Empirical Research on Financial Investment based on Transfer Entropy and Machine Learning

Abstract

Stock markets have been studied extensively as one of the crucial fields of economy. In particular, research has been actively conducted to analyze and predict the stock market based on relationships among the dynamics of stock prices and returns. In this context, transfer entropy is a non-parametric indicator in analyzing relationships between components of a system, and has a more flexible analytical ability than correlation or Granger-causality. The study of stock price prediction is also being studied from traditional linear models to the latest machine learning models, and research on the optimal asset allocation strategy based on these studies are conducted. The purpose of this dissertation is to derive ETE based network indicator with a market explanatory power for the US stock market by using effective transfer entropy, which is mainly used in econophysics and information theory. The improvement of the performance of the stock price direction prediction through various machine learning algorithms by ETE based network indicator is also analyzed. Furthermore, we apply the prediction result of the stock price through the machine learning algorithm with ETE based network indicator to optimal portfolio strategy through the Black-Litterman model to study the practical use of the investment strategy. At first, we explore that the ETE based on 3 and 6 months moving windows can be regarded as the market explanatory variable by analyzing the association between the financial crises and statistical explanatory power among the stocks. We found that 3 and 6 months moving windows ETEs increase in major financial crises, and that the sectors related to the financial crises have a statistical explanatory power to other sectors through the time-varying analysis of the ETE network indicators. Then, we discover that the prediction performance on the stock price direction can be improved when the ETE driven variable is integrated as a new feature in the logistic regression, multilayer perceptron, random forest, XGBoost, and long short-term memory network. Meanwhile, we suggest utilizing the adjusted accuracy derived from the risk-adjusted return in finance as a prediction performance measure. Notably, we confirm that the multilayer perceptron and long short-term memory network are more suitable for stock price prediction. Lastly, we examined the possibility for investors to develop an investment strategy that maximizes profits through the Black-Litterman model using ETE and machine learning. The characteristics of the inflow and outflow ETE network indicators with market explanatory power and the stock price direction prediction results using machine learning algorithms are applied to the investor's view of the Black-Literman model. The Black-Litterman portfolio, which applies the results of the stock price direction prediction using machine learning algorithms to the investor's view, provides a better return on risk than the market portfolio and market index, and the Black-Litterman portfolio with the ETE network indicator has the highest yield. The use of ETE and stock price prediction leads to improved return on investment, and improving predictive performance increases the return on investment. This dissertation is the first study on the optimal portfolio establishment strategy through the Black-Litterman model and stock price direction prediction using machine learning algorithm to apply ETE of information theory to the financial investment field.

주식 시장은 경제 분야의 중요한 부분으로 광범위하게 연구되고 있다. 특히, 주식 시장의 구성 요소들인 주식 가격과 그 수익률의 관계를 예측하고 분석하는 연구는 투자자들이 최적 투자 전략을 세우기 위해 중요한 과업 중 하나이다. 이러한 맥락에서, 어떠한 시스템의 구성 요소들 간의 관계를 분석하는 데 있어 전이 엔트로피(Transfer entropy)는 비모수 지표로써 상관 관계나 그레인저-인과관계에 비해 요소 간 통계적 설명력을 확인하기에 용이하다. 주식 가격의 예측과 이를 통한 최적 자산 배분 전략에 대한 연구 또한 전통적인 선형 모델부터 최신의 머신 러닝 모델의 적용까지 다양하게 연구되고 있다. 본 학위논문의 목적은 경제물리학과 정보이론 분야에서 사용되는 효율적 전이 엔트로피(Effective transfer entropy, ETE)를 이용하여 미국 주식 시장에서 시장 구성 요소 간 발생하는 정보 흐름의 특징을 파악하여 시장의 특성을 나타낼 수 있는 시장 설명력 있는 ETE 기반의 네트워크 지표를 도출하고, 이 네트워크 지표의 사용이 다양한 머신 러닝 알고리즘을 통한 주가 방향 예측에서 성능 향상을 가져다 주는 지에 대해 연구한다. 나아가, 시장 설명력 있는 ETE 네트워크 지표의 구조적 특징과 머신 러닝 알고리즘을 통한 주가 방향 예측 결과를 투자자 관점을 고려한 최적 포트폴리오 구성 전략인 블랙-리터만 모형(Black-Litterman model)에 적용하여 결과적으로 정보 이론과 머신 러닝 기법을 이용한 실제 투자 전략 활용성에 대해 연구한다. 먼저, 미국 주식 시장의 주요 금융 위기들과 주식들 간의 통계적 설명력을 ETE를 통해 분석함으로써 3개월과 6개월 이동창을 기반으로 하는 ETE가 미국 주식 시장에 대해 설명력 있는 지표임을 확인했다. 해당 지표가 주요 금융 위기에서 그 값이 커지고, ETE 네트워크 지표의 시계열 분석을 통해 각 금융위기에서 해당 금융 위기와 관련된 섹터들이 다른 섹터들에 통계적 설명력이 있는 것을 확인했다. 다음으로, 로지스틱 회귀(Logistic regression, LR), 다층 퍼셉트론(Multilayer perceptron, MLP), 랜덤 포레스트(Random forest, RF), XGBoost(XGB) 및 Long short-term memory network(LSTM)의 5개 머신 러닝 알고리즘에 대해 ETE 네트워크 지표가 새로운 변수로 추가되었을 때 주가 방향 예측에 대한 예측 성능이 향상되는 것을 확인했다. 한편, 예측 모델의 예측 성능 평가에 대한 지표로 금융 분야에서 쓰이는 위험 조정 수익률로부터 도출한 수정 정확도 활용을 제안했고, 이 평가 지표를 이용한 분석을 통해 해당 5개 모델 중 MLP와 LSTM이 미국 주식 시장에 대한 주가 방향 예측에서 더 적합한 모델임을 확인했다. 마지막으로, 시장 설명력 있는 유입 및 유출 ETE 네트워크 지표의 특징과 머신 러닝 알고리즘을 이용한 주가 방향 예측 결과를 블랙-리터만 모형의 투자자 관점에 적용하여, 머신 러닝 알고리즘을 이용한 주가 방향 예측 결과를 투자자 관점에 적용한 블랙-리터만 포트폴리오는 시장 포트폴리오와 시장 인덱스보다 나은 위험 대비 수익률을 보이고, ETE 네트워크 지표를 적용한 블랙-리터만 포트폴리오는 가장 높은 수익률을 보임을 확인했다. ETE와 주가 방향 예측의 사용이 투자 수익률 향상으로 이어지고, 예측 성능을 향상시키면 투자 수익률도 함께 증가하는 결과를 활용하여 투자자들이 ETE와 머신 러닝을 활용한 블랙-리터만 모형을 통해 수익을 극대화 할 수 있는 투자 전략을 수립할 수 있는 가능성에 대해 확인했다. 본 학위논문은 정보 이론의 ETE를 금융 투자 분야에 적용할 수 있도록, 머신 러닝 알고리즘을 이용한 주가 방향 예측과 블랙-리터만 모형을 통한 최적 포트폴리오 구성 전략에 대한 첫 번째 연구이다.