통합 다중 시뮬레이션에 의한 신경망 기반 주식 거래 시스템의 성능 최적화 Integrated Multiple Simulation for Optimizing Performance of Stock Trading Systems based on Neural Networks원문보기
기계 학습 등 인공 지능 기법의 발전에 힘입어 지능형 주식 거래 시스템에 관한 많은 연구가 이루어져 왔다. 그러나 현실 주식 거래에서 적절한 거래 정책의 수립이 거래의 결과에 커다란 영향을 미치는 중요 요소로 작용하고 있음에도 불구하고, 기존의 연구에서는 예측 모듈의 예측 성능 향상에 주력하였거나, 거래 정책을 다룬 경우라도 예측 모듈에 종속적인 단순한 정책만을 제시하였다. 본 논문에서는 이러한 문제를 개선하기 위한 방안의 하나로, 신경망 기반 주식 거래 시스템의 구축을 위한 통합 개발 도고인 NXShell에서 채택하고 있는 ‘통합 다중 시뮬레이션‘ 기법을 제안한다. 통합 다중 시뮬레이션 기법에서는 신경망의 출력 값과 거래 정책 인자들 간의 모든 주어진 예측기의 특성에 맞는 고유의 최적 거래 정책을 수립한다. 제안된 기법의 효용성을 검증하기 위해, 한국 거래소 시장 및 코스닥 시장에서 수집한 데이터를 사용하여 수행한 거래 성능 비교 실험 결과를 제시한다.
기계 학습 등 인공 지능 기법의 발전에 힘입어 지능형 주식 거래 시스템에 관한 많은 연구가 이루어져 왔다. 그러나 현실 주식 거래에서 적절한 거래 정책의 수립이 거래의 결과에 커다란 영향을 미치는 중요 요소로 작용하고 있음에도 불구하고, 기존의 연구에서는 예측 모듈의 예측 성능 향상에 주력하였거나, 거래 정책을 다룬 경우라도 예측 모듈에 종속적인 단순한 정책만을 제시하였다. 본 논문에서는 이러한 문제를 개선하기 위한 방안의 하나로, 신경망 기반 주식 거래 시스템의 구축을 위한 통합 개발 도고인 NXShell에서 채택하고 있는 ‘통합 다중 시뮬레이션‘ 기법을 제안한다. 통합 다중 시뮬레이션 기법에서는 신경망의 출력 값과 거래 정책 인자들 간의 모든 주어진 예측기의 특성에 맞는 고유의 최적 거래 정책을 수립한다. 제안된 기법의 효용성을 검증하기 위해, 한국 거래소 시장 및 코스닥 시장에서 수집한 데이터를 사용하여 수행한 거래 성능 비교 실험 결과를 제시한다.
There are many researches about the intelligent stock trading systems with the help of the advance of the artificial intelligence such as machine learning techniques, Though the establishment of the reasonable trading policy plays an important role in the performance of the trading systems most rese...
There are many researches about the intelligent stock trading systems with the help of the advance of the artificial intelligence such as machine learning techniques, Though the establishment of the reasonable trading policy plays an important role in the performance of the trading systems most researches focused on the improvement of the predictability. Also some previous works, which treated the trading policy, treated the simplified versions dependent on the predictors in less systematic ways. In this paper, we propose the integrated multiple simulation' as a method of optimizing trading performance of stock trading systems. The propose method is adopted in the NXShell a development environment for neural network based stock trading systems. Under the proposed integrated multiple simulation', we simulate the multiple tradings for all combinations of the neural network's outputs and the trading policy parameters, evaluate the learning performance according to the various metrics and establish the optimal policy for a given prediction module based on the resulting performance. In the experiment, we present the trading policy comparison results using the stock value data from the KOSPI and KOSDAQ.
There are many researches about the intelligent stock trading systems with the help of the advance of the artificial intelligence such as machine learning techniques, Though the establishment of the reasonable trading policy plays an important role in the performance of the trading systems most researches focused on the improvement of the predictability. Also some previous works, which treated the trading policy, treated the simplified versions dependent on the predictors in less systematic ways. In this paper, we propose the integrated multiple simulation' as a method of optimizing trading performance of stock trading systems. The propose method is adopted in the NXShell a development environment for neural network based stock trading systems. Under the proposed integrated multiple simulation', we simulate the multiple tradings for all combinations of the neural network's outputs and the trading policy parameters, evaluate the learning performance according to the various metrics and establish the optimal policy for a given prediction module based on the resulting performance. In the experiment, we present the trading policy comparison results using the stock value data from the KOSPI and KOSDAQ.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 거래 시스템의 최종 성능을 개선하기 위한 방안의 하나로 '통합 다중 시뮬레이션(integrated multiple simulation) 기법'(이하 'IMS 기법'이라 함)을 제안한다. IMS 기법은 신경망의 예측 결과와 다양한 미시 거래 정책 인자들을 통합적으로 고려하여 다중의 시뮬레이션을 수행하는 기법이다.
본 논문에서는 신경망 기반 주식 거래 시스템의 성능을 최적화하기 위한 방안의 하나로 IMS 기법을 제안하였다. IMS 기법은 기존의 연구에서 심도 있게 다루어지지 않았던 미시 거래 정책 인자들을 통합적으로 고려하여 다중의 시뮬레이션을 수행하는 기법으로, 기존의 단순 거래 정책에 비해 개선된 성능의 거래 정책들을 선정해 낼 수 있음을 실험을 통해 확인하였다.
또한 학습의 대상이나 학습 기간 등 예측기 고유의 특성에 따라 각 예측기에 적합한 최적 정책이 달라질 수 있다. 이러한 관점에서, IMS 기법은 많은 투자자들이 현실 거래에서 적용하고 있는 다양한 정책 관련 인자(parameter)들을 시스템에 도입하고, 개별 예측기의 특성에 따라 이 인자들의 값을 최적화함으로써, 최종적으로는 거래시스템의 성능을 최적화하는 것을 그 목적으로 하고 있다. IMS 기법은 신경망 기반 주식 거래 시스템의 구축을 위한 통합 개발 도구인 NNShell'의 거래 정책 선정 모듈의 기능을 개선하기 위해 고안되었다.
가설 설정
정확도 측정을 위한 검증 데이터로는 표 1의 '신경망 학습 검증용 데이터'를 공통으로 사용하였다. 각 조합에 대해, 예측치 상위 10%에 해당하는 동일 개수의 주식을 예측한 것으로 가정하였고, 예측한 날짜로부터 5일 이후의 가격이 예측 날짜의 가격보다 높은 경우에는 예측이 맞은 것으로, 그렇지 않은 경우에는 틀린 것으로 간주하였다. 전반적으로 1개 은닉층 (hidden layer)을 사용한 경우보다 2개 은닉층을 사용한 경우가 성능이 우수하였으며, 그 중에서도 각 층에 40개와 20 개의 노드를 둔 경우가 상대적으로 우수한 성능을 보인 것으로 판단되어 이를 최종 실험의 신경망 구조로 채택하였다.
본 논문에서 제안하는 IMS 기법은 NNShell을 사용하여 개발된 거래 시스템 중 연구[8]에서 사용한 거래 시스템의 기본 구조를 가정하고 있다((그림 1) 참조). 기존의 전통적 거래시스템들과는 달리 시계열 패턴별로 별도의 학습과 성능검증을 거친 독립된 다중 예측기(predictor)를 사용하며, 각 예측기의 특성에 따라 고유의 거래 정책을 채택할 수 있다.
또한 손절과 손실의 비율이 높아지는 위험을 감수하고라도 최종 수익금의 최대화를 선호하는 경우라면 P3을 최적 거래 정책으로 택할 수도 있다. 여기서는 각 정책들 간 수익금 차이에 비해, P2의 이익실현 비율이 두드러지게 높은 것을 근거로 하여 P2를 최적 거래 정책으로 선정하였다고 가정하기로 한다. 이러한 가정 하에 P2의 성능을 기본 정책 BP와 비교해보면, 매수할인율이 0%인 BP에 비해 거래회수가 작음에도 불구하고, 이익실현 비율을 포함한 HR과 PPT의 측면에서 모두 BP보다 좋은 성능을 보임을 확인할 수 있다.
제안 방법
위한 기법이다. 각 거래 정책 인자들의 모든 조합에 대해 다중의 가상 거래 시뮬레이션을 수행하며, 그 결과를 성능 평가 척도들(metrics)에 의거하여 분석하고, 시스템 사용자의 선호도(preference)에 따라 최종 거래 정책을 선정하게 된다. 파라미터 勿로 규정되는 예측 모형 있다고 하자.
사용된다. 기본 분석은 특정 기업의 자산, 수익, 성장성 등 기업 내적 요인과 국내외 정礼 경제 상황 등 기업 외적 요인을 종합하여 주식의 이론적, 본질적 가치를 분석하고, 분석된 가치와 현재 주가를 비교하여 거래에 활용한다. 반면에 기술 분석은 날짜별 주가 변동 데이터 혹은 이로부터 계산된 값이나 지표(indicator)들만을 사용하여 주가를 분석하고 예측한다.
두 가지 예측기로는 일정 기간 주가 상승이 진행 된 '상승 추세(bull trend)형'1)패턴에 대한 예측을 수행하는 예측기 R曲과, 이와 반대의 추세가 진행된 '하락 추세(bear trend)형' 패턴에 대한 예즉을 수행하는 예즉기 Pbsr를 사용하였다. 두 예즉기 모두 연구 [9]에서 제시한 기술 분석 지표들을 포함하는 총 127개의 입력 자질을 사용하여 학습하였다.
매우 많은 조합의 거래 정책에 대한 결과를 모두 살펴보는 것이 현실적으로 불가능하기 때문에 몇 가지 거래 성능평가 척도별로 시뮬레이션 결과를 정렬하고, 정렬된 결과의 상위 정책들에 대하여, 사용자가 성능을 요약하는 평가 척도의 수치들과 세부 거래 내역을 검토한 후 사용자의 선호도에 맞는 최종 거래 정책을 선정한다.
같다. 먼저 최적 거래 정책을 선정하기 위해 '정책 선정 기간(policy selection period)'에 대해 통합 다중 시뮬레이션을 수행하였다. 이 결과로 생성된 후보 거래 정책들 중각 평가 척도의 관점에서 최상위에 해당하는 정책들에 대한 세부 성능을 비교하여 최적 거래 정책을 선정하였으며, 이 정책의 성능에 대한 최종 검증을 위해 '정책 검증 기간 (policy validation period)'에 대하여 시뮬레이션을 재차 수행하였다.
본 연구에서 제안하는 IMS 기법의 효용성을 검증하기 위해, 서로 다른 두 가지 파동 패턴에 대한 예즉을 수행하는 예측기들에 대해, 거래 정책을 선정하는 실험과 최종 성능을 검증하는 실험을 각기 수행하였으며, 실험의 절차는 다음과 같다. 먼저 최적 거래 정책을 선정하기 위해 '정책 선정 기간(policy selection period)'에 대해 통합 다중 시뮬레이션을 수행하였다.
?에 대하여는 목표 이익실현율을 달성한 '이익실현' 과 이익실현율을 달성하지는 못했지만 양의 수익을 달성한 '이익' 등으로 세부 구분하여 거래회수와 비율을 제시하였다. TP는 거래 당 100,000원을 투자한 것으로 가정하여 산출한 수익금이 다.
예측 성능을 측정하는 실험을 수행하였으며, 그 결과는와 같다.
예측치 파일의 예측치 정보를 입력으로 하여 전체 종목의 전체 날짜에 대한 가격 변동 정보를 보관하고 있는 데이터베이스를 접근한 후, 지정된 범위 내의 모든 가변 인자 조합에 대해 다중의 가상 시뮬레이션이 수행된다.
먼저 최적 거래 정책을 선정하기 위해 '정책 선정 기간(policy selection period)'에 대해 통합 다중 시뮬레이션을 수행하였다. 이 결과로 생성된 후보 거래 정책들 중각 평가 척도의 관점에서 최상위에 해당하는 정책들에 대한 세부 성능을 비교하여 최적 거래 정책을 선정하였으며, 이 정책의 성능에 대한 최종 검증을 위해 '정책 검증 기간 (policy validation period)'에 대하여 시뮬레이션을 재차 수행하였다.<표 1>은 실험에 사용된 각 데이터 집합의 해당 기간을 요약하고 있다.
각 조합에 대해, 예측치 상위 10%에 해당하는 동일 개수의 주식을 예측한 것으로 가정하였고, 예측한 날짜로부터 5일 이후의 가격이 예측 날짜의 가격보다 높은 경우에는 예측이 맞은 것으로, 그렇지 않은 경우에는 틀린 것으로 간주하였다. 전반적으로 1개 은닉층 (hidden layer)을 사용한 경우보다 2개 은닉층을 사용한 경우가 성능이 우수하였으며, 그 중에서도 각 층에 40개와 20 개의 노드를 둔 경우가 상대적으로 우수한 성능을 보인 것으로 판단되어 이를 최종 실험의 신경망 구조로 채택하였다. 1 개 은닉층과 2개 은닉층 모두에서, 통계적으로 유의미한 수준의 학습 기간별 학습 성능의 편차는 나타나지 않았다.
대상 데이터
있다. NNShell의 주가 데이터베이스에는 한국 주식 시장을 구성하는 거래소(KOSPI) 시장과 코스닥(KOSDAQ) 시장에 상장된 약 2,000 종목에 대한 1990년 1월 이후 현재까지의 데이터가 수집되어 있다. 각 원시 데이터(raw data, RD)는 7개의 필드로 구성되며 그 내용은 아래와 같다.
두 예즉기 모두 연구 [9]에서 제시한 기술 분석 지표들을 포함하는 총 127개의 입력 자질을 사용하여 학습하였다.
학습 결과에 따른 예측의 정확도이다. 정확도 측정을 위한 검증 데이터로는 표 1의 '신경망 학습 검증용 데이터'를 공통으로 사용하였다. 각 조합에 대해, 예측치 상위 10%에 해당하는 동일 개수의 주식을 예측한 것으로 가정하였고, 예측한 날짜로부터 5일 이후의 가격이 예측 날짜의 가격보다 높은 경우에는 예측이 맞은 것으로, 그렇지 않은 경우에는 틀린 것으로 간주하였다.
이론/모형
경영/경제학에서는 기본 분석 (fundamental analysis) 및 기술 분석 (technical analysis)에 대한 연구가 수행되었고〔1][2], 물리/수학에서는 카오스 이론 등을 적용하였으며[3], 통계학 분야에서는 여러 가지 시계열(time series) 접근법을 사용하였다[4]. 이와 같이 오랜 기간 동안 많은 연구가 수행되었음에도 불구하고, 아직까지 주가에 대한 예측이 가능한지 그리고 실제 시장에서의 유용성을 보장할 수 있는지에 대한 논란은 계속되고 있다.
성능/효과
전반적으로 1개 은닉층 (hidden layer)을 사용한 경우보다 2개 은닉층을 사용한 경우가 성능이 우수하였으며, 그 중에서도 각 층에 40개와 20 개의 노드를 둔 경우가 상대적으로 우수한 성능을 보인 것으로 판단되어 이를 최종 실험의 신경망 구조로 채택하였다. 1 개 은닉층과 2개 은닉층 모두에서, 통계적으로 유의미한 수준의 학습 기간별 학습 성능의 편차는 나타나지 않았다. <표 3>은 R曲의 정책 선정 기간에 대한 통합 다중 시뮬레이션의 결과를 요약한 것으로, 4장에서 제시한 세 가지 성능 평가 척도인 PPT, HR, 浮의 각 관점에서 가장 우수한 성능을 보인 거래 정책들(, 广, 3)을 보이고 있다.
이 예측기의 경우 FPT와 TP의 측면에서 가장 우수한 거래 정책이동일 한 정책 (P4)이었다. Pbulle 대한 실험 결과에서와는 반대로 두 정책 모두 +6%과 +4%의 매우 높은 매수할인율을 택하고 있다. 즉, 거래 후보 종목들 중 더 많은 비율의 종목이 수익이 발생하는 종목이기 때문에 다소 높은 가격에 매수하더라도 매수하지 않는 것에 비해 최종 수익의 측면에서 유리함을 의미하는 것으로, Rm에 비해 Rg의 예측력이 높은 것에 기인한 것으로 판단된다.
PPT가 가장 높은 P1은 P2에 비해 이익 실현율(22%)은 높고, 손절률(14%)은 낮다. 결과적으로 이익실현율은 P2에 비해 매우 낮지만, 최종 수익금인 TP는 오히려 더 높은 것을 확인할 수 있다. 이것은 34.
27을 예측임계치로 사용하고 있다. 그 결과, 거래회수가 113회로 Pl, P2에 비해 많은 대신 적중률 H/袒)이 낮고 PPT도 세 정책 중 가장 낮지만, 많은 거래회수로 인해 수익금은 가장 크다.
IMS 기법은 신경망 기반 주식 거래 시스템의 구축을 위한 통합 개발 도구인 NNShell'의 거래 정책 선정 모듈의 기능을 개선하기 위해 고안되었다. 다중 시뮬레이션의 결과로 생성된 후보 거래 정책 집합에 포함되는 모든 거래 정책들은 NNShell의 정책 정렬 기능에 의해 각 세부 성능 평가척도의 관점에서 우수한 순서대로 정렬된다. 정렬 결과를 이용하여, 사용자는 자신의 투자 성향 및 선호하는 성능 평가 척도의 관점에서 우수하다고 판단되는 후보 거래 정책들을 비교 분석하고, 이에 근거하여 최종적인 최적 거래 정책을 선정할 수 있다.
결과이다. 두 정책 모두 PPT가 약간 낮아졌지만 전반적인 성능의 변화는 없는 것으로 판단되며, 이 결과에서도 P2가 BP에 비해 우수한 성능을 보임을 알 수 있다.
또한, 이 기법에 의해, 예측 대상 및 예측력이 다른 개별 예측기의 고유한 특성에 따라 최적화된 예측 기별 고유 거래 정책을 수립할 수 있음을 예시하였다. 실험 결과의 분석을 통해, 주가 예측의 주요 기법인 기술분석에서 사용되는 여러가지 파동 패턴 중, V자형 패턴이 전산학적 관점에서는 매우 유용한 패턴임을 확인할 수 있었다. 그러나 실제 거래에 제안된 기법을 적용함에 있어서는 세부 거래 구간별 성능의 편차 등이 고려되어야 하며, 위험관리(risk management)도 추가로 고려되어야 한다.
여기서는 각 정책들 간 수익금 차이에 비해, P2의 이익실현 비율이 두드러지게 높은 것을 근거로 하여 P2를 최적 거래 정책으로 선정하였다고 가정하기로 한다. 이러한 가정 하에 P2의 성능을 기본 정책 BP와 비교해보면, 매수할인율이 0%인 BP에 비해 거래회수가 작음에도 불구하고, 이익실현 비율을 포함한 HR과 PPT의 측면에서 모두 BP보다 좋은 성능을 보임을 확인할 수 있다.
후속연구
IMS 기법은 기존의 연구에서 심도 있게 다루어지지 않았던 미시 거래 정책 인자들을 통합적으로 고려하여 다중의 시뮬레이션을 수행하는 기법으로, 기존의 단순 거래 정책에 비해 개선된 성능의 거래 정책들을 선정해 낼 수 있음을 실험을 통해 확인하였다. 또한, 이 기법에 의해, 예측 대상 및 예측력이 다른 개별 예측기의 고유한 특성에 따라 최적화된 예측 기별 고유 거래 정책을 수립할 수 있음을 예시하였다. 실험 결과의 분석을 통해, 주가 예측의 주요 기법인 기술분석에서 사용되는 여러가지 파동 패턴 중, V자형 패턴이 전산학적 관점에서는 매우 유용한 패턴임을 확인할 수 있었다.
그러나 실제 거래에 제안된 기법을 적용함에 있어서는 세부 거래 구간별 성능의 편차 등이 고려되어야 하며, 위험관리(risk management)도 추가로 고려되어야 한다. 이를 위해 거래 당 수익률에 대한 월별 분산 및 최대 손실 (maxdraw) 구간에 관련된 척도 등을 기존의 평가 척도와 결합하여 다룰 수 있는 기법에 대한 추후 연구가 필요한 것으로 판단된다.
참고문헌 (12)
S. Cottle, R. F. Murray, F. E. Block, and D. L. Dodd, Graham and Dodd's Security Analysis(5th edition), McGraw-Hill, 1988
R. D. Edwards and J. Magee, Technical Analysis of Stock Trends, John Magee, Inc., 1974
A. W. Lo, Long Term Memory in Stock Market Prices, Econometrica 59(5)
R. S. T. Lee, 'iJADE Stock Advisor: An Intelligent Agent based Stock Prediction System using Hybrid RBF Recurrent Networks,' IEEE Transactions on Systems, Man, and Cyberneties, Part A:Systems and Humans 34(3), pp. 421-428, 2004
A. Fan, M. Palaniswami, 'Stock Selection using Support Vector Machines,' Proceedings of the Internation Joint Conference on Xeural Networks, pp. 1793-1798, 2001
J. O. J. Lee, J. W. Lee, and B. Zhang, 'Adaptive Stock Trading with Dynamic Asset Allocation using Reinforcement Learning,' Information Sciences 176, pp.2121-2147, 2006
J. W. Lee, S. D. Kim, J. Lee, J. Chae, 'An Intelligent Stock Trading System based on Reinforcement Learning, IEICE Transactions on Information and Systems E86-D(2), pp. 296-305, 2003
J. Moody and M. Saffell, 'Learning to Trade via Direct Reinforcement', IEEE Transactions on Neural Networks, 12(4), pp.875-889, 2001
J. W. Lee, J. O, 'A Multi-agent Q-learning framework for Optimizing Stock Trading Systems,' Proceedings of the International Conference on Database and Expert Systems Applications, pp. 153-162, 2002
J. S. Zirilli, Financial Prediction using Neural Networks, Thomson Computer Press, 1997
※ AI-Helper는 부적절한 답변을 할 수 있습니다.