금융과 딥러닝 - 금융 영역에서의 딥러닝은 어떻게 다른가?

<aside> 💡 - 분홍색: 아직 모르는 개념

• 초록, 파랑 : 주요 개념
• 빨간색 : Qraft가 개발한 주요 개념

</aside>

◾Qraft Tech. 기업 소개

• 국내 최대 로보어드바이져 서비스(엔진) 공급사(90% 이상)
• 세계 최초 글로벌 AI ETF 상장 & 국내 최초 AI ETF 뉴욕증시 상장
• 국내 최초 AI 주무 시스템 개발 → axe challenge 1위 달성(2018)

◾금융 & 딥러닝

🔻금융DL의 실패 요인들

🔸문제점1. 시계열 feature의 심한 노이즈

• 일반적으로 주가 모델링은 **기하브라운모형(GBM)**을 가정

• 근본적으로 AR 1 (autoregressive model)과 유사하므로 설명은 ar1 모델로 함

  $$ y_{t+1}=y_t+x_t+\epsilon_t $$

  • 다음 주가(t+1시점)는 t시점의 주가와 어떤 정보, 그리고 노이즈가 더해진 결과이다.
  • 딥러닝 모델이 포착해야 하는 것은 $x_t$ 이다.
  • 그러나 금융 데이터는 $\epsilon_t>x_t$ 이기 때문에 딥러닝 모델이 feature를 파악하기 어렵다.

• 그렇기 때문에 흔히 하는 LSTM 주가 예측 모델은 $y_{t+1}=y_t+\epsilon_t$ 로 모델을 만들어 결과가 ‘오른쪽으로 lagging’된 형태로 나타난다.

  

🔸문제점2. Feature 종류 대비 짧은 Sequence 길이

• 금융 데이터에서의 feature

  • 자산 배분 문제를 예로 들었을 때의 feature에는 다음과 같은 것들이 존재

    • 자산군 모멘텀 효과, 자산군 평균회귀 효과, 확장적/긴축적 통화정책 분류, 단기부채사이클/장기부채사이클 파악 …

  • 이런 feature들은 high level feature(더 의미있는, 집약적인, 추상적인, 개념적인 피처) 이다.

    ⇒ 이런 high level feature는 주로 Monthly Frequency , 즉 데이터 발생 주기가 월별인 경우가 많아 데이터 자체의 양이 적다.

  • 고려할 수 있는 주요 feature의 종류가 많은데, 데이터의 양이 적어질 때 → **차원의 저주 문제(The curse of dimensionality)**가 발생

    

🔸문제점3. 1,2번 문제로 인한 Overfitting

🔻해결방안

🔸1. 시계열 feature의 denoising

1. Moving Average
   • 자주 사용되는 denoising기법.
   • 오른쪽으로 lagging되는 문제점 발생