기술적 지표를 활용한 ETF 분할매매 전략의 머신러닝 기반 최적화
Machine-Learning-based Optimization of ETF Split Trading Strategies with Technical Indicators
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 기술적 지표를 활용하여 투자 비중을 동적으로 조정하는 머신러닝 기반 자산 배분전략을 개발하는 것을 목적으로 한다. Bollinger Band와 CCI(Commodity Channel Index)를 기반으로한 파라메트릭 구조를 통해 시장 변화에 유연하게 대응할 수 있는 전략을 설계하였다. 전략의 파라미터 최적화를 위해 Differential Evolution(DE), Powell, L-BFGS-B, TNC, COBYLA, TRUST-CONSTR 등 총 6가지 최적화 알고리즘을 적용하였으며, 과거 ETF 데이터를 바탕으로 반복 실험을 수행하였다. 각 알고리즘은 연간 실현 수익률, 수익 안정성, 과적합 지표 등을 기준으로 평가되었으며, 이 중 DE 알고리즘은 모든 기준에서 가장 우수한 성과를 보였다. DE는 탐색 공간을 효과적으로 탐색하고 지역 최적값에 빠지지 않는 특성으로 인해 뛰어난 일반화 성능과 낮은과적합 수준을 보여주었다. 본 연구 결과는 기술적 지표와 전역 최적화 기법을 결합한 전략이 동적 금융 환경에서도 강건한 투자 전략으로 활용될 수 있음을 시사한다.
Abstract
This study aims to develop a machine-learning-based asset allocation strategy that dynamically adjusts investment weights using technical indicators. By employing a parametric structure grounded in Bollinger Bands and the Commodity Channel Index (CCI), the strategy offers flexible responses to market changes. Several optimization algorithms, including Differential Evolution (DE), Powell, L-BFGS-B, TNC, COBYLA, and TRUST-CONSTR, were applied to tune the strategy parameters using historical ETF data. Each optimizer was evaluated through repeated simulations, and the models were assessed based on annual realized profits, return stability, and overfitting metrics. Among them, DE consistently delivered superior performance, demonstrating strong generalization and low levels of overfitting. These outcomes are attributed to DE’s ability to escape local optima and effectively explore the search space. These results indicate that combining global optimization with technical indicators enables robust, data-driven investment strategies that are adaptable to dynamic financial environments.