일내 거래를 위한 주가 방향성 움직임 예측: LSTM과 랜덤 포레스트를 활용한 방법

우리는 1993년 1월부터 2018년 12월까지의 S&P 500 구성 종목에 대한 일내 거래를 위한 예측 정확도를 평가하기 위해 랜덤 포레스트(Random Forest)와 LSTM 네트워크(CuDNNLSTM을 정확히 사용)를 동시에 학습 방법으로 활용한다. 또한 단순히 종가 기준 수익률 외에도 시가 기준 수익률 및 일내 수익률을 포함하는 다중 특징(Multi-feature) 설정을 도입한다. 거래 전략으로는 Krauss 등(2017)과 Fischer & Krauss(2018)의 연구를 벤치마크로 삼는다. 각 거래일마다 수익률 예측 확률이 가장 높은 10개의 주식을 매수하고, 확률이 가장 낮은 10개의 주식을 공매도하며, 모든 종목에 동일한 금액 비중을 부여하여 일내 수익률 측면에서 시장 수익률을 상회하는 전략을 수행한다. 실증 결과, 다중 특징 설정을 적용한 경우 LSTM 네트워크를 사용할 때 일평균 수익률은 0.64%를 기록하였으며, 랜덤 포레스트를 사용할 경우 0.54%의 일평균 수익률을 달성하였다. 이는 Fischer & Krauss(2018) 및 Krauss 등(2017)에서 제시된 단일 특징 설정(종가 기준 일일 수익률만을 사용)에 비해 우수한 성과를 나타내며, 해당 연구에서 LSTM과 랜덤 포레스트를 사용했을 때의 일평균 수익률은 각각 0.41%와 0.39%였다.