Core Concepts
본 연구는 금융 시계열 데이터 예측을 위해 세 가지 대표적인 신경망 아키텍처 탐색 전략을 비교 분석하였다.
Abstract
금융 시계열 데이터 예측은 매우 어려운 과제로 알려져 있다. 본 연구에서는 일본, 독일, 미국 채권 데이터를 대상으로 신경망 아키텍처 탐색을 수행하였다.
피드포워드 신경망, 1차원 합성곱 신경망, LSTM 신경망 등 세 가지 기본 아키텍처 유형을 대상으로 하였다. 각 아키텍처에 대해 베이지안 최적화, 강화학습, 하이퍼밴드 방식의 탐색 전략을 적용하여 최적의 하이퍼파라미터를 찾았다.
독일 채권 데이터에서 LSTM 신경망에 하이퍼밴드 방식을 적용한 경우 가장 좋은 성능을 보였다. 평균 AUC 0.56, 평균 균형 정확도 0.54를 달성하였다.
일본 채권 데이터에서는 1차원 합성곱 신경망에 베이지안 최적화를 적용한 경우 가장 좋은 성능을 보였다. 평균 AUC 0.54, 평균 F1 점수 0.65를 달성하였다.
미국 채권 데이터는 가장 예측이 어려웠으며, 어떤 방식으로도 AUC 0.5 이상의 성능을 달성하지 못했다.
Stats
금융 시계열 데이터는 매우 예측하기 어려운 것으로 알려져 있다.
본 연구에서 사용한 데이터셋은 약 4,000개의 훈련 예제와 1,000개 내외의 특성을 가지고 있다.
Quotes
"금융 시장은 예측하기 매우 어려운 것으로 알려져 있다."
"신경망 모델은 랜덤 시드에 따라 매우 다른 성능을 보일 수 있다."