[논문 리뷰] Using Artificial Market Models to Forecast Financial Time-Series

Nachi Gupta, Raphael Hauser외 1명|ArXiv.org|2005. 06. 15.

Complex Systems and Time Series Analysis참고 문헌 11인용 수 4

한 줄 요약

이 논문은 실시간 시장 데이터를 사용하여 반복 최적화와 칼만 필터링을 통해 훈련된 인공 시장 모델—특히 소수자 게임—을 활용해 금융 시계열을 체계적으로 예측하는 방법을 제시한다. 이 방법은 시장 행동이 신뢰할 만하게 예측 가능한 잠깐의 '예측 가능성의 지점들(pockets of predictability)'을 식별하며, 이러한 지점들이 닫힐 때마다 모델을 재설정함으로써 적응형 실시간 예측이 가능해지며, 동적 전략 분포 추정을 통해 실현된다.

ABSTRACT

We discuss the theoretical machinery involved in predicting financial market movements using an artificial market model which has been trained on real financial data. This approach to market prediction - in particular, forecasting financial time-series by training a third-party or 'black box' game on the financial data itself -- was discussed by Johnson et al. in cond-mat/0105303 and cond-mat/0105258 and was based on some encouraging preliminary investigations of the dollar-yen exchange rate, various individual stocks, and stock market indices. However, the initial attempts lacked a clear formal methodology. Here we present a detailed methodology, using optimization techniques to build an estimate of the strategy distribution across the multi-trader population. In contrast to earlier attempts, we are able to present a systematic method for identifying 'pockets of predictability' in real-world markets. We find that as each pocket closes up, the black-box system needs to be 'reset' - which is equivalent to saying that the current probability estimates of the strategy allocation across the multi-trader population are no longer accurate. Instead, new probability estimates need to be obtained by iterative updating, until a new 'pocket of predictability' emerges and reliable prediction can resume.

연구 동기 및 목표

• 실제 시장 데이터에 훈련된 인공 시장 모델을 사용하여 금융 시계열을 체계적이고 공식적인 방법으로 예측하는 방법론을 개발하는 것.
• 금융 시장에서 일시적인 예측 가능성—'예측 가능성의 지점들'—을 식별하고 특성화하는 것.
• 이전의 블랙박스 예측 접근 방식의 한계를 해결하기 위해 동적이고 반복적인 매개변수 추정 과정을 도입하는 것.
• 예측 가능성 창이 닫을 때마다 지속적인 모델 업데이트를 통해 신뢰할 수 있는 예측을 가능하게 하는 것.
• 몬테카를로 시뮬레이션과 통계적 일관성 검증을 통해 예측 프레임워크를 검증하는 것.

제안 방법

• 저자는 역사적 정보를 바탕으로 전략을 선택하여 거래하는 인공 시장 모델의 최소한의 형태인 소수자 게임을 기반으로 한 모델을 사용한다.
• 관측된 금융 시계열에서 다수의 거래자 집단 내 전략 분포를 추정하기 위해 반복적인 수치 최적화 기법을 적용한다.
• 시간에 따라 변화하는 과정 노이즈와 측정 노이즈를 고려하여 상태 추정, 즉 전략 분포 추정을 위해 칼만 필터를 사용한다.
• 예측 가능성의 정도가 감소할 경우 모델을 재설정하는 재귀적 업데이트 메커니즘을 포함하여 정확도를 유지한다.
• 상태 추정치와 혁신의 일관성을 검증하기 위해 몬테카를로 시뮬레이션을 사용하며, 잔차가 평균이 0인 분포를 이루도록 한다.
• 상태 추정 오차와 혁신을 추적하여 통계적 신뢰성과 수렴성을 검증한다.

실험 결과

연구 질문

• RQ1 실제 금융 시장 데이터에 훈련된 인공 시장 모델이 향후 시장 움직임을 신뢰성 있게 예측할 수 있는가?
• RQ2 금융 시계열에서 일시적인 '예측 가능성의 지점들'을 식별하는 데 어떤 공식적 방법론이 가능한가?
• RQ3 실제 시장 데이터로부터 이질적인 인공 거래자 집단의 전략 분포를 어떻게 추정할 수 있는가?
• RQ4 반복적인 모델 업데이트가 시간이 지남에 따라 예측 정확도를 유지하는 데 어떤 역할을 하는가?
• RQ5 시뮬레이션과 오차 분석을 통해 예측 프레임워크의 통계적 일관성을 어떻게 검증할 수 있는가?

주요 결과

• 이 방법은 금융 시계열에서 동적 '예측 가능성의 지점들'을 성공적으로 식별하였으며, 이 지점에서는 무작위 기간보다 예측 정확도가 뚜렷이 높아진다.
• 각 예측 가능성의 지점이 닫힐 때, 전략 배분에 대한 모델의 확률 추정치는 정확하지 않게 되며, 이는 모델 재설정이 필요함을 의미한다.
• 몬테카를로 시뮬레이션을 통해 상태 추정 오차와 혁신 과정이 평균이 0인 분포로 수렴하는 것으로 확인되어 통계적 일관성이 검증되었다.
• 칼만 필터링의 사용은 시간에 따라 변화하는 노이즈 파rameter를 고려한 전략 분포 추정을 가능하게 하여 예측 신뢰도를 향상시켰다.
• 높은 추정 오차를 가진 데이터 포인트를 제거함으로써(예: $S_k \leq t_k = 10^{-3}$), 공분산 추정치가 훨씬 더 날카롭게 수렴하여 모델의 신뢰도가 향상되었다.
• 이 프레임워크는 반복 최적화와 재귀적 업데이트가 장기적으로 예측 성능을 유지하는 데 필수적임을 보여주었다.