선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 상향돌파와 하향돌파를 기준으로 매수, 매도를 판단하였다. 단기이동평균선이 장기이동평균선을 상향돌파하면 매수하고 하향돌파하면 매도하는 것이 기본 전략이다.
- 우리는 시스템트레이딩 전략과 패턴인식 알고리즘인 CHMM을 융합한 KOSPI200 트레이딩시스템에 대해서 살펴보았다. 그리고 이 시스템을 일반적인 시스템트레이딩의 성과, 시스템트레이딩 전략 없이 매턴인식 알고리즘인 CHMM만을 사용했을 때의 성과와 비교를 해보았다.
- 이를 통해 시스템트레이딩 기법만을 이용한 시스템의 한계, 패턴인식 알고리즘만을 이용한 시스템의 한계를 극복할 수 있는 방안을 제시하였다는데에 본 연구의 의의가 있다.
가설 설정
- 자금관리기법에 의한 영향을 배제하기 위해 1개 포지션만 진입․청산하는 전략을 가정하였다. 포지션이 없는 상태에서 매수 또는 매도 판단이 되면 해당 주문을 처리하고, 현재와 동일한 포지션으로 판단이 되면 현재 포지션을 그대로 유지한다.
제안 방법
- CHMM매수는 상향돌파 하는 시점의 지표값의 변동률로 학습하였고, CHMM매도는 하향돌파 하는 시점의 지표값의 변동률로 학습하였다. 알고리즘은 아래와 같다.
- 네 번째는 학습 데이터와 시험 데이터 구간을 이동하면서 사용한 CHMM 매매시스템을 사용하였다. CHMM을 사용한 실험에서는 CHMM 특성상 실험 때 마다 성능이 달라질 수 있기 때문에 같은 설정 값에 대해서 10번씩 실험한 수익의 평균을 구하였다.
- KOSPI 200 주가지수 데이터는 연속 데이터이므로 본 논문에서는 가우시안혼합 연속확률밀도에 기반한 CHMM을 이용하고자 한다(허진영, 김경재, 한인구, 2010).
- 본 시스템은 KOSPI200 선물에서 주로 사용하는 지표식을 이용한 시스템트레이딩을 모델로 하였다. 그래서 KOSPI200 데이터에서 지표데이터를 뽑은 다음 시스템트레이딩전략이 학습되어있는 CHMM을 이용하여 매수할지 또는 매도할지를 판단한다. 그 다음 현재 포지션을 감안하여 매매주문을 발생시킨다.
- 그래서 시스템트레이딩에서 일반적으로 사용되는 이 기간 조합을 포함해서 (5일, 20일), (10일, 40일), (20일, 40일), (20일, 60일), (20일, 80일), (20일, 100일), (20일, 120일), (20일, 140일), (30일, 40일), (30일, 60일), (30일, 80일), (30일, 100일)으로 실험 하였다.
- 전략 학습 부분은 기존 시스템트레이딩 전략을 기반으로 데이터 재가공과 분류를 하는 특징 추출 모듈, CHMM으로 매수/매도 판단을 학습하는 CHMM 모듈로 구성하였다. 그리고 성과 분석 부분은 증권사로부터 테스트 데이터를 받아서 지표 계산과 전략에 따른 특징을 추출하는 특징 추출 모듈, 전략 기반으로 매수, 매도 판단을 하는 CHMM 모듈, 그리고 최종적으로 포지션을 관리하면서 주문 처리와 수익관리를 하는 포지션관리 모듈로 구성하였다.
- 우리는 시스템트레이딩 전략과 패턴인식 알고리즘인 CHMM을 융합한 KOSPI200 트레이딩시스템에 대해서 살펴보았다. 그리고 이 시스템을 일반적인 시스템트레이딩의 성과, 시스템트레이딩 전략 없이 매턴인식 알고리즘인 CHMM만을 사용했을 때의 성과와 비교를 해보았다. 이를 통해 시스템트레이딩 전략과 패턴인식 알고리즘을 융합한 본 논문의 시스템이 가장 많은 수익을 안정적으로 내는 것을 알 수 있었다.
- 이렇게 전략에 따른 상향돌파와 하향돌파에 대한 특징을 명확하게 추출하였다. 그리고 학습 데이터 추출 기간과 시험데이터 추출 기간의 차이로 인한 KOSPI200 지수대의 변화에 따른 영향을 없애기 위해 단순이동평균선의 변화율을 사용하였다.
- 세 번째는 단순이동평균의 변화율을 이용한 CHMM 매매시스템을 사용하였다. 네 번째는 학습 데이터와 시험 데이터 구간을 이동하면서 사용한 CHMM 매매시스템을 사용하였다. CHMM을 사용한 실험에서는 CHMM 특성상 실험 때 마다 성능이 달라질 수 있기 때문에 같은 설정 값에 대해서 10번씩 실험한 수익의 평균을 구하였다.
- 단순이동평균선의 변화율 데이터를 이용하여 추출한 데이터의 다음날이 당일 대비 상승 했으면 매수 데이터로 학습하고 다음날이 당일 대비 하락했으면 매도 데이터로 학습 하였다.
- 이 방법은 가장 최근의 데이터로 학습을 한 시스템으로 시험을 할 수 있다는 장점이 있다. 단순이동평균선의 이동평균 기간이 길어지면 1년 간의 시험데이터에서의 돌파 발생 횟수가 적어서 (5일, 20일), (10일, 40일), (20일, 40일), (20일, 60일)에 대해서만 실험을 하였다.
- 본 논문에서는 시스템트레이딩 전략기반 CHMM 매매시스템과 일반적인 시스템트레이딩, 그리고 단순 CHMM 기반 매매시스템과의 성과를 비교하기 위해서 4가지 방식으로 실험하였다. 첫 번째는 일반적인 단순이동평균교차 트레이딩시스템을 그대로 이용하였고, 두 번째는 일반적인 패턴인식 연구에서처럼 KOSPI200 변화율에 CHMM을 그대로 사용하였다.
- 첫 번째는 일반적인 단순이동평균교차 트레이딩시스템을 그대로 이용하였고, 두 번째는 일반적인 패턴인식 연구에서처럼 KOSPI200 변화율에 CHMM을 그대로 사용하였다. 세 번째는 단순이동평균의 변화율을 이용한 CHMM 매매시스템을 사용하였다. 네 번째는 학습 데이터와 시험 데이터 구간을 이동하면서 사용한 CHMM 매매시스템을 사용하였다.
- 시스템트레이딩 전략에 기반한 CHMM 훈련데이터를 만들기 위해 시스템트레이딩 전략에 따라 특징을 추출하고 전략 수행결과로 나온 매수, 매도 결과로 데이터를 분류하였다.
- 시스템트레이딩 전략으로는 가장 기본적이고 보편적인 전략 중의 하나인 단기이동평균선과 장기이동평균선의 교차를 이용한 매매 전략을 사용하였다.
- 10년 간의 데이터로 학습한 다음 그 다음 1년간의 데이터로 시험하였다. 이런 방식으로 1년 단위로 옮겨가며 10번의 학습과 실험을 하였다.
- 지금까지의 실증분석 결과는 CHMM 모형을 결합한 지능형 트레이딩시스템의 성과가 기존의 시스템트레이딩기법의 성과를 개선할 수 있음을 보여주고 있다. 이를 바탕으로 실전매매를 위한 구체적인 지능형 트레이딩시스템을 대신증권의 홈트레이딩시스템을 이용하여 다음과 같이 제안한다.
- 이들의 매매 전략을 기계학습에 접목할 수 있다면 시스템트레이딩 분야의 괄목할만한 성장을 기대할 수 있을 것이다. 이를 위해 본 논문에서는 이동평균을 이용한 시스템트레이딩 매매전략을 CHMM으로 학습을 한 매매 시스템을 제안하고 KOSPI200 주가지수를 이용하여 실증분석을 제시하고자 한다.
- 그리고 포지션 관리 모듈과 증권사 연동 모듈을 연결하면 forward test와 실계좌 거래를 할 수 있다. 이처럼 본 시스템은 시스템트레이딩 전략과 패턴인식을 융합할 수 있도록 특징 추출 모듈과 포지션 관리모듈을 만들었으며, 증권사와 직접 연동하여 데이터 수집과 주문이 가능하게 하였다.
- 증권사 연동 모듈은 증권사로부터 API(Application Programming Interface)를 이용해서 KOSPI200 데이터를 받아오며 때에 따라 주문 전송도 할 수 있다. 전략 학습 부분은 기존 시스템트레이딩 전략을 기반으로 데이터 재가공과 분류를 하는 특징 추출 모듈, CHMM으로 매수/매도 판단을 학습하는 CHMM 모듈로 구성하였다. 그리고 성과 분석 부분은 증권사로부터 테스트 데이터를 받아서 지표 계산과 전략에 따른 특징을 추출하는 특징 추출 모듈, 전략 기반으로 매수, 매도 판단을 하는 CHMM 모듈, 그리고 최종적으로 포지션을 관리하면서 주문 처리와 수익관리를 하는 포지션관리 모듈로 구성하였다.
- 증권사 연동 모듈은 데이터 수집 기능과 주문 처리 기능을 수행할 수 있다. 제안된 시스템은 대신 증권의 API를 기준으로 연동 방식을 기술하였다.
- 제안된 트레이딩시스템은 와 같이 전략 학습 처리 부분과 성과 분석 부분이 증권사에 직접 연동되어 있는 형태로 구성하였다.
- 본 논문에서는 시스템트레이딩 전략기반 CHMM 매매시스템과 일반적인 시스템트레이딩, 그리고 단순 CHMM 기반 매매시스템과의 성과를 비교하기 위해서 4가지 방식으로 실험하였다. 첫 번째는 일반적인 단순이동평균교차 트레이딩시스템을 그대로 이용하였고, 두 번째는 일반적인 패턴인식 연구에서처럼 KOSPI200 변화율에 CHMM을 그대로 사용하였다. 세 번째는 단순이동평균의 변화율을 이용한 CHMM 매매시스템을 사용하였다.
- 학습, 시험 데이터를 바꾸어가며 사용한 CHMM 시스템에서는 데이터의 구간이 좁아져서 가용한 데이터가 적어진 관계로 위 3가지 경우만 투자성과를 분석하였다. <표 4>의 결과값은 2001년～2010년 동안의 1년씩의 시험결과값 10년치를 모아서 나타낸 값이다.
대상 데이터
- KOSPI200 주가지수는 1990년 1월 3일 100을 기준으로 해서 KOSPI200 편입 종목의 주가 총액의 상대적 가격을 나타낸 것으로 최근까지의 모든 데이터를 포함하고 있다. 구체적으로 일봉 캔들 차트의 시가, 고가, 저가, 종가 중 종가를 이용하였다.
- 본 시스템에서는 1990년 1월 3일부터 2011년 4월 15일까지의 KOSPI200 주가지수 데이터를 사용했다. KOSPI200 주가지수는 1990년 1월 3일 100을 기준으로 해서 KOSPI200 편입 종목의 주가 총액의 상대적 가격을 나타낸 것으로 최근까지의 모든 데이터를 포함하고 있다.
- 전체 데이터 중 앞쪽 1/2인 1990년 1월 3일부터 2000년 6월 9일까지의 데이터를 학습용 데이터로 사용하고 2000년 6월 12일부터 2011년 4월 15일까지의 데이터를 시험용 데이터로 사용하였다.
이론/모형
- CHMM에서는 모델의 파라미터를 추정하기 위하여 관측된 신호들에 대한 최대우도(maximum likelihood)를 구하기 위한 방법으로 가우시안 혼합모델(Gaussian Mixture Model, GMM)을 사용한다. CHMM의 경우 상태 j, 시간 t에서 입력벡터 Ot를 관측할 확률은 다음 식과 같이 가우시안 혼합모델로 표현된다(Reynolds and Rose, 1995).
- 본 시스템은 KOSPI200 선물에서 주로 사용하는 지표식을 이용한 시스템트레이딩을 모델로 하였다. 그래서 KOSPI200 데이터에서 지표데이터를 뽑은 다음 시스템트레이딩전략이 학습되어있는 CHMM을 이용하여 매수할지 또는 매도할지를 판단한다.
성능/효과
- <표 5>는 앞서 살펴본 시스템들의 최대 수익을 비교하고 있다. 본 논문에서 제안하는 시스템트레이딩 전략과 CHMM을 융합한 시스템이 가장 좋은 성능을 보여주고 있음을 알 수 있다.
- 그리고 이 시스템을 일반적인 시스템트레이딩의 성과, 시스템트레이딩 전략 없이 매턴인식 알고리즘인 CHMM만을 사용했을 때의 성과와 비교를 해보았다. 이를 통해 시스템트레이딩 전략과 패턴인식 알고리즘을 융합한 본 논문의 시스템이 가장 많은 수익을 안정적으로 내는 것을 알 수 있었다.
- 지금까지의 실증분석 결과는 CHMM 모형을 결합한 지능형 트레이딩시스템의 성과가 기존의 시스템트레이딩기법의 성과를 개선할 수 있음을 보여주고 있다. 이를 바탕으로 실전매매를 위한 구체적인 지능형 트레이딩시스템을 대신증권의 홈트레이딩시스템을 이용하여 다음과 같이 제안한다.
후속연구
- 향후 연구에서는 일봉 데이터를 이용한 포지션 매매뿐만 아니라 분봉 데이터를 이용하여 장중에 진입했다가 청산까지 하는 데이트레이딩에도 적용해보는 것이 필요하다. 이를 통해 다양한 매매 상황에서도 얼마나 강인한 시스템인지 확인해 볼수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.