[논문 리뷰] Deep Neural Networks in High Frequency Trading

Prakhar Ganesh, Puneet Rakheja|arXiv (Cornell University)|2018. 09. 05.

Stock Market Forecasting Methods참고 문헌 16인용 수 6

한 줄 요약

이 논문은 고주기 거래(HFT)를 위한 딥 뉴럴 네트워크(DNN) 기반 모델을 제안하며, 짧은 기간 내 주가 움직임을 예측하는 데 있어 빠른 예측 속도와 높은 정확도를 동시에 구현한다. 모델은 전일 거래 시뮬레이션에서 뛰어난 성능을 보이며, 실시간·데이터 집약적인 HFT 응용 분야에서 딥 러닝의 잠재력을 입증한다.

ABSTRACT

The ability to give precise and fast prediction for the price movement of stocks is the key to profitability in High Frequency Trading. The main objective of this paper is to propose a novel way of modeling the high frequency trading problem using Deep Neural Networks at its heart and to argue why Deep Learning methods can have a lot of potential in the field of High Frequency Trading. The paper goes on to analyze the model's performance based on it's prediction accuracy as well as prediction speed across full-day trading simulations.

연구 동기 및 목표

• 고주기 거래(HFT)에 특화된 딥 러닝 프레임워크를 개발하여 단기 주가 움직임을 신속하고 정밀하게 예측할 수 있도록 하는 것.
• 고속도·고노이즈 특성을 띤 HFT 환경에서 일반적인 데이터를 처리하는 데 있어 딥 뉴럴 네트워크의 타당성과 성능을 평가하는 것.
• 실제 HFT 시뮬레이션 환경에서 예측 정확도와 계산 속도를 핵심 평가 지표로 삼아 평가하는 것.

제안 방법

• 핵심 모델은 오더 북 불균형과 가격 변화와 같은 고주기 시장 데이터를 처리하도록 설계된 딥 뉴럴 네트워크 아키텍처를 사용한다.
• 복잡한 시간적 및 가격 패턴을 학습하기 위해 역사적 틱 단위 데이터를 엔드 투 엔드로 훈련시킨다.
• 실시간 HFT 요구 사항을 충족시키기 위해 모델 아키텍처 선택과 효율적인 추론 파이프라인을 통해 예측 속도를 최적화한다.
• 실제 시장 조건을 시뮬레이션하는 전일 거래 시뮬레이션을 통해 모델의 성능을 평가한다.
• 주요 입력으로는 마이크로초 해상도의 오더 북 스냅샷, 거래량, 가격 변화가 포함된다.
• 저지연성 거래 시스템에 적합한지 확인하기 위해 모델 훈련 및 추론의 지연 시간을 평가한다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크는 고주기 거래 환경에서 단기 가격 움직임 예측에 대해 높은 정확도를 달성할 수 있는가?
• RQ2 실시간 HFT 시나리오에서 DNN 모델의 추론 속도는 전통적 통계 모델에 비해 어떻게 비교되는가?
• RQ3 모델 지연 시간은 전일 시뮬레이션 거래에서 전체 수익성에 어떤 영향을 미치는가?
• RQ4 딥 러닝 모델은 고주기 금융 데이터에 내재된 노이즈와 변동성 문제를 어떻게 다루는가?

주요 결과

• 딥 뉴럴 네트워크 모델은 단기 가격 방향 예측에서 높은 정확도를 달성하여 기준 통계 모델을 능가했다.
• 모델은 낮은 추론 지연을 유지하여 실시간 예측이 가능한 고주기 거래 시스템에 적합한 성능을 보였다.
• 전일 거래 시뮬레이션을 통해 일관된 수익성이 입증되어 장기간 시장 조건에서도 모델의 강건성을 확인했다.
• HFT 프레임워크에 딥 러닝을 통합함으로써 가격 예측의 속도와 정확도 향상 잠재력이 뚜렷하게 드러났다.