그래디언트 부스팅 기계학습 및 유전 알고리즘을 적용한 증권 트레이딩 전략의 성능분석
Performance Analysis of Trading Strategy using Gradient Boosting Machine Learning and Genetic Algorithm
0
조회
0
다운로드
6
인용
0
참고문헌
키워드
초록
본 연구에서는 그래디언트 부스팅 기계학습과 유전 알고리즘을 이용하여 일별 주식 포트폴리오를동적으로 구성하는 시스템을 구축하고 트레이딩 시뮬레이션을 통해 성능을 분석하였다. 이를 위해유가증권시장과 코스닥시장에 상장된 종목들의 가격 데이터 및 투자자별 거래정보를 포함한 다양한데이터를 수집하고, 전처리 과정과 변수가공을 통해 학습-예측에 이용될 변수들을 생성하였다. 첫 번째실험에서는 예측정확도와 정밀도, 재현율 및 F1 점수 등 네 가지 지표를 활용하여 그래디언트 부스팅기법들(XGBoost, LightGBM, CatBoost)의 성능을 비교 평가하였다. 두 번째 실험에서는 전 단계에서선택된 LightGBM과 유전 알고리즘을 적용하여 상장 종목들의 일별 수익 여부를 학습-예측하였다. 그리고 예측된 수익 발생확률을 바탕으로 종목을 선별하여 트레이딩 시뮬레이션을 시행하고, CAGR, MDD, 사프지수 및 변동성 측면에서 코스피, 코스닥 지수와의 성능을 비교 평가하였다. 분석 결과, 제안된전략들 모두 네 가지 성능평가 지표상에서 시장 평균을 넘어서는 것으로 나타났으며, 그래디언트 부스팅과 유전 알고리즘의 결합이 주식 가격 예측에 효과적으로 이용될 수 있음을 보여주었다.
Abstract
In this study, we developed a system to dynamically balance a daily stock portfolio and performed trading simulations using gradient boosting and genetic algorithms. We collected various stock market data from stocks listed on the KOSPI and KOSDAQ markets, including investor-specific transaction data. Subsequently, we indexed the data as a preprocessing step, and used feature engineering to modify and generate variables for training. First, we experimentally compared the performance of three popular gradient boosting algorithms in terms of accuracy, precision, recall, and F1-score, including XGBoost, LightGBM, and CatBoost. Based on the results, in a second experiment, we used a LightGBM model trained on the collected data along with genetic algorithms to predict and select stocks with a high daily probability of profit. We also conducted simulations of trading during the period of the testing data to analyze the performance of the proposed approach compared with the KOSPI and KOSDAQ indices in terms of the CAGR (Compound Annual Growth Rate), MDD (Maximum Draw Down), Sharpe ratio, and volatility. The results showed that the proposed strategies outperformed those employed by the Korean stock market in terms of all performance metrics. Moreover, our proposed LightGBM model with a genetic algorithm exhibited competitive performance in predicting stock price movements.
참고문헌 (29)
- 하대우, "XGBoost 모형을 활용한 코스피 200 주가지수 등락 예측에 관한 연구", 한국데이터정보과학회지, 30(3), pp.655~669 (2019), 한국데이터정보과학회[DOI]
- T. Kimoto, "Stock market prediction system with modular neural networks", Proceedings of the international joint conference on neural networks, pp.1~6 (1990)
- K. Kamijo, "Stock price pattern recognition—a recurrent neural network approach", Proceedings of the international joint conference on neural networks, pp.211~215 (1990)
- P. F. Pai, "A hybird ARIMA and support vector machines model in stock price forecasting", Omega, 33, pp.497~505 (2005)[DOI]
- H. J. Kim, "A hybrid approach based on neural networks and genetic algorithms for detecting temporal patterns in stock markets", Applied Soft Computing, 7, pp.569~576 (2007)[DOI]
- 윤여창, "개선된 유전자 역전파 신경망에 기반한 예측 알고리즘", 한국데이터정보과학회지, 28(6), pp.1327~1336 (2017), 한국데이터정보과학회[DOI]
- S. Siami-Namini, "A comparison of ARIMA and LSTM in forecasting time series", 17th IEEE International Conference on Machine Learning and Applications (ICMLA), pp.1394~1401 (2018)
- S. R. Selvin, "Stock price prediction using LSTM, RNN and CNN-sliding window model", 2017 International Conference on Advances in Computing, Communications and Informatics, pp.1643~1647 (2017)
- S. Ö. Arik, "Tabnet: Attentive interpretable tabular learning", Proceedings of the AAAI Conference on Artificial Intelligence, 35(8) (2021)
- 이용건, "머신러닝 해석 기법을 이용한 전력 수요 예측 모델 해석", 전기학회논문지, 69(3), pp.480~485 (2020), 대한전기학회
- 김혁, "XGBoost 앙상블에 의한 서울시 초미세먼지 예측", Journal of The Korean Data Analysis Society, 22(4), pp.1661~1671 (2020), 한국자료분석학회[DOI]
- S. B. Jha, "Housing Market Prediction Problem using Different Machine Learning Algorithms: A Case Study", ~ (2020)
- S. I. Jang, "Comparison of Safety Driver Prediction Performance with XGBoost and LightGBM", Proceeding of Korea Institute of Information Technology Conference, pp.360~362 (2019)
- 허주성, "그래디언트 부스팅을 활용한 암호화폐 가격동향 예측", 정보처리학회 논문지, 7(10), pp.387~396 (2018), 한국정보처리학회[DOI]
- D. Opitz, "Popular ensemble methods: An empirical study", Journal of Artificial Intelligence Research, 11, pp.169~198 (1999)[DOI]
- R. Polikar, "Ensemble based systems in decision making", IEEE Circuits and Systems Magazine, 6(3), pp.21~45 (2006)[DOI]
- L. Rokach, "Ensemble-based classifiers", Artificial Intelligence Review, 33(1), pp.1~39 (2010)[DOI]
- 안경민, "앙상블 학습을 이용한 기업혁신과 경영성과 예측", 정보시스템연구, 30(4), pp.247~275 (2021), 한국정보시스템학회
- D. S. Siroky, "Navigating Random Forests and Related Advances in Algorithmic Modeling", Statistics Surveys, 3, pp.147~163 (2009)[DOI]
- G. Creamer, "Automated Trading with Boosting and Expert Weighting", Quantitative Finance, 10(4), pp.401~420 (2010)[DOI]
- "A Kaggle Master Explains Gradient Boosting" (2017)[URL]
- S. Basak, "Predicting the direction of stock market prices using tree-based classifiers", The North American Journal of Economics and Finance, 47, pp.552~567 (2019)[DOI]
- T. Chen, "XGBoost: A scalable tree boosting system", KDD ‘16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp.785~794 (2016)
- G. Ke, "Lightgbm: A Highly Efficient Gradient Boosting Decision Tree", Advances in Neural Information Processing Systems, 30, pp.3146~3154 (2017)
- L. Prokhorenkova, "CatBoost: unbiased boosting with categorical features", Advances in neural information processing systems, 31 (2018)
- 전민종, "Catboost 알고리즘을 통한 교통흐름 예측에 관한 연구", 한국산학기술학회논문지, 22(3), pp.58~64 (2021), 한국산학기술학회[DOI]
- 홍승현, "유전자 알고리즘을 활용한 인공신경망 모형 최적입력변수의 선정: 부도예측 모형을 중심으로", 지능정보연구, 9(1), pp.227~249 (2003), 한국지능정보시스템학회
- 옥중경, "유전자 알고리즘 기반의 기업부실예측 통합모형", 지능정보연구, 15(4), pp.99~121 (2009), 한국지능정보시스템학회
- M. A. Albadr, "Genetic algorithm based on natural selection theory for optimization problems", Symmetry, 12(11), pp.1758~1789 (2020)[DOI]