[논문 리뷰] Currency Forecasting using Multiple Kernel Learning with Financially Motivated Features

Tristan Fletcher, Zakria Hussain외 1명|arXiv (Cornell University)|2010. 11. 28.

Stock Market Forecasting Methods참고 문헌 22인용 수 5

한 줄 요약

이 논문은 이동 평균, 변동성, 가격 극단치, 오더 북 볼륨 동역학 등 금융적으로 유용한 특징들을 통합하여 EURUSD 환율 방향을 예측하는 통합 모델을 제안하는 다중 커널 학습(MKL) 프레임워크를 제시한다. MKL은 다양한 시간 간격에서 개별 커널보다 예측 정확도가 높으며, 학습된 커널 가중치는 지수 이동 평균과 변동성 기반 특징이 예측에 가장 유용하다는 것을 드러낸다.

ABSTRACT

Multiple Kernel Learning (MKL) is used to replicate the signal combination process that trading rules embody when they aggregate multiple sources of financial information when predicting an asset's price movements. A set of financially motivated kernels is constructed for the EURUSD currency pair and is used to predict the direction of price movement for the currency over multiple time horizons. MKL is shown to outperform each of the kernels individually in terms of predictive accuracy. Furthermore, the kernel weightings selected by MKL highlights which of the financial features represented by the kernels are the most informative for predictive tasks.

연구 동기 및 목표

• 다양한 금융 지표를 커널로 표현하여 기술적 트레이딩 규칙에서 사용하는 신호 조합 과정을 모델링하기 위해.
• 단일 커널에 의존하는 것보다 여러 커널 함수를 조합하여 통화 방향 예측 정확도를 향상시키기 위해.
• MKL에서의 커널 가중치를 통해 어떤 금융 특징이 예측 성능에 가장 기여하는지 규명하기 위해.
• EBS 외환 시장의 실제 리미트 오더 북 데이터를 기반으로 방법론을 검증하기 위해.

제안 방법

• 리미트 오더 북 데이터에서 8개의 별도된 금융 특징 세트를 구성: 4개의 가격 기반(예: EMA, MA, 변동성, 가격 변화)과 4개의 볼륨 기반(예: 오더 북 깊이, 볼륨 변화).
• 기본 커널 15개 정의: RBF 5개, 다항식 5개, 무한 신경망 기반 커널 5개. 각 커널은 척도, 차수 또는 공분산 행렬로 매개변수화됨.
• SimpleMKL을 적용하여 이러한 커널의 최적의 볼록 조합을 학습. 각 커널은 특정 금융 특징과 연결됨.
• 10겹 교차검증을 통해 최고 성능을 보인 개별 커널을 선별하고, 검증되지 않은 데이터에서 MKL의 성능을 평가.
• EURUSD 데이터를 EBS 거래소에서 수집하여, 6개의 시간 간격(5–200초) 동안 가격 움직임 방향을 예측하도록 모델을 훈련 및 테스트.
• 통계적 검정의 p-값을 사용하여 MKL과 개별 커널 간의 예측 성능 차이의 유의성을 검증.

실험 결과

연구 질문

• RQ1 다중 커널 학습은 개별 커널에 비해 다양한 금융 특징을 효과적으로 조합하여 통화 쌍의 방향 예측 성능을 향상시킬 수 있는가?
• RQ2 특정 금융 특징(예: 이동 평균, 변동성, 오더 북 깊이) 중에서 EURUSD 시장에서의 미래 가격 움직임을 가장 잘 예측하는 것은 무엇인가?
• RQ3 MKL에서 할당된 커널 가중치는 다양한 시간 간격에서 얼마나 안정적인가? 이는 특징의 관련성에 대해 어떤 함의를 갖는가?
• RQ4 MKL 프레임워크는 다수의 기술적 지표를 통합하는 실제 트레이딩 규칙의 행동을 재현할 수 있는가?
• RQ5 MKL이 개별 커널보다 성능 향상을 보이는 것은 여러 예측 시간 간격에서 통계적으로 유의미한가?

주요 결과

• SimpleMKL는 200초 이내의 모든 시간 간격에서 최고의 개별 커널보다 높은 예측 정확도를 달성했으며, 5초 시점에서 정점인 94.7%의 정확도를 기록했다.
• 예측에 가장 유용한 특징은 소규모 척도 RBF 커널을 사용한 지수 이동 평균(EMA), 대규모 척도 RBF 커널을 사용한 가격 변동성(표준편차), 그리고 대규모 척도 RBF 커널을 사용한 가격 극단치(최소/최대)였다.
• MKL에서의 커널 가중치는 시간 간격에 관계없이 안정적이었으며, 이는 핵심 특징들이 예측 기간과 관계없이 일관되게 관련성이 있음을 시사한다.
• MKL 조합에서 RBF 커널 유형이 지배적이었으며, 다항식 및 신경망 기반 커널은 볼륨 동역학과 관련된 특징 외에는 거의 가중치를 받지 않았다.
• 최고 성능을 보인 개별 커널들(F8K16, F1K1, F1K3)은 MKL에서 낮은 가중치를 할당받아, 다른 신호들과 조합될 경우 그 예측 능력이 감소함을 시사한다.
• 통계적 검정 결과, MKL의 성능 향상은 모든 시간 간격에서 p < 10⁻⁵ 수준에서 유의미하다.