Smart Media Journal (스마트미디어저널)

THE KOREAN INSTITUTE OF SMART MEDIA (한국스마트미디어학회)
권호 표지
DOI QR코드

DOI QR Code

3-stage Portfolio Selection Ensemble Learning based on Evolutionary Algorithm for Sparse Enhanced Index Tracking

부분복제 지수 상향 추종을 위한 진화 알고리즘 기반 3단계 포트폴리오 선택 앙상블 학습

  • 윤동진 (인하대학교 전기컴퓨터공학과) ;
  • 이주홍 (인하대학교 전기컴퓨터공학과) ;
  • 최범기 (인하대학교 전기컴퓨터공학과) ;
  • 송재원 (밸류파인더스)
  • Received : 2021.08.03
  • Accepted : 2021.09.24
  • Published : 2021.09.30
Download PDF
⟨ Previous Next ⟩

Abstract

Enhanced index tracking is a problem of optimizing the objective function to generate returns above the index based on the index tracking that follows the market return. In order to avoid problems such as large transaction costs and illiquidity, we used a method of constructing a portfolio by selecting only some of the stocks included in the index. Commonly used enhanced index tracking methods tried to find the optimal portfolio with only one objective function in all tested periods, but it is almost impossible to find the ultimate strategy that always works well in the volatile financial market. In addition, it is important to improve generalization performance beyond optimizing the objective function for training data due to the nature of the financial market, where statistical characteristics change significantly over time, but existing methods have a limitation in that there is no direct discussion for this. In order to solve these problems, this paper proposes ensemble learning that composes a portfolio by combining several objective functions and a 3-stage portfolio selection algorithm that can select a portfolio by applying criteria other than the objective function to the training data. The proposed method in an experiment using the S&P500 index shows Sharpe ratio that is 27% higher than the index and the existing methods, showing that the 3-stage portfolio selection algorithm and ensemble learning are effective in selecting an enhanced index portfolio.

지수 상향 추종은 시장수익률을 좇는 지수 추종에 기반을 두고 지수 이상의 수익을 내기 위한 목적함수를 최적화시키는 문제이다. 큰 거래비용과 비유동성 등의 문제를 피하기 위하여 지수 편입종목들 중 일부만을 선택하여 포트폴리오를 구성하는 방법을 사용하였다. 기존의 지수 상향 추종 방법들은 테스트하는 모든 구간에서 하나의 목적함수만을 가지고 최적의 포트폴리오를 찾고자 하였으나 변동성이 큰 금융시장에서 항상 잘 통하는 궁극의 전략을 찾고자 하는 것은 불가능에 가깝다. 또한, 시간에 따라 통계적 특성이 크게 변하는 금융시장의 특성 상 학습 데이터에 대한 목적함수를 최적화시키는 것 이상으로 일반화 성능을 향상시키는 것이 중요하지만 기존의 방법들은 이를 위한 직접적인 논의가 부족하다는 한계점을 가지고 있다. 이러한 문제점들을 해결하기 위하여 본 논문은 여러 목적함수들을 조합하여 포트폴리오를 구성하는 앙상블 학습과 학습 데이터에 대한 목적함수 이외의 다른 기준을 적용하여 포트폴리오를 선택할 수 있는 3단계 포트폴리오 선택 알고리즘을 제안한다. S&P500 지수를 사용한 실험에서 제안한 방법은 지수와 기존 방법들보다 27% 이상 높은 Sharpe ratio를 보이며 3단계 포트폴리오 선택 알고리즘과 앙상블 학습이 지수 상향 포트폴리오를 선택하는데 효과가 있음을 보여준다.

Keywords

Acknowledgement

이 논문은 2021년도 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업임 (2019R1F1A1062094, 2021R1F1A1050120, NRF-2020R1F1A1069361)

References

  1. B. M. Barber and T. Odean, "Trading is hazardous to your wealth: The common stock investment performance of individual investors," Journal of Finance, vol. 55, no. 2, pp. 773-806, Apr., 2000. https://doi.org/10.1111/0022-1082.00226
  2. Ian R. Appel, Todd A. Gormley and Donald B. Keim, "Passive investors, not passive owners," Journal of Financial Economics, vol. 121, no. 1, pp. 111-141, Jul., 2016. https://doi.org/10.1016/j.jfineco.2016.03.003
  3. Percentage of Large-Cap funds that underperformed the S&P 500(2020). https://www.spglobal.com/spdji/en/research-insights/spiva/#/reports (accessed Jul., 23, 2021).
  4. Juan Diaz, Juan, et al., "Index fund optimization using a hybrid model: genetic algorithm and mixed-integer nonlinear programming," The Engineering Economist, vol. 64, no. 3, pp. 298-309, Jul., 2019. https://doi.org/10.1080/0013791x.2019.1633450
  5. J. E. Beasley, N. Meade, and T.-J. Chang, "An evolutionary heuristic for the index tracking problem," European Journal of Operational Research, vol. 148, no. 3, pp. 621-643, Aug., 2003. https://doi.org/10.1016/S0377-2217(02)00425-3
  6. O. Strub and N. Trautmann, "A two-stage approach to the UCITS-constrained index-tracking problem," Computers & operations research, vol. 103, pp. 167-183, Oct., 2019. https://doi.org/10.1016/j.cor.2018.10.002
  7. Richard Roll, "A mean/variance analysis of tracking error," The Journal of Portfolio Management, vol. 18, no. 4, pp. 13-22, 1992. https://doi.org/10.3905/jpm.1992.701922
  8. A. A. Gaivoronski, S. Krylov, and N. Van der Wijst, "Optimal portfolio selection and dynamic benchmark tracking," European Journal of Operational Research, vol. 163, no. 1, pp. 115-131, May, 2005. https://doi.org/10.1016/j.ejor.2003.12.001
  9. K. Benidis, Y. Feng and D. P. Palomar, "Sparse Portfolios for High-Dimensional Financial Index Tracking," IEEE Transactions on Signal Processing, vol. 66, no. 1, pp. 155-170, Jan., 2018. https://doi.org/10.1109/TSP.2017.2762286
  10. N. Meade and J. E. Beasley, "Detection of momentum effects using an index out-performance strategy," Quantitative Finance, vol. 11, no. 2, pp. 313-326, Apr., 2010. https://doi.org/10.1080/14697680903460135
  11. H. Li, Qin Huang, and Baiyi Wu, "Improving the naive diversification: An enhanced indexation approach," Finance Research Letters, vol. 39, Mar., 2021.
  12. Francesco Cesarone, Lorenzo Lampariello and Simone Sagratella, "A risk-gain dominance maximization approach to enhanced index tracking," Finance Research Letters, vol. 29, pp. 231-238, Jun., 2019. https://doi.org/10.1016/j.frl.2018.08.001
  13. H. Markowitz, "Portfolio selection," J. Finance, vol. 7, no. 1, pp. 77-91, 1952. https://doi.org/10.1111/j.1540-6261.1952.tb01525.x
  14. H. Markowitz, "Portfolio Selection: Efficient Diversification of Investments," Cowles Foundation Monograph, vol. 16, 1959.
  15. Holland, J. H., "Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence," MIT Press, pp. 89-120, 1992.
  16. Margherita Giuzio, "Genetic algorithm versus classical methods in sparse index tracking," Decisions in Economics and Finance, vol. 40, no. 1, pp. 243-256, Nov., 2017. https://doi.org/10.1007/s10203-017-0191-y
  17. Rainer Storn and Kenneth Price, "Differential evolution-a simple and efficient heuristic for global optimization over continuous spaces," Journal of global optimization, vol. 11, no. 4, pp. 341-359, 1997. https://doi.org/10.1023/A:1008202821328
  18. Andriosopoulos Kostas, et al., "Portfolio optimization and index tracking for the shipping stock and freight markets using evolutionary algorithms," Transportation Research Part E: Logistics and Transportation Review, vol. 52, pp. 16-34, 2013. https://doi.org/10.1016/j.tre.2012.11.006
  19. Hongbing Ouyang, Xiaowei Zhang and Hongju Yan, "Index tracking based on deep neural network," Cognitive Systems Research, vol. 57, pp. 107-114, Oct., 2019. https://doi.org/10.1016/j.cogsys.2018.10.022
  20. Thomas Berkemeier, et al., "Monte Carlo genetic algorithm (MCGA) for model analysis of multiphase chemical kinetics to determine transport and reaction rate coefficients using multiple experimental data sets," Atmospheric Chemistry and Physics, vol. 17, no. 12, pp. 8021-8029, 2017. https://doi.org/10.5194/acp-17-8021-2017
  21. 김정현, 이주홍, "몬테카를로 유전 알고리즘을 사용하여 축소된 탐색 공간에서 자산을 효율적으로 선택하는 방법에 관한 연구," 한국지능시스템학회논문지, 제30권, 제1호, 21-27쪽, 2020년 2월
  22. 윤동진, 이주홍, 송재원, "몬테카를로 유전 알고리즘을 활용한 부분복제 지수 추종," 한국정보처리학회 학술대회논문집, 제27권, 제2호, 751-754쪽, 2020년 11월
  23. Improved Sharpe Ratio, using log returns(2021). https://www.crystalbull.com/sharpe-ratio-better-with-log-returns/ (accessed Jul.., 23, 2021).
  24. Richard W. Sias, "Volatility and the institutional investor," Financial Analysts Journal, vol. 52, no. 2, pp. 13-20, Apr., 1996. https://doi.org/10.2469/faj.v52.n2.1976
  25. 이윤선, 이주홍, 최범기, 송재원, "비정형, 정형 데이터의 이미지 학습을 활용한 시장예측," 스마트미디어저널, 제10권, 제2호, 16-21쪽, 2021년 06월
  26. 천성길, 이주홍, 최범기, 송재원, "대규모 외생 변수 및 Deep Neural Network 기반 금융 시장 예측 및 성능 향상," 스마트미디어저널, 제9권, 제4호, 26-35쪽, 2020년 12월
  27. 허기수, 정현태, 박아론, 백성준, "양자 유전알고리즘을 이용한 특징 선택 및 성능 분석," 스마트미디어저널, 제1권, 제1호, 36-41쪽, 2012년 3월