Prediction on Monthly Portfolio Returns via Deep Learning

Abstract

Due to its dynamic behavior and complexity, stock return prediction has long been one of the most important challenges not only among researchers but also among practitioners. A large collection of highly correlated candidate variables and their non-linearities have been major obstacles in understanding of stock market and its flow. In recent years, state-of-the-art analytical techniques, such as deep learning and machine learning, have been actively utilized in stock return predictions. Researchers have achieved noticeable performances using the two techniques. In this paper, we construct our own portfolio using stocks of 111 companies in the US equity market. We aim to predict returns of the portfolio with hidden features extracted from firm-specific and macroeconomic predictors. We use comparative analytical approaches and identify the significance of Dynamic Time Warping (DTW) clustering and Long Short-Term Memory (LSTM) network. Obtaining stable and high performance with our model, we suggest that two key factors, maintaining temporal information and handling problems among predictor variables, play important roles in improvement of predictability for stock returns.;주식 수익률 예측은 위험 관리, 포트폴리오 구성 등 금융 산업의 여러 핵심 문제에 직접적으로 영향을 미치는 중요한 과제이다. 주식 시장의 등장 이래로 주식 가격을 정확하게 예측하기 위해 수많은 연구가 진행되어 왔다. 재무/경제 설명 변수들의 높은 상관성, 비선형성, 고차원성은 예측력 향상을 저해하는 주된 요소로 알려져 있다. 이러한 설명 변수의 내재적인 문제점을 해결하기 위해 금융 전문가들은 딥러닝과 머신러닝 등 최신 분석 기법을 활용하는 추세이다. 본고에서는 미국 주식 시장의 111개 회사 주식으로 구성된 포트폴리오의 수익률을 예측한다. 월별 포트폴리오 수익률을 도출하기 위해 개별 주식의 월별 수익률 예측 모형을 설계한 후 예측값을 가중 평균하였다. 모형의 성능 향상을 위해 동적시간워핑(DTW) 군집분석, 장단기 메모리 네트워크(LSTM)를 적용한다. 이를 기존 회귀 기반 방법론과 비교 분석함으로써 두 방법의 결합을 통해 금융 시계열 변수의 문제점을 효과적으로 해결하고, 예측력을 향상할 수 있다는 것을 확인한다.