논문 Using genetic algorithms to find technical trading rules을 읽고 간략히 정리한 내용이다.


목적
이 논문은 제목 그대로 Genetic Algorithm을 이용하여 Technical trading rule을 발견하는 것에 대한 것이다. 주가의 신호(signal)에 따라 시장에 참여한 상태나 그렇지 않은 상황에서 매수(long position) 혹은 매도(short position)에 들어가는 것이다. 이 때, 거래비용(transaction cost)를 고려하여 buy & hold strategy보다 얼마나 많은 추가이득(excess return)을 얻는지를 보인다.

실험방법
Genetic Programming을 이용하여 실험을 했다. Root node는 buy 혹은 sell인지를 결정하는 boolean function에 해당하고, parameter로 들어가는 값들은 이동평균이나 가격의 최대, 최소값을 사용한다. 0.25%의 거래비용을 가정하여 실험을 한다.

결론
buy & hold 전략에 비해 이익이 거의 없음을 보였다. 이는 효율적 시장가설을 잘 따르는 결과라고도 볼 수 있다. 다만 시사할만한 점은 excess return이 positive일 때, volatility가 negative excess return일 때 보다 낮다는 것이다. 이 역시 Fama & French로 설명가능하다.

제약점 및 확장

1. 이 논문의 제약점은 1928년에서 1995년 까지의 기간의 daily return을 가지고 실험을 했는데, 분명 시간에 따라 trend가 달라질 것으로 예측되는데 동일한 trading strategy로 모든 기간에 대해 적용하려고 한 것은 무리가 있지 않을까 싶다.
2. Fitness function을 좀 더 다듬으면 좋지 않을까 싶다.
3. Short position을 고려했으면 어땠을까 싶다.
   
4. 선물시장(Future Market)에 적용해 보면 어떨까 싶다.
   

<금융시장의 기술적분석> 이란 책을 정리한 것이다.


제4장 추세의 기본개념

추세(trend)란 무엇인가?
추세란 차트가 변화하는 상태를 설명하는 방법으로 시장분석의 기술적 접근에 필수적인 개념이다. 이를 통하여 매매시점을 결정할 수 있다.

추세의 종류
크게 차트 변화 시간단위에 따라 주추세, 종추세, 소추세로 구분된다. 주추세는 주식시장의 경우 1년 이상, 선물시장의 경우 6개월 이상 지속되는 상태이고, 종추세는 3주에서 3개월, 소추세는 2주 또는 3주 이내의 추세로 정의된다. 즉, 주추세의 큰 경향 안에 종추세가, 종추세의 경향 안에 소추제가 있는 것이다.

추세의 방향
이런 경향에는 방향이 존재하기 마련이다. 주가가 상승하는 상승방향, 하락하는 하락방향, 그리고 지속방향이 있다. 지속되는 경향이 클수록, 추세에 도전하는 횟수가 클수록 좀 더 신뢰할 수 있는 추세라고 할 수 있다.

지지와 저항
선물(Future)시장에 참여하는 사람들이 매수, 매도, 관망이라는 세 가지 행동을 한다고 가정하자. 특정 가격을 기준으로 하여 상승국면이라면 참여자들은 각각 다음과 같은 심리학적인 반응을 보인다. 매수를 한 사람은 좀 더 매수하지 못한 것을 후회하여, 가격이 조금 더 떨어지면 더 매입할 의도를 가진다. 매도자는 자신의 행위를 후회하고, 매도한 가격과 비슷한 수준에서 매수를 하고 싶어한다. 미 결정 그룹은 좋은 매수기회르 노린다. 이들의 심리가 한데 작용하여 특정가격 수준보다 떨어지면 매수를 하려는 반응을 보인다. 따라서 지지선 부근까지 떨어진 주가가 반등하려는 요인을 가진다. 마찬가지로 하강국면에서는 반대로 저항선이 생기게 된다. 커다란 상승국면 혹은 하강국면을 맞게되면 각각 저항선이 지지선, 지지선이 저항선이 된다.

가격갭
가격갭은 거래가 발생하지 않은 봉차트상의 영역을 말한다. 즉, 갑자기 가격이 뛰어올라 그 가격대에서 거래가 발생하지 않는 것이다. 이런 가격갭에는 이탈갭, 분출갭(측정갭), 소멸갭이 있다. 이탈갭은 특정 가격패턴의 완성기에 나타나며 중요한 시장움직임의 시작을 알린다. 분출갭은 시장움직임이 지속된 후 갑자기 가격이 폭등하여 형성된다. 소멸갭은 시장움직임의 끝부분에 나타난다. 가격이 마지막 잠시 폭등하는 상승추세에서 가격이 갭 아래로 떨어지게 되는 하락추세를 보인다.

논문 Self-Organizing Maps as a Foundation for Charting or Geometric Pattern Recognition in Financial Time Series를 정리한 것이다.

요약
이 논문은 2003년에 제출되었고, Self-Organizing Maps(이하 SOM)이라는 인공지능 분류 방법을 이용하여 주식의 기술적 분석(Technical Analysis)을 분류한 것이다. 주식의 기술적 분석이란 Charting이라고도 하는데, Chart의 패턴을 인지(recognition)하고 분류하여 미래의 주가 그래프를 예측하는 것이다.

동기
주식의 기술적 분석은 기본적 분석(fundamental analysis)에 비해 주목을 받지 못했다. 기술적 분석이 오랜 역사를 가지고 있지만 과학자들에게는 점성술이나 연금술 정도의 취급을 받곤 했다. 이 논문에서는 SOM을 이용하여 chart의 패턴을 분류하고 각각이 abnormal return을 만들어 내는지를 분석한다.

실험과정

1. 실험기간을 정하고, Sliding Window방식으로 자료를 재 구분한다. 즉, 1 ~ T 시점의 데이터를 각 시점에서 w라는 sliding window 만큼의 시점까지의 데이터를 하나의 sample로 간주한다. 그러면 총 T - w + 1개의 sample이 생성된다.
2. 1에서 만들어진 sample을 SOM을 이용하여 pattern을 분류한다. 이 논문에서는 36개의 pattern으로 나누었다.
3. Fama & French의 model인 Monte Carlo Simulation을 통하여 실제 데이터가 아닌 가공의 데이터를 만들고 이를 위와 같은 방법으로 SOM을 이용하여 pattern을 분류한다. 이를 통해 현재 Financial time series model에 charting 기법이 포함되어 있는지를 확인해 본다.
4. 각 pattern이 발견되었다는 조건에 의한 return과 단순히 buy and hold 전략에 의한 return의 차이가 통계적으로 유의한지 검사한다.
   

추가할 내용들

1. Normalized Equity Curves에 대해 깊은 이해를 하지 못했다.
2. monotone increasing이나 monotone decreasing을 고려하여 return을 재 계산한 모형을 잘 이해하지 못했다.