90 0

LSTM과 XGBoost를 활용한 자산 가격 예측 및 포트폴리오 최적화

Title
LSTM과 XGBoost를 활용한 자산 가격 예측 및 포트폴리오 최적화
Other Titles
Asset price forecasting and portfolio optimization using LSTM and XGBoost
Author
정예진
Alternative Author(s)
Jeong Ye Jin
Advisor(s)
정재홍
Issue Date
2024. 2
Publisher
한양대학교 대학원
Degree
Master
Abstract
본 연구는 글로벌 자산 10종목과 가상화폐 5종목의 단기 미래 종가 및 수정 종가를 예측하고 이를 기반으로 구성한 포트폴리오의 성과를 비교한다. 자산 가격 예측에는 eXtreme Gradient Boosting (XGBoost) 및 Long Short Term Memory (LSTM)을 활용하고 Autoregressive Integrated Moving Average (ARIMA)를 벤치마크 모델로 이용했으며, 각 모델의 예측 정확도는 Root Mean Squared Error (RMSE)와 Mean Absolute Percentage Error (MAPE)를 기준으로 비교했다. 포트폴리오 구성 전략으로는 최소 분산 포트폴리오(MVP), 최대 분산 효과 포트폴리오(MDP), 동일 위험 기여 포트폴리오(ERCP), 계층적 위험 평가 포트폴리오(HRP), 선형 결합 포트폴리오(LCP)를 사용했다. 마지막으로, 포트폴리오를 구성할 때 가상화폐의 투자 비중을 0%, 1%, 3%, 5%로 변화시켜 가며 가상화폐가 포트폴리오의 수익률, 변동성, 그리고 Sharpe ratio에 미치는 영향을 함께 분석했다. 연구 결과에 따르면, LSTM이 종가 예측 모델 중 RMSE와 MAPE가 가장 낮은 수치를 기록하며 예측 정확도가 가장 높았다. 또한, 가상화폐를 적절한 비율로 포트폴리오에 추가함으로써 수익률이 향상되었고 투자 효율을 증대할 수 있음을 확인했다. 종가 예측 모델에 따라 Sharpe, Sortino, Calmar ratio가 높은 포트폴리오 전략들이 달랐는데, ARIMA는 ERCP와 LCP가 효율적인 전략이었으며, LSTM과 XGBoost는 각각 LCP와 ERCP가 가장 효율적인 전략이었다. 종합적으로, 세 가지 예측 모델의 예측 속도, 정확도, 그리고 예측된 종가를 기반으로 구성한 포트폴리오의 성과지표를 고려할 때, LSTM이 가장 우수한 성과를 보였다.
URI
http://hanyang.dcollection.net/common/orgView/200000722066https://repository.hanyang.ac.kr/handle/20.500.11754/188814
Appears in Collections:
GRADUATE SCHOOL[S](대학원) > APPLIED STATISTICS(응용통계학과) > Theses (Master)
Files in This Item:
There are no files associated with this item.
Export
RIS (EndNote)
XLS (Excel)
XML


qrcode

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

BROWSE