[논문 리뷰] Financial Trading Model with Stock Bar Chart Image Time Series with Deep Convolutional Neural Networks

Ömer Berat Sezer, Ahmet Murat Özbayoğlu|arXiv (Cornell University)|2019. 03. 11.

Stock Market Forecasting Methods인용 수 11

한 줄 요약

이 논문은 30일 간의 주식 차트 시계열 데이터를 2차원 이미지로 변환하고, 이를 기반으로 컨볼루션 신경망(CNN)을 훈련시켜 매수, 매도, 또는持平 신호를 예측하는 새로운 딥러닝 접근법을 제안한다. CNN-BI 모델은 특히 횡보장이나 하락장에서 매수·홀드 전략을 능가하며, 다양한 시장 조건에서 일관된 성능을 보이며 평균 52.35%의 성공률과 최대 손실 대비 수익률(RoMaD) 121.31%를 기록한다.

ABSTRACT

Even though computational intelligence techniques have been extensively utilized in financial trading systems, almost all developed models use the time series data for price prediction or identifying buy-sell points. However, in this study we decided to use 2-D stock bar chart images directly without introducing any additional time series associated with the underlying stock. We propose a novel algorithmic trading model CNN-BI (Convolutional Neural Network with Bar Images) using a 2-D Convolutional Neural Network. We generated 2-D images of sliding windows of 30-day bar charts for Dow 30 stocks and trained a deep Convolutional Neural Network (CNN) model for our algorithmic trading model. We tested our model separately between 2007-2012 and 2012-2017 for representing different market conditions. The results indicate that the model was able to outperform Buy and Hold strategy, especially in trendless or bear markets. Since this is a preliminary study and probably one of the first attempts using such an unconventional approach, there is always potential for improvement. Overall, the results are promising and the model might be integrated as part of an ensemble trading model combined with different strategies.

연구 동기 및 목표

• 기존의 시계열 데이터에 의존하지 않고 2차원 주식 차트 이미지를 입력으로 사용하는 새로운 알고리즘 트레이딩 모델을 개발하는 것.
• 다양한 시장 조건에서 주가 데이터의 시각적 표현을 기반으로 훈련된 딥 컨볼루션 신경망(CNN) 모델의 성능을 평가하는 것.
• 시각적 패턴 인식 기반의 딥러닝 기법이 금융 예측에서 표준 기준인 매수·홀드 전략을 능가할 수 있는지 평가하는 것.
• 컨볼루션 신경망을 활용한 금융 시계열 데이터의 시각적 패턴 인식 잠재력을 탐색하는 것.
• 미래의 앙상블 모델 기반으로 시각 기반 접근법과 전통적 시계열 접근법을 융합할 수 있는 기초를 마련하는 것.

제안 방법

• 다우 30 종목의 30일 간의 역사적 가격 데이터(시가, 고가, 저가, 종가)를 30x30 픽셀의 2차원 바차트 이미지로 변환한다.
• 이러한 2차원 이미지를 입력으로 사용하여 매수, 매도, 또는持平 신호를 레이블로 하는 딥 컨볼루션 신경망(CNN)을 훈련시킨다.
• 특징 추출 및 거래 신호 분류를 위해 표준 CNN 아키텍처(예: AlexNet 또는 VGG 스타일과 유사한 구조)를 사용한다.
• 강건성 평가를 위해 2007–2012년과 2012–2017년의 두 개의 별도된 기간에 대한 검증 데이터를 활용하여 모델 성능을 평가한다. 이는 호황장, 하락장, 횡보장 등 다양한 시장 환경을 시험하는 데 목적을 둔다.
• 예측 결과를 시뮬레이션 트레이딩 시스템에 통합하여 연간 수익률, 최대 손실, 거래 통계 등의 성능 지표를 산출한다.
• 강한 신호가 생성되지 않을 경우 현금을 확보하는 거래 규칙을 적용하여, 평균 48–49%의 비활동 비율을 기록한다.

실험 결과

연구 질문

• RQ1 수치적 시계열 데이터에 의존하지 않고, 주가 데이터의 시각적 표현에서 직접 2차원 컨볼루션 신경망이 거래 신호를 효과적으로 학습할 수 있는가?
• RQ2 이미지 기반의 CNN-BI 모델은 호황장, 하락장, 횡보장 등 다양한 시장 제도에서 매수·홀드 전략과 비교해 어떻게 성능을 내는가?
• RQ3 모델은 다양한 시장 조건과 시간대에 걸쳐 일관된 성능과 신호 생성 능력을 유지하는가?
• RQ4 높은 비활동 비율(약 50%)이 호황장에서 전체 수익성에 어떤 영향을 미치는가?
• RQ5 다양한 자산 포트폴리오 처리나 동적 시장 제도 적응 전략을 통해 모델의 성능을 향상시킬 수 있는가?

주요 결과

• CNN-BI 모델은 두 테스트 기간 동안 평균 52.35%의 성공률를 기록하여, 무작위 보행 모델을 초월하고 통계적으로 의미 있는 신호를 생성함을 시사한다.
• 연간 40~60건의 거래가 발생하였으며, 평균 거래 기간은 3일로, 지속적이고 빈번한 거래 활동을 보였다.
• 최대 손실 대비 수익률(RoMaD) 측면에서 매수·홀드 전략을 능가하였으며, 2007–2012년 기간에 121.31%의 RoMaD를 기록했고, 2012–2017년 기간에는 61.62%를 기록하였다.
• 연간 수익률은 2007–2012년 기간에 7.20%, 2012–2017년 기간에 5.86%였으며, 이는 초기에 더 변동성이 큰 시장 환경에서 더 우수한 성능를 보였음을 의미한다.
• 비활동 비율이 48.20–48.88%로 매우 높아, 특히 2012–2017년의 호황장 기간 동안 수익성이 제한되었으며, 자원 활용도 저하로 인한 기회비용이 존재함을 시사한다.
• 최대 손실은 2007–2012년 기간에 34.92%, 2012–2017년 기간에 19.48%였으며, 후기 기간에 더 뛰어난 리스크 조정 수익률을 기록하였다.