최근 심층 학습 및 강화 학습 기법이 금융 포트폴리오 최적화에 적용되어 왔지만, 기존 접근법들은 가격 데이터의 많은 노이즈로 인해 편향된 거래 신호를 생성할 수 있다. 이 연구에서는 MASAAT(Multi-Agent and Self-Adaptive Trading) 프레임워크를 제안한다. 이 프레임워크는 다중 에이전트를 활용하여 가격 변화의 다양한 관점에서 데이터를 분석함으로써 편향된 거래 행동을 줄이고자 한다.
구체적으로, 에이전트들은 가격 데이터와 더불어 방향 변화(Directional Change) 데이터를 활용하여 가격 변동의 중요한 변화를 다중 수준에서 포착한다. 이후 주목 기반 횡단면 분석 모듈과 시간 분석 모듈을 통해 자산 간 상관관계와 시간 간 의존성을 학습한다. 마지막으로 각 에이전트의 포트폴리오 제안을 종합하여 새로운 앙상블 포트폴리오를 생성함으로써 변동성이 높은 금융 시장에 신속하게 대응할 수 있다.
실험 결과, 제안된 MASAAT 프레임워크는 DJIA, S&P 500, CSI 300 지수 데이터에서 기존 접근법들에 비해 우수한 수익률, 최대 손실, 샤프 비율 성능을 보였다. 이는 다중 에이전트와 자기 적응형 구조를 통해 변동성이 높은 금융 시장에서 수익과 위험을 효과적으로 균형 잡을 수 있음을 보여준다.
다른 언어로
소스 콘텐츠 기반
arxiv.org
더 깊은 질문