AI모델 개발 배경 및 진행상황

2023.9.27

1. 개발 배경 

 주식을 운용하고 선택함에 있어 펀더멘털 지표, 수급지표, 밸류에이션 지표, 가격지표 등으로 고려해서, 향후 주가 상승 가능성과 상승 폭이 높은 종목을 선정하는 것이 중요함

 절대적인 주가상승율 예상은 제반 여건 등을 모두 고려해야 하므로 너무 어려운 과정으로 예상함

 상대 Ranking이 의미 있는 이유는 시장의 상황에 관계없이 종목을 선정하는 기준을 제시가능하며,  상위 랭크에 있는 종목은 주식시장 대비 상대적인 초과수익을 올릴 수 있다고 가정

 그에 따라 우리가 투자대상으로 하는 투자대상종목군(유니버스)에서 향후 주가 상승률 랭킹을 Output하는 것을 목표로 함 

 기준시점: 매분기 실적이 미치는 영향이 지배적이라는 가정 하에, 매분기실적을 공표하는 시점 + 5영업일로 지정하였음. (2월 20일, 5월 20일, 8월 20일, 11월 20일 휴일 시 익일)

 비교시점: 다음 분기의 기준시점 즉, 1사분기 자료는 5월 20일에 기준점으로 하여, 각종 Factor의 자료를 확정해서, 8월 20일까지의 주가 수익율로 랭킹을 비교하게 되는 구조 

 모델을 만들기 위해, 총 200개 종목의 5년치 자료 + 2개 분기 자료를 투입하여 모델을 학습시킬 계획

2. Input 요소

 펀더멘털 Factor

- 매출액증가율(Q0Q), (YoY), 

- 영업이익증가율(QoQ), (YoY) 

- 재고자산회전률 

 수급지표

- 5일 누적 기관 순매수 대금/시가총액

- 20일 누적 기관 순매수 대금/시가총액

- 5일 누적 외국인 순매수 대금/시가총액

- 20일누적 외국인 순매수 대금/시가총액

 밸류에이션 지표

- PE, 

- PB 

- EPS growth

- ROE

- 시가배당률

 가격지표

- 1개월전 대비 주가상승율

- 3개월전 대비 주가상승율

- 연초 이후 주가 상승률

3. 기존 Quant 운용과의 차이점

 기존의 Quant 접근법은 Rule Base로 투자전략을 제공

- 현 상황(거시변수 및 계절성 등)을 특정하고, 특정조건에 대해 상위의 종목군은 매수하고, 하위의 종목군을 매도하는 방식으로 수익률 측정함

- 결과적으로 여러가지 팩터를 동시에 적용하는 모델은 아니며, 특정 Factor에 특화된 투자전략임

 인공신경망 AI모델

- 펀더멘털, 수급, 밸류에이션, 가격지표 등 다중 Factor를 투입해서, 종목의 상대적 상승가능성을 순위로 매긴다는 점

- Rule base가 아닌 인공신경망을 통해, 가중치 값 등에 대해 모델이 학습하여 최적화하는 기법임 

- 다양한 Factor를 동시에 적용하기 때문에, 단일 Factor 모형에 비해 더 종합적인 상황을 고려한 예측력을 제공할 수 있다는 가정 

4. 적용상의 애로점

 우리의 접근법은, 측정하는 시점자체가 실제로 실적이 가격에 반영되는 시점보다 실질적으로는 3개월정도 후행 한다는 단점이 있음. (해결책: 정확한 예측을 위해서는 실적발표시점의 가격대와 예측하는 시점의 가격대의 차이를 데이터로 넣어줘야 함 

 예를 들어, 삼성전자의 경우 1사분기 실적에 대한 추정치는 2월 중순부터 나와서 시장에 반영되기 시작하고, 3월초에 잠정실적이 발표되는 데 반해, 5월 20일에 측정한 가격에는 이런 부분이 선 반영된다는 문제가 있기는 함 

 최근의 문제가 되는 와이지엔터의 경우도 1사분기 실적이 발표된 5월 20일 기준으로는 이익증가율의 랭킹이 1위 였으나, 이미 40% 오른 시점에서 수익율 계산에 들어가게 되어서, 이후에는 -20%의 주가 하락을 보였음 

 또한 두산테스나의 경우에도 2사분기 실적 서프라이즈가 나서 반영된 시기는 8월 20일인데, 한달이 조금 지난 9월 25일 3사분기 실적에 대한 추정치 하향 리포트가 나오면서, 가격은 이미 선 반영되어 하락하는 사례도 있음 

 결국 백 테스팅을 위해 필요한 조건을 맞추는 측정시점의 지연이슈에 대해 한계점을 가지고 접근한다는 점은 인식해야 할 것으로 보임. 

(주가상승률과 영업이익률 증가 순위 점 도표: 1사분기 실적 vs 8월 20 종가 기준 수익률 랭킹)

(주가상승률과 영업이익률 증가 순위 점 도표: 1사분기 실적 vs 5월 종가 기준 수익률 랭킹)

5. 대응방안 

 다만, 기대할 수 있는 부분은 가격지표에서 호실적에 대한 부분이 1개월 주가 상승률, 3개월 주가상승율, 등으로 이미 선 반영된 부분을 모델이 반영해서, 분기실적의 영향력을 낮추는 방식으로 모델을 구성한다면, 이 부분은 Offset될 수 있는 요소라고 보임.

 또한, 밸류에이션 지표상에서 최근의 주가 급등은 밸류에이션 지표에 대한 매력도를 낮추었을 가능성이 있기에 어느정도 Offset되는 부분이 있을 가능성이 있음 

 또한, 기관 외국인 수급동향에서도, 이부분에 대한 학습이 이루어질 수는 있을 것으로 보임   

 현재로서는 Ranking을 예측하는 모델을 선정해서(Tensor Flow Library를 통해 함수선정예정), 중요한 Factor위주로 작은 데이터일지라도 모델을 돌려 보고 학습시키는 것이 우선적으로 시도해야

        할 부분임. 

 모델의 함수를 구성함에 있어서, 이런 부분들을 잘 고려해서 함수 및 초기값을 지정해주면 예측력을 보다 개선한 모델로 개발할 수 있을 것으로 보임 

 추가적으로 분기별로 발생할 수 있는 계절성이 고려될 있도록 분기별로 나누어서 모델을 학습시켜보고, 전체 통합 모델과의 성과를 측정해볼 필요가 있음 

 만일 분기모델의 성과가 통합모델의 성과를 능가한다면, 분기 모델접근법으로 계속 발전시켜 나가면 될 것(월간단위로 모델을 분화하는 방안도 고려)이며, 통합모델의 성과가 더 뛰어나다면,

       통합모델의 학습능력과 예측력에 대해 더 높은 신뢰를 주고 통합모델을 고도화하면 될 것임. (20년치 기간으로 기간확장, Factor의 확장하고, 시총 1,000억 이상으로 종목 수 확장을 통해 예측력 올림) 

6. 추가적인 개발 가능성

 5번을 통해 가시적인 성과가 나오지 않을 경우에도 불구하고, AI를 활용한 투자기법을 활용할 수는 있을 것을 보임

 기존의 상대평가를 통한 주가 상승률 랭킹을 목표로 하는 것이 아닌, 개별 기업의 주가상승률을 예상하는 것으로 전환함 

 기존의 모델을 실시간에 가깝게 일주일 단위로 업데이트해서(추정치 변화 반영 및 잠정실적 실시간 반영) 시점이 밀리는 약점을 보완함 

 주가상승률 랭킹 주기를 1개월 또는 1주일 단위로 정해서, 동적으로 포트폴리오에 조정하는 모형도 적용가능