Factor Return Prediction Using LSTM-based Machine Learning Models
LSTM 기반 기계학습 모델을 사용한 팩터 수익률 예측
- 주제(키워드) Machine learning , Deep learning , Time-series data , 기계학습 , 심층 학습 , 시계열 데이터
- 발행기관 서강대학교 일반대학원
- 지도교수 김세준
- 발행년도 2020
- 학위수여년월 2020. 8
- 학위명 석사
- 학과 및 전공 일반대학원 컴퓨터공학과
- UCI I804:11029-000000065323
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권보호를 받습니다.
초록/요약
Investors are interested in predicting the future market and maximizing their profit using various trading strategies. Since trading strategies are built on underlying patterns found in financial data, machine learning is expected to be useful in finding the strategy with higher returns. In this study, the total return for the upcoming one-month of the Fama-French 3 factors is predicted using various machine learning regression models such as SVR, LSTM network, and Autoencoder-LSTM network. The performance is measured by the accuracy of the prediction made, as well as the profitability indicators of the factor portfolio formed according to predicted values. This study shows that the LSTM-based deep neural network model is superior in accuracy to the traditional support vector regression model and that the use of the Autoencoder can affect the stability of the performance.
more초록/요약
투자자들은 다양한 거래 전략을 활용하여 시장의 미래를 예측하고 수익을 극대화하기를 원한다. 다양한 분야에서 기계학습을 사용하여 문제를 해결하고자 하는 시도가 활발히 일어남에 따라, 금융 분야에서도 과거 데이터를 신경망 모델에 학습시킴으로써 잘 알려지지 않은 규칙을 찾아 높은 수익률을 얻는 투자 전략을 만들고자 한다. 본 연구에서는 파마-프렌치 3 팩터의 한 달 후 월 수익률을 예측한다. 팩터 데이터는 시계열로 주어지며, 예측에는 장단기 기억(LSTM)을 기반으로 하는 심층 순환 신경망과 오토인코더(Autoencoder)로 구성된 모델을 사용한다. 평가는 예측의 정확도뿐만 아니라 예측 결과를 기반으로 생성한 팩터 포트폴리오의 수익성 지표 두 가지 측면에서 이루어진다. 본 연구에서, LSTM을 기반으로 하는 심층 신경망 모델이 전통적인 기계학습 방법인 서포트 벡터 회귀 모델보다 정확도 측면에서 우수하며, 오토인코더를 사용하면 비교적 안정적인 성능을 보임을 확인할 수 있다.
more