딥 런닝을 적용한 트레이딩 기술

1.
작년 여름에 회자하였던 글입니다.Greg Harris가 A Survey of Deep Learning Techniques Applied to Trading을 주제로 작성한 보고서입니다. 아마도 연구를 위하여 논문초록으로 만든 듯 합니다. 현재 Linkedin에 있는 글을 소개합니다. 기계학습을 이용한 Limit order book modeling, price-based classification models, Text-based Classification models, Volatility Prediction, Portfolio Optimization으로 분류하여 논문을 소개하고 있습니다. 미래에서 온 타입 캡슐라는 블로그에도 소개된 글입니다. 이 블로그를 방문하시면 기계학습이나 로보어드바이저와 관련한 기술적인 글을 보실 수 있습니다. 위 보고서가 다룬 딥 런닝 알고리즘은 Deep Belief Network, Long Short-Term Memory, Multi-layer Perceptron, Restricted Boltzmann Machine, Rectified Linear Units, Convolutional Neural Network 등입니다. 위키가 정의한 딥 런닝입니다.

딥 러닝(영어: deep learning), 심층학습(深層學習)은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습(machine learning) 알고리즘의 집합[1] 으로 정의 되며, 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야라고 이야기할 수 있다.어떠한 데이터가 있을 때 이를 컴퓨터가 알아 들을 수 있는 형태(예를 들어 이미지의 경우는 픽셀정보를 열벡터로 표현하는 등)로 표현(representation)하고 이를 학습에 적용하기 위해 많은 연구(어떻게 하면 더 좋은 표현기법을 만들고 또 어떻게 이것들을 학습할 모델을 만들지에 대한)가 진행되고 있으며, 이러한 노력의 결과로 deep neural networks, convolutional deep neural networks, deep belief networks와 같은 다양한 딥 러닝 기법들이 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용되어 최첨단의 결과들을 보여주고 있다.

그러면 보고서가 소개한 논문들입니다.

Limit Order Book Modeling

Sirignano, J. A. (2016). Deep Learning for Limit Order Books.

Download (PDF, 569KB)

 

Price-based Classification Models

Dixon, M. F., Klabjan, D., & Bang, J. H. (2016). Classification-based Financial Markets Prediction using Deep Neural Networks

Download (PDF, 605KB)

Takeuchi, L., Lee, Y. (2013). Applying Deep Learning to Enhance Momentum Trading Strategies in Stocks

Download (PDF, 264KB)

Batres-Estrada, B. (2015). Deep learning for multivariate financial time series

Download (PDF, 1.97MB)

Sharang, A., & Rao, C. (2015). Using machine learning for medium frequency derivative portfolio trading

Download (PDF, 550KB)

Zhu, C., Yin, J., & Li, Q. (2014). A stock decision support system based on DBNs. Journal of Computational Information Systems, 10(2), 883-893.

Download (PDF, 1.74MB)

Text-based Classification Models

Rönnqvist, S., & Sarlin, P. (2016). Bank distress in the news: Describing events through deep learning

Download (PDF, 754KB)

Fehrer, R., & Feuerriegel, S. (2015). Improving Decision Analytics with Deep Learning: The Case of Financial Disclosures

Download (PDF, 940KB)

Ding, X., Zhang, Y., Liu, T., & Duan, J. (2015, June). Deep learning for event-driven stock prediction. In Proceedings of the Twenty-Fourth International Joint Conference on Artificial Intelligence (ICJAI) (pp. 2327-2333)

Download (PDF, 602KB)

Volatility Prediction

Xiong, R., Nicholas, E. P., & Shen, Y. (2015). Deep Learning Stock Volatilities with Google Domestic Trends

Download (PDF, 1.05MB)

Portfolio Optimization

Heaton, J. B., Polson, N. G., & Witte, J. H. (2016). Deep Portfolio Theory.

Download (PDF, 683KB)

이상을 정리한 글을 PDF로 올립니다. 혹 필요하신 분을 위하여.

Download (PDF, 15.14MB)

2.
그러면 딥런닝을 포함한 기계학습 알고리즘을 복한적으로 사용한 경우 어떤 결과를 보여줄까요? 이와 관련한 논문중 한겨레신문 곽노필기자가 소개하였던 Deep neural networks, gradient-boosted trees, random forests: Statistical arbitrage on the S&P 500입니다.

한 국제연구진이 놀라운 수익률을 보여주는 인공지능(AI) 알고리즘을 개발해 화제다. 연구진은 딥 러닝을 비롯한 세 가지의 AI 학습 방식을 버무려 컴퓨터에 주가 변화 흐름을 학습시킨 뒤, 과거의 시장 데이터를 토대로 미국 S&P500 지수에 편입된 주식들에 대해 실시간 모의 투자를 실시했다. 그 결과, 이 인공지능은 1992년부터 2015년까지 연간 평균 73%라는 수익률이라는 놀라운 결과를 나타냈다고 한다. 이 기간 중 실제 연간 시장수익률 9%의 8배가 넘는 수익률이다. 단순히 시장 수익률을 넘어선 것이 아니라 완전히 압도를 할 정도의 성과였다. 2000년 이후엔 수익률이 다소 떨어졌지만, 그래도 시장수익률보다 30%가 앞섰다.
인공지능이 특히 이름값을 한 시기는 시장이 혼란스러운 때였다. 이 시기에 인간 투자자들은 성과에 대한 집착, 수익률 하락에 대한 불안에서 비롯된 감정 상태에 따라 우왕좌왕하는 모습을 보인다. 하지만 인공지능이 투자 여부와 규모를 결정하는 데 그런 심리적 요인이 끼어들 여지가 없다. 예컨대 이번 연구에서 인공지능 시스템은 2008년 세계 금융위기가 닥쳤을 때 681%라는 숨막히는 수익률을 거뒀다. 닷컴 버블이 폭발했던 2000년에는 545%의 수익률을 보였다.연구를 이끈 독일 에를랑겐-뉘른베르크 프리드리히 알렉산더대의 경영경제학부 크리스토퍼 크라우스(Christopher Krauss) 박사는 “우리가 개발한 알고리즘은 감정이 시장을 지배하는 변동의 시기에 특히 효과적이었다”고 말했다.
[AI] 인공지능은 주식투자 고민을 해결해줄까?중에서

Download (PDF, 669KB)

위 논문이 적용한 알고리즘은 Deep neural networks, gradient-boosted trees,random forest입니다. Awesome H2O을 보면 H2O를 이용하여 분석을 진행하였다고 합니다.

Open Source Fast Scalable Machine Learning API For Smarter Applications (Deep Learning, Gradient Boosting, Random Forest, Generalized Linear Modeling (Logistic Regression, Elastic Net), K-Means, PCA, Stacked Ensembles…)

반면 Forecasting ETFs with Machine Learning Algorithms은 Deep Neural Networks,Random Forests,Support Vector Machines (linear and radial basis function)을 적용하였습니다.약간 다릅니다.

Download (PDF, 1.73MB)

마지막으로 딥 런닝과 관련한 논문으로 공부하고 싶으면 Awesome – Most Cited Deep Learning Papers을 참고하세요.

Leave a Comment

이메일 주소는 공개되지 않습니다. 필수 필드는 *로 표시됩니다

이 사이트는 스팸을 줄이는 아키스밋을 사용합니다. 댓글이 어떻게 처리되는지 알아보십시오.