Two-Stage Portfolio Optimization Framework Using CNN-Based Stock Chart Analysis

연구 개요

본 연구는 주식 시장에서의 포트폴리오 최적화를 위해 딥러닝 기술을 활용한 새로운 접근 방식을 제안합니다. 특히, 주식 차트 이미지 분석과 포트폴리오 최적화를 통합한 2단계 프레임워크를 개발하여 투자 전략의 효율성을 높이고자 하였습니다.

연구 배경

최근 딥러닝 기술의 발전으로 주식 차트의 시각적 패턴 분석과 시계열 데이터 기반의 예측이 가능해졌습니다. 그러나 기존 연구들은 주로 종목 선정을 위한 신호의 예측력에만 중점을 두어, 포트폴리오 최적화와의 통합적 접근이 부족했습니다. 본 연구는 이러한 한계를 극복하고자 차트 이미지 기반의 신호를 포트폴리오 최적화와 통합하는 새로운 모델을 제시합니다.

연구 방법

1단계: CNN 기반 차트 이미지 분석

• 합성곱 신경망(CNN)을 활용한 차트 이미지 패턴 학습
• 주가 상승 확률 예측을 통한 유망 종목 식별
• 시각적 패턴의 특징 추출 및 분석

2단계: 포트폴리오 최적화

• 선별된 자산에 대한 포트폴리오 최적화 적용
• 투자 전략의 성과 평가
• 최적화 전략의 개선 및 조정

실험 및 결과

CNN 모델 성능

• 차트 이미지 기반 예측 정확도 분석
• 패턴 인식 능력 검증
• 모델 강건성 테스트

백테스트 결과

• 포트폴리오 수익률 분석
• 위험 조정 수익률 평가
• 벤치마크 대비 초과 성과 검증

결론 및 시사점

본 연구는 차트 이미지 신호와 포트폴리오 최적화를 통합하는 접근 방식의 효과성을 입증하였습니다. 특히:

1. 자산 선정의 정확도 향상
2. 투자 전략의 수익성 개선
3. 시각적 패턴과 포트폴리오 최적화의 시너지 효과 확인

목차

1. Introduction
   • 1.1 Contributions
   • 1.2 Organization
2. Literature Review
   • 2.1 Classical Portfolio Optimization
   • 2.2 Momentum and Technical Analysis
   • 2.3 Artificial Intelligence in Finance
   • 2.4 Deep Learning for Portfolio Optimization
3. Method
   • 3.1 Data Collection and Preprocessing
   • 3.2 Generating Chart Data
   • 3.3 Configuring a Data Universe
   • 3.4 CNN-based Chart Image Model
   • 3.5 Time-Series Neural Network Model
     • 3.5.1 Score Block
     • 3.5.2 Portfolio Block
     • 3.5.3 Constraints
     • 3.5.4 Model and Training Hyperparameters
4. Experiment
   • 4.1 Experimental Settings
   • 4.2 CNN Model Result
   • 4.3 Backtest
   • 4.4 Discussion
5. Conclusion

References

Recommended citation: 최인열. (2025). "Two-Stage Portfolio Optimization Framework Using CNN-Based Stock Chart Analysis." 국내석사학위논문 경희대학교 대학원.
Download Paper