딥러닝 네트워크를 활용한 주식 가격 결정 모델 (Asset pricing models using deep learning networks)#
개요#
딥러닝 네트워크 기반의 알고리즘이 발전됨에 따라 인공지능은 전 세계적으로 빠른 성장세를 보이고 있습니다. 인공지능은 다양한 분야에서 적용되고 있으며, 빅데이터와 클라우드 컴퓨팅의 발전 등으로 인해 더욱 빠른 성장세를 보이고 있죠. 그 중, 금융은 인공지능이 가장 많이 활용될 분야로 예상되어 최근 많은 연구가 되고 있습니다.
금융에서, 잠재 팩터를 알아낼 수 있다면 알파라고 여겨왔던 비정상 초과 수익률을 해석할 수 있게 됩니다. 본 연구는 리스크 팩터에 자산이 얼마나 동적으로 노출되었는지를 딥러닝 네트워크를 통해 검증한 연구(Gu, Kelly, and Xiu, 2021)를 바탕으로, 한국의 시장 요인과 외부 요인을 딥러닝 네트워크에 입력으로 제공해 팩터의 비선형적 관계를 해석하고 초과 수익률을 해석하고자 합니다.
현황#
Gu, Kelly, and Xiu(GKX, 2021)은 기존의 재무 개념과 머신러닝 기술인 오토인코더를 결합하여 비선형 관계를 더 잘 파악할 수 있는 잠재 요인 모델링 방식으로 자산 가격 매커니즘을 더 잘 이해하고 예측 정확성을 향상시키는 방법을 제안했습니다.
Kelly, Pruitt, and Su(2019)에서 사용되는 전통적인 instrumental beta에 신경망 임베드를 적용해 보다 유연한 베타간 비선형성 및 상호작용으로 금융 시장의 리스크-수익률 분석에 머신 러닝 기술을 적용하는 데 기여했습니다. 해당 논문에서 제안된 오토인코더 모델은 Fama-French 모델, PCA 방법 및 IPCA와 같은 선형 조건화 방법과 경쟁 모델 보다 우수한 성능을 보입니다.
게다가 이 논문은 복잡한 금융 데이터를 모델링하는 데 있어 딥러닝 기법의 효과를 입증하고, 모델 성능을 개선하는 데 있어 Earlystopping, Ensemble, Batch Normalization등의 기법이 얼마나 중요한지 강조합니다. 이러한 딥러닝 기법과 전통적인 재무 개념의 결합은 자산 특성/요소 간의 비선형 관계를 효과적으로 파악할 수 있음을 보여줍니다.
요약#
본 연구는 데이터 준비와 피처 엔지니어링, 딥러닝 모델의 아키텍처 결정과 하이퍼파라미터 설정, 그리고 제너레이터를 사용하여 미니배치 데이터를 모델에 공급하는 단계로 구성됩니다. 이어서 AlphaLens 라이브러리를 사용하여 모델의 성능을 평가하고 그 결과를 시각화합니다. 즉, 데이터 준비부터 모델 생성, 성능 평가까지 전 과정을 아우르는 종합적인 딥러닝 분석을 진행하겠습니다.
References#
Eugene F. Fama and Kenneth R. French. The cross-section of expected stock returns. The Journal of Finance, 47(2):427–465, 1992. URL: https://dx.doi.org/10.1111/j.1540-6261.1992.tb04398.x, doi:10.1111/j.1540-6261.1992.tb04398.x.
Eugene F. Fama and Kenneth R. French. Common risk factors in the returns on stocks and bonds. Journal of Financial Economics, 33(1):3–56, 1993. URL: https://www.sciencedirect.com/science/article/pii/0304405X93900235, doi:https://doi.org/10.1016/0304-405X(93)90023-5.
Eugene F. Fama and Kenneth R. French. A five-factor asset pricing model. Journal of Financial Economics, 116(1):1–22, 2015. URL: https://www.sciencedirect.com/science/article/pii/S0304405X14002323, doi:https://doi.org/10.1016/j.jfineco.2014.10.010.
Shihao Gu, Bryan Kelly, and Dacheng Xiu. Autoencoder asset pricing models. Journal of Econometrics, 222(1, Part B):429–450, 2021. Annals Issue:Financial Econometrics in the Age of the Digital Economy. URL: https://www.sciencedirect.com/science/article/pii/S0304407620301998, doi:https://doi.org/10.1016/j.jeconom.2020.07.009.
Stefan Jansen. Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, 2nd Edition. Packt Publishing, 2020.
Bryan T. Kelly, Seth Pruitt, and Yinan Su. Characteristics are covariances: a unified model of risk and return. Journal of Financial Economics, 134(3):501–524, 2019. URL: https://www.sciencedirect.com/science/article/pii/S0304405X19301151, doi:https://doi.org/10.1016/j.jfineco.2019.05.001.
WILL KENTON. Capital asset pricing model (capm) and assumptions explained. investopedia, 2023. URL: https://www.wallstreetprep.com/knowledge/capm-capital-asset-pricing-model/.
WILL KENTON. Capital asset pricing model (capm) and assumptions explained. investopedia, 2023. URL: https://www.investopedia.com/terms/c/capm.asp.
Seungjoo Kwak. Portfolio to learn with Python. 길벗, 2021.
William F. Sharpe. Capital asset prices: a theory of market equilibrium under conditions of risk. The Journal of Finance, 19(3):425–442, 1964. doi:10.1111/j.1540-6261.1964.tb02865.x.