주문 흐름 이미지 표현을 활용한 단기 변동성 예측 방법

Core Concepts

주문 흐름 정보를 이미지로 변환하여 단기 변동성을 예측하는 방법을 제안하고, 다양한 모델을 통해 성능을 평가하였다.

Abstract

이 논문은 비트코인 가격의 단기 실현 변동성을 예측하는 문제를 다룹니다. 가격의 고유한 확률적 특성과 반대 경향성으로 인해 정확한 예측이 어려운 문제입니다.
이를 해결하기 위해 저자들은 고정 시간 간격의 주문 흐름 데이터를 이미지로 변환하는 방법을 제안했습니다. 주문 크기, 주문 방향, 주문 장부 정보를 이미지의 색상 채널에 매핑하였습니다. 이렇게 생성된 이미지를 사용하여 간단한 3층 합성곱 신경망(CNN)과 더 복잡한 ResNet-18, ConvMixer 모델을 학습시켰습니다. 또한 수작업으로 추출한 특징을 추가로 사용하였습니다.
실험 결과, 제안한 주문 흐름 표현과 CNN 모델을 사용한 경우가 가장 좋은 성능을 보였습니다. 추가 특징을 사용한 모델의 RMSPE(Root Mean Square Percentage Error)는 0.85 ± 1.1이었고, 특징 없이 사용한 모델의 RMSPE는 1.0 ± 1.4였습니다. 특징을 사용한 ConvMixer 모델도 이와 유사한 성능을 보였습니다. 반면 단순 추측 방법의 RMSPE는 1.4 ± 3.0이었습니다.
저자들은 또한 모델의 해석 가능성을 보여주었습니다. 마지막 활성화 층의 임베딩 벡터를 t-SNE로 시각화하여, 모델이 변동성이 높은 상승 및 하락 추세 패턴을 학습했음을 확인했습니다.

Stats

변동성이 높은 시장 상황에서는 미래 변동성이 높을 것으로 예측된다.
변동성이 낮은 측면 움직임의 경우 미래 변동성이 낮을 것으로 예측된다.

Quotes

"주문 흐름 정보를 이미지로 변환하여 단기 변동성을 예측하는 방법을 제안하고, 다양한 모델을 통해 성능을 평가하였다."
"제안한 주문 흐름 표현과 CNN 모델을 사용한 경우가 가장 좋은 성능을 보였다."

Key Insights Distilled From

Learning to Predict Short-Term Volatility with Order Flow Image Representation

by Artem Lensky... at arxiv.org 03-21-2024

https://arxiv.org/pdf/2304.02472.pdf

Deeper Inquiries

다른 자산 클래스에 대해서도 제안한 방법이 효과적일까?

주문 흐름 이미지를 활용한 방법은 다른 자산 클래스에 대해서도 효과적일 수 있습니다. 주문 흐름 이미지는 시장 상황을 시각적으로 나타내므로 주식 시장 뿐만 아니라 다른 자산 클래스에서도 유용할 수 있습니다. 예를 들어, 외환 시장이나 상품 시장에서도 주문 흐름 이미지를 활용하여 단기 변동성을 예측하는 데 도움이 될 수 있습니다. 또한, 주문 흐름 이미지의 특성은 다양한 자산 클래스에 적용할 수 있는 범용적인 특성을 가지고 있기 때문에 다양한 시장에서 유용하게 활용될 수 있을 것입니다.

주문 흐름 이미지의 시간적 특성을 고려한 모델 구조는 어떻게 설계할 수 있을까?

주문 흐름 이미지의 시간적 특성을 고려한 모델 구조를 설계하기 위해서는 주문 흐름 이미지의 연속성과 시간적 변화를 적절히 반영해야 합니다. 이를 위해 시계열 데이터를 다루는 모델인 Temporal Convolutional Neural Network (TCN)과 같은 모델을 활용할 수 있습니다. TCN은 시간적인 의존성을 잘 캡처하면서도 병렬 처리가 가능한 장점을 가지고 있어 주문 흐름 이미지의 시간적 특성을 잘 반영할 수 있습니다. 또한, 주문 흐름 이미지의 시간 간격과 값의 범위를 조정하여 모델의 입력에 적합한 형태로 변환하는 전처리 과정도 중요합니다.

주문 흐름 이미지 인코딩 방식의 다양한 변형이 성능에 어떤 영향을 미칠까?

주문 흐름 이미지 인코딩 방식의 다양한 변형은 모델의 성능에 큰 영향을 미칠 수 있습니다. 예를 들어, 이미지의 해상도, 채널 수, 값의 범위 등을 조정하는 것은 모델이 주문 흐름 데이터를 올바르게 해석하고 활용할 수 있는 데 중요합니다. 또한, 주문 흐름 이미지의 색상 채널 및 정보 표현 방식을 변경하거나 추가하는 등의 변형은 모델이 주문 흐름 데이터에서 유용한 특징을 추출하고 예측 성능을 향상시키는 데 도움이 될 수 있습니다. 따라서 주문 흐름 이미지 인코딩 방식의 다양한 변형을 실험하고 최적의 설정을 찾는 것이 모델의 성능 향상에 중요합니다.