ISEPT

Abstract

Pair trading is a statistical arbitrage strategy that seeks market neutral profits by hedging two assets. Most earlier studies separate pair selection and execution, running each step in its own model. This split prevents trading results from informing selection and often overfits a small set of assets. In addition, many approaches rely on raw or aggregated prices, which struggle to capture the visual patterns and cross-asset interactions that influence returns. Accordingly, we introduce ISEPT, an end-to-end framework that works directly with candlestick chart images and joins pair selection with trading. A convolutional autoencoder (CAE) converts monthly candlestick images into stock-level latent vectors. For each pair, the concatenated vectors pass to a multilayer perceptron (MLP) that predicts the next month’s Sharpe ratio. At month-end, realized trading results feed back into the MLP as fresh training data, letting the model adjust to current market conditions and refine pair rankings continuously. Tests on a long historical span of daily Open-High-Low-Close (OHLC) data for S&P 500 constituents show that ISEPT outperforms traditional approaches. Both return on investment and Sharpe ratio improve markedly, indicating that the framework delivers steady long-term gains.;페어 트레이딩은 두 자산을 헤지하여 시장 중립적 수익을 추구하는 통계적 차익거래 전략이다. 기존 선행 연구들은 대부분 페어 선정과 트레이딩 시점 포착을 별개의 모델로 분리하여 접근하였다. 이러한 이분법적 구조는 실제 트레이딩 성과가 페어 선정 과정에 반영되는 것을 저해하며 특정 소수 자산에 모델이 과적합되는 문제를 발생시킨다. 또한, 단일 가격 데이터에만 의존하는 방식은 수익률에 유의미한 영향을 미치는 시각적 패턴과 자산 간 상호작용을 포착하는 데 한계가 있다. 이에 본 논문에서는 캔들스틱 차트 이미지를 직접적인 입력값으로 활용하여 페어 선정과 트레이딩을 결합한 엔드투엔드 프레임워크인 ISEPT를 제안한다. ISEPT는 Convolutional Autoencoder(CAE)를 활용해 월간 캔들스틱 이미지를 종목별 잠재 벡터로 변환한다. 이후 각 페어의 결합된 벡터를 MultilayerPerceptron(MLP)에 입력하여 다음 달의 샤프 비율(Sharperatio)를 예측한다. 특히 월말마다 실현된 트레이딩 성과를 모델 재학습에 반영하여 최신 시장 상황에 맞춰 페어의 우선순위를 지속적으로 최적화하도록 설계하였다. S&P500구성 종목의 장기간 OHLC데이터를 활용하여 실험한 결과, ISEPT는 기존 방법론 대비 우수한 성과를 입증하였다. 연율화된 수익률(ROI)과 샤프 지수 측면에서 모두 유의미한 개선을 보였으며, 이는 제안하는 프레임워크가 안정적인 장기 수익 창출에 기여할 수 있음을 시사한다.