Financial Time Series Clustering: Obtaining Long-Term Trends with Deep Embedding Network

Abstract

In the field of asset selection and portfolio, there are active researches on clustering for various reasons. In recent years, there have been increasing cases of applying machine learning and deep learning methodology to asset clustering studies. This is because it is difficult to reflect insights such as long-term trends and patterns reflected in high-dimensional image data by traditional correlation-based analysis. Therefore, this thesis investigated how to clustering financial time series through deep embedding network that is specialized for processing high-dimensional data efficiently. It is shown that the existing algorithm is not suitable for the financial time series data, and proposed algorithm can perform the clustering better than the existing algorithm. In addition, we have clustered KOSPI data with the proposed algorithm and determined the optimal number of clusters through various performance measures. We also examined whether the insights trends inherent in the actual high-dimensional images can be reflected in the clustering results. In addition, based on the results of this thesis, it can be shown that the actual effect of incorporating the results of this study to the portfolio management by comparing the performance measures of various portfolios with the benchmark results, in the future works.

자산 선택 및 포트폴리오 분야에서 군집화에 대해 활발히 연구가 진행되고 있다. 특히 최근, 이러한 자산 군집화 연구에 기계학습 및 심층 학습 방법론을 적용하고자 하는 사례가 증가하고 있다. 기존의 상관관계 분석만으로는 고차원 이미지 데이터에 반영된 장기적 추세, 패턴 등의 직관적인 자산간의 관계를 반영하기 어렵기 때문이다. 따라서 본 연구는 고차원 이미지를 처리할 수 있는 심층 임베딩 기법을 통해 금융 시계열을 군집화할 수 있는 방법을 연구하였다. 기존 알고리즘이 금융 시계열 데이터에 적절하지 않음을 보이고, 본 연구진이 제안한 새로운 알고리즘이 기존 알고리즘보다 군집화를 더 적절히 수행할 수 있음을 보였다. 또한, 제안된 알고리즘을 통해 실제 KOSPI 데이터를 군집화하여 각종 성능 척도를 통해 최적 군집 수를 산출해 보았으며 실제 고차원 이미지 에 반영된 직관적인 자산간의 관계가 군집화 결과에도 반영될 수 있는지를 살펴보았다. 또한, 본 논문의 연구 결과를 바탕으로, 후속 연구를 통해 실제로 포트폴리오 구성에 이러한 연구 결과를 반영을 하게 됐을 때의 실제 효과에 대해 다양한 포트폴리오의 성능 측정 측도와 벤치마크 결과와의 비교를 통해 보여줄 수 있을 것이다.