강화학습을 활용한 주식 포트폴리오 구성 및 트레이딩 시뮬레이션 모형에 대한 연구 :A study on the portfolio selection methodology and trading simulation model using reinforcement learning

윤성식

추천

검색

자료유형: 학위논문

저자정보: 윤성식 (광운대학교, 광운대학교 대학원)

지도교수: 이석준

발행연도: 2022

저작권: 광운대학교 논문은 저작권에 의해 보호받습니다.

이용수41

이 논문의 연구 히스토리 (2)

2022

강화학습을 활용한 주식 포트폴리오 구성 및 트레이딩 시뮬레이션 모형에 대한 연구

윤성식 경영학과 2022.01 학위논문

2021

강화학습을 활용한 주식 포트폴리오 구성 및 트레이딩 시뮬레이션에 관한 연구

윤성식 , 이석준 경영과 정보연구 2021.12 학술저널

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

주식 종목 분석을 통해 주식 포트폴리오를 구성하고 관리하는 것은 투자와 자산 관리에 있어 위험을 줄이고 수익률을 극대화하기 위해 필수적이며 주식시장 연구의 주요 관심사이다. 최근 컴퓨터 하드웨어 기술이 발달함에 따라 다양한 분야에서 뛰어난 성능을 보인 강화학습 알고리즘을 금융 분야에 적용한 연구가 활발히 진행되고 있다. 하지만 환경과 정책, 에이전트 등 강화학습 (reinforcement learning)을 구성하는 개체들의 파라미터 설정 및 조합의 다양성으로 인해 최적화에 어려움이 있어 보다 다양한 연구가 수행될 필요가 있다.
본 연구는 강화학습을 활용하여 동적으로 주식 포트폴리오를 구성하고 이를 대상으로 거래 시뮬레이션을 실시하여 구성된 포트폴리오의 수익성을 검증하고자 하였다. 이를 위해 국내 유가증권시장에 상장된 종목들 중 코스피 200 지수를 구성하는 종목을 대상으로 주가 데이터와 기본적 지표, 기술적 지표를 수집 및 산출하여 강화학습용 데이터 셋을 생성하고, 대표적인 강화학습 알고리즘인 DQN, A2C, A3C 알고리즘을 이용해 설계한 모형에 대한 학습을 수행하였다. 학습한 결과를 바탕으로 기대수익률이 높은 종목들을 선택하여 알고리즘별 주식 포트폴리오를 구성하고 이를 대상으로 테스트 기간에 대해 트레이딩 시뮬레이션을 실시하여 각 모형의 성과를 실증 분석 및 비교하였다. 분석 결과, 본 연구에서 제안하는 연구 절차의 연 환산 수익률은 DQN 29.96%, A2C 31.78%, A3C 16.98%로 시장 평균 수익률(29,05%) 및 코스피 200 지수 펀드 수익률(24.99%)과 비교하여 DQN과 A2C 강화학습 모형이 상대적으로 우수한 수익률을 보였다. 샤프지수의 경우 DQN 2.109, A2C 2.421, A3C 2.468로 시장 평균 샤프지수 (1.102) 및 코스피 200 지수 펀드 샤프지수 (0.907)와 비교하여 모든 강화학습 모형이 우수하였다. 이는 시장 전체 환경을 학습한 A3C를 통해 구성한 주식 포트폴리오가 개별 종목에 대한 환경만 학습한 DQN과 A2C의 포트폴리오에 비해 안정적인 운용을 하는 것으로 사료된다. 이러한 결과를 통해 본 연구에서 제안하는 강화학습을 활용한 주식 포트폴리오 구성이 효과적일 수 있음을 확인한 데 본 연구의 의의가 있다.

Constructing and managing a portfolio through analysis of the stock market is essential for reducing risks and maximizing returns in investment and asset management, and it is a major concern for financial market research. Recently, with the development of computer hardware technology, studies on applying reinforcement learning algorithms, which have showed excellent performance in various fields, are being actively conducted for the financial field. However, it is difficult to optimize due to the diversity of parameter settings and combinations of entities constituting reinforcement learning, such as environment, policies, and agents, and more diverse studies need to be conducted.
This study aim to verify the profitability of the stock portfolios constructing dynamically and conducting a trading simulation using reinforcement learning. For this, fundamental and technical indicators were collected and calculated from price data of stocks listed on the Korean securities market’s KOSPI 200 index for reinforcement learning, and model was learned using the DQN, A2C, and A3C algorithms. Stock portfolios were constructed by stocks with high expected returns, and the trading were simulated on the test period to empirically analyze and compare the performance of the model. As a result, the average annual return of DQN, A2C, and A3C was 36.64%, 31.78%, and 16.98%, respectively. The DQN and A2C models superior to the market average return (29.05%) and KOSPI 200 index fund return (24.99%). Sharp ratio of DQN, A2C, and A3C were 2.109, 2.421, and 2.468, respectively. All reinforcement learning models were superior to the market average Sharp ratio (1.102) and the KOSPI 200 index fund Sharp ratio (0.907). The result shows that the A3C stock portfolio, which has learned the entire market environment, operates more stably than the portfolio of DQN and A2C, which have learned only the environment for individual stocks. Through this, it was confirmed that the composition of the stock portfolio using reinforcement learning could be effective.

I. 서론 1
1. 연구의 배경 및 목적 1
2. 연구의 구성 4
II. 문헌 고찰 5
1. 기본적 지표 및 기술적 지표에 대한 고찰 5
1.1. 기본적 지표 및 기술적 지표의 개요 5
1.2. 기본적 지표 및 기술적 지표에 대한 선행연구 7
2. 포트폴리오 구성에 대한 고찰 9
2.1. 포트폴리오 이론 개요 9
2.2. 포트폴리오 구성에 대한 선행연구 10
3. 강화학습에 대한 고찰 11
3.1. DQN의 개요 12
3.2. A2C의 개요 14
3.3. A3C의 개요 16
3.4. 강화학습에 대한 선행연구 18
4. 선행연구의 한계점 및 본 연구의 차별점 19
III. 연구 모형 21
1. 데이터 정제 및 강화학습용 데이터 셋 생성 21
2. 강화학습 트레이딩 시뮬레이션 모형 학습 및 검증 24
IV. 실증분석 및 결과 26
1. 데이터 수집 26
2. 데이터 정제 및 강화학습용 데이터 셋 생성 결과 28
3. 강화학습 트레이딩 시뮬레이션 모형 학습 및 검증 결과 29
V. 결론 45
참고문헌 48

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)