Portfolio Optimization with LSTM

Treeboy·2022년 7월 14일

Portfolio Optimization-Based Stock Prediction Using Long-Short Term Memory Network in Quantitative Trading

Portfolio Construction은 두가지 작업: asset allocation and security selection

Asset allocation 이란 자산의 비율을 결정하는 것이며 (주식 30%, 현금 70%), security selection 은 자산 내에서 어떤 종목을 고를 것인지 결정하는 것이다. 이 중 security selection 이 prediction에 더 의존적이며, 따라서 LSTM의 직접적인 적용 대상이 된다.

저자들은 포트폴리오 구축의 세가지 요인을 분석한다: expected return, volatility, and correlation of asset returns.

Expected return
이 포트폴리오의 기대 수익은 어느 정도인가?
Volatility (Variance of asset returns)
이 포트폴리오의 위험성은 어느정도인가? 기복이 큰 자산일 수록 위험도가 높음.
Correlation
주식간의 공분산이 크다면 굳이 다 살 필요가 없음. 서로 상관관계가 없는 종목에 투자해 안정적으로 포트폴리오를 운용.

Previous approaches

Black Litterman Model

https://hwangheek.github.io/2021/black-litterman/ 에서 좋은 분석을 해줌

Optimization Process

Optimization Model

Monte Carlo Simulation

포트폴리오 비중을 무작위로 생성한 뒤 기대 수익, 변동성, Sharpe Ratio 계산. Sharpe Ratio 를 극대화하는 비중이 나올 때까지 조정, 다음과 같은 결과가 나옴.

몬테카를로 시각화

Mean-variance optimization

Experiment and Results

Dataset
2008-01 부터 2018-01 까지의 S&P 500의 모든 종목의 Open, High, Low, Close, Volume 활용
Hyperparameters
종목 한개를 골라서 실험. 은닉층 수 (2), 뉴런 수 (256, 512) 결정
모델
Stacked LSTM (2), Adam Optimizer 활용
Metrics
MAE, MSE 사용

LSTM을 사용해 예상 수익이 가장 좋은 4개의 종목을 선정 후 세가지 방식의 포트폴리오 최적화 수행

Equal Weighted Portfolio

각각의 비중을 0.25로 설정

Monte Carlo Simulation

위의 방식대로 50000번 반복.

Mean Variance Optimization

아래의 Proportion 으로 나눠서 backtesting 진행.

Stock Portfolio Optimization Using a Deep Learning LSTM Model

Nine portfolios based on historical prices of 2016-2020

pharmaceuticals
infrastructure
realty
media
public sector banks
private sector banks
large-cap
mid-cap
small-cap.

Data Processing

Gathered with yfinance

Return: daily and log-scaled
Volatility: daily and yearly (daily * 250)
Covariance and Correlation