 예측 모델의 일반화 및 강건성 향상에 어떻게 기여할 수 있는가?

주요 결과

• 주목적 메커니즘과 그래프 신경망(예: HATS, RSR)은 주식 데이터의 시간적 및 관계적 의존성을 모델링함으로써 성능을 크게 향상시켰다.
• 미국 주식시장 데이터로 학습된 모델들이 다른 국제 시장으로도 전이 가능함을 보여주며, 최소한의 피팅 조정으로도 교차시장 학습 잠재력이 있음을 시사한다.
• 강화학습 기반 전략(예: 딥 Q-네트워크)은 백테스트에서 단순한 '사고持有' 또는 규칙 기반 전략을 능가하지만, 실세계 적용은 여전히 도전 과제이다.
• BERT 유사 모델을 활용한 금융 뉴스 및 소셜 미디어 데이터 통합은 유망하지만, 가격 기반 모델에 비해 아직 다루어지지 않은 분야이다.
• 조사된 연구의 80% 이상에서 오픈소스 코드를 제공하여 재현 가능성이 크게 향상되었으며, 다양한 모델 간 공정한 벤치마킹이 가능해졌다.
• 다양한 발전에도 불구하고, 대부분의 모델들이 거래 수수료와 시장 영향력을 간과하고 있어 실전 거래 환경에서의 실용성에 한계가 있다.