[논문 리뷰] Risk Management via Anomaly Circumvent: Mnemonic Deep Learning for Midterm Stock Prediction

Xinyi Li, Yinchuan Li외 2명|arXiv (Cornell University)|2019. 08. 03.

Stock Market Forecasting Methods참고 문헌 22인용 수 11

한 줄 요약

이 논문은 시장 이질성으로 인한 누적 예측 오차 문제를 해결하기 위해 ARMA, CAPM, 및 은닉 마르코프 모델을 통합한 새로운 딥러닝 모델인 Mid-LSTM을 제안한다. 이 모델은 S&P 500 데이터 기반 포트폴리오 백테스트에서 2–4% 높은 정확도와 최대 연간 수익률 120.16%를 기록하며, 샤프 지수는 2.99를 기록한다.

ABSTRACT

Midterm stock price prediction is crucial for value investments in the stock market. However, most deep learning models are essentially short-term and applying them to midterm predictions encounters large cumulative errors because they cannot avoid anomalies. In this paper, we propose a novel deep neural network Mid-LSTM for midterm stock prediction, which incorporates the market trend as hidden states. First, based on the autoregressive moving average model (ARMA), a midterm ARMA is formulated by taking into consideration both hidden states and the capital asset pricing model. Then, a midterm LSTM-based deep neural network is designed, which consists of three components: LSTM, hidden Markov model and linear regression networks. The proposed Mid-LSTM can avoid anomalies to reduce large prediction errors, and has good explanatory effects on the factors affecting stock prices. Extensive experiments on S&P 500 stocks show that (i) the proposed Mid-LSTM achieves 2-4% improvement in prediction accuracy, and (ii) in portfolio allocation investment, we achieve up to 120.16% annual return and 2.99 average Sharpe ratio.

연구 동기 및 목표

• 시장 이질성으로 인한 중기 주가 예측의 누적 오차 문제를 해결하기 위해.
• 시장 추세와 은닉 상태를 통합하여 예측 안정성을 향상시키는 딥러닝 모델을 개발하기 위해.
• 금융 이론(CAPM)과 통계 모델링(ARMA)을 딥 네트워크에 통합하여 투자 리스크를 감소시키기 위해.
• 거래량과 시장 상관관계와 같은 핵심 변수의 영향을 폭 드러내어 정량 분석가의 모델 해석 가능성 향상하기 위해.
• 伝통적 방법에 비해 예측 정확도와 포트폴리오 수익률 측면에서 뛰어난 성능을 입증하기 위해.

제안 방법

• 주가 동적을 모델링하기 위해 주식 거래량, 시장 지수, CAPM 기반 상관관계를 통합한 중기 ARMA(Mid-ARMA) 모델을 수립하기 위해.
• LSTM를 통한 시퀀스 학습, HMM를 통한 은닉 상태 탐지, 선형 회귀를 통한 최종 가격 보정을 조합한 3단계 딥 네트워크인 Mid-LSTM를 설계하기 위해.
• LSTM를 사용해 주가, 거래량, 시장 지수 시퀀스를 예측하여 장기적 의존성을 포착하기 위해.
• HMM을 적용해 주가 및 거래량에 영향을 주는 잠재 시장 상태를 탐지하고, 이로 인해 이질성 탐지 및 회피가 가능하도록 하기 위해.
• HMM 상태와 상관계수를 선형 회귀층에 통합하여 금융 이론을 활용해 예측을 보정하기 위해.
• 예측 정확도와 리스크 조정 수익률 최적화를 위해 S&P 500 데이터 기반으로 모델을 종합적으로 훈련하기 위해.

실험 결과

연구 질문

• RQ1 이질성을 탐지하고 회피함으로써 딥러닝 모델이 중기 주가 예측의 누적 오차를 효과적으로 줄일 수 있는가?
• RQ2 딥러닝 프레임워크에 CAPM과 ARMA를 통합함으로써 예측 정확도와 강건성은 어떻게 향상되는가?
• RQ3 HMM 구성 요소가 변동성이 큰 시장에서 이질성 탐지 능력과 모델 안정성 향상에 어느 정도 기여하는가?
• RQ4 Mid-LSTM 모델이 기존 머신러닝 및 딥러닝 기준 모델에 비해 예측 정확도와 포트폴리오 성과 측면에서 뛰어나게 성능을 발휘하는가?
• RQ5 시장 상관관계와 거래량 동적은 제안된 모델의 예측 능력 및 리스크 관리 능력에 어떤 영향을 미치는가?

주요 결과

• Mid-LSTM는 S&P 500 주식에 대해 기준 모델 대비 2–4%의 정확도 향상을 달성한다.
• 기대수익률-분산 기반 포트폴리오 할당에서 Mid-LSTM는 평균 연간 수익률 120.16%와 샤프 지수 2.99를 기록한다.
• 특히 시장 지수와 높은 상관관계를 보이는 주식에 대해 뛰어난 이질성 회피 능력을 보여준다.
• Mid-LSTM의 선형 회귀 구성 요소는 가중치를 해석 가능하게 제공하여 정량 분석가가 은닉 시장 상태와 거래량의 주가에 대한 영향을 평가할 수 있도록 한다.
• 포트폴리오 백테스트 결과, Mid-LSTM 기반 예측은 전통적 방법에 비해 유의미하게 높은 리스크 조정 수익률을 제공한다.
• CAPM과 ARMA를 딥러닝 프레임워크에 통합함으로써 모델의 강건성과 금융 해석 가능성 향상이 이루어졌다.