Pursuing Top Growth with Novel Loss Function
Created by
- Haebom
Category
Empty
저자
Ruoyu Guo, Haochen Qiu
개요
본 논문은 변동성이 큰 주식 시장에서 지속적으로 수익을 내는 투자 결정을 내리는 어려움을 해결하기 위해, 공개적으로 접근 가능한 주식 데이터(시가/종가/고가/저가, 거래량, 섹터 정보)와 이를 바탕으로 구성된 여러 기술 지표를 사용하여 효율적인 일일 거래 시스템을 제안합니다. 특히, 최상위 성장 기회를 감지하기 위해 새로운 수익 가중 손실 함수를 도입하여 AI의 잠재력을 향상시키는 것을 목표로 합니다. 제안된 시스템은 2019년부터 2024년까지 1340일 동안 일일 재조정 시 연간 61.73%의 수익률과 1.18의 연간 샤프 비율을 달성했으며, 2005년부터 2010년까지 1360일 동안 연간 37.61%의 수익률과 0.97의 연간 샤프 비율을 달성했습니다. 성공의 주요 요인으로는 새로운 수익 가중 손실 함수, 범주형 및 연속형 데이터의 통합, 그리고 ML 모델 아키텍처가 꼽힙니다. 또한, 여러 성과 지표와 통계적 증거를 통해 기존 손실 함수에 비해 새로운 손실 함수의 우수성을 보여줍니다.
시사점, 한계점
•
시사점:
◦
새로운 수익 가중 손실 함수를 이용한 AI 기반 주식 거래 시스템의 효용성을 실증적으로 보여줌.
◦
범주형 및 연속형 데이터 통합을 통한 모델 성능 향상 가능성 제시.
◦
높은 수익률과 샤프 비율을 달성하여 실제 투자 가능성을 시사.
◦
기존 손실 함수 대비 새로운 손실 함수의 우수성을 입증.
•
한계점:
◦
과거 데이터 기반의 백테스팅 결과이므로 미래 성과를 보장할 수 없음.
◦
모델의 일반화 성능에 대한 추가적인 검증 필요.
◦
시장 변화에 대한 적응력에 대한 추가적인 연구 필요.
◦
데이터의 품질과 신뢰성에 대한 검토 필요.
◦
특정 기간의 데이터만 사용하여 일반화 가능성에 대한 한계 존재.
