KOSPI 200 선물시장을 위한 머신러닝 기반 멀티태스크 지능형 트레이딩 시스템 개발 = Development of a machine learning based multi-task intelligent trading system for the KOSPI 200 futures market

국문 초록 (Abstract)

본 연구는 고변동성과 비선형적 구조를 가진 KOSPI 200 선물시장에서 안정적이고 수익성 높은 의사결정을 수행하기 위한 멀티태스크 지능형 트레이딩 시스템을 제안한다. 금융 시장은 거시경제 변수, 투자자 심리 등 상호의존적 요인의 결합으로 높은 불확실성을 보이며, 기존의 단일 목적 기반 트레이딩 전략은 이러한 복잡성을 충분히 반영하지 못한다. 특히 선물시장은 양방향 매매가 가능하고 레버리지가 높아 단순 규칙 기반 또는 단일 예측 모델은 과도한 거래 빈도, 신호 불안정성 등의 문제를 일으킨다. 본 연구는 이러한 한계를 극복하기 위해 회귀와 분류 목적 함수를 단일 모델에서 동시에 학습하는 멀티태스크 트랜스포머 구조를 도입하였으며, 가격 변동성 예측과 방향성 판단을 통합하여 정교한 매매 의사결정을 수행하도록 하였다. 실험 결과 제안한 멀티태스크 기반 트레이딩 시스템은 기존 머신러닝 모델과 벤치마크 전략과 비교하여 우수한 성능을 확인했다. 특히 PCGrad 적용 모델은 payoff ratio 1.45, profit factor 1.09를 기록하여 가장 뛰어난 수익성과 안정성을 확보하였으며, 반면 MDD는 14.13%로 비교 알고리즘 중 가장 높았으나 약 4% 수준의 차이는 유의미한 위험 증가로 보기 어렵다는 점에서 수익 대비 위험 효율성이 가장 높은 전략으로 평가되었다. 이러한 연구 결과는 기존의 단일 예측 결과에 의존하는 전통적 금융 전략의 한계를 보완하며, 금융 AI 분야에서 새로운 연구 방향과 접근법으로 활용 가능성을 제시한다.

목차 (Table of Contents)

• 표 목 차 ⅲ
• 그림요약 ⅳ
• 국문요약 ⅴ
• 제1장 서론 1
• 제1절 연구 배경 1
• 제2절 연구 목적 2
• 제3절 논문 구성 3
• 제2장 관련 연구 4
• 제1절 추세 예측에 대한 연구 5
• 제2절 머신러닝 기반 트레이딩 시스템 6
• 제3장 연구 방법 9
• 제1절 학습 데이터 구축 9
• 제2절 멀티태스크 기반 모델 학습 11
• 1. 멀티태스크 트랜스포머 11
• 2. PCGrad 최적화 알고리즘 12
• 3. 회귀 모델을 활용한 예측 구간 생성 16
• 4. 분류 모델을 활용한 추세 라벨 예측 17
• 제3절 트레이딩 시뮬레이션 20
• 1. 지능형 트레이딩 시스템 20
• 제4장 실험 결과 22
• 제1절 데이터 셋 22
• 제2절 비교 모델 및 실험 설정 22
• 제3절 모델 하이퍼파라미터 24
• 제4절 트레이딩 성능 평가 지표 24
• 제5절 실험 결과 25
• 1. 멀티태스크 트레이딩 시스템과 머신러닝 비교 분석 결과 25
• 2 PCGrad 적용 여부에 트레이딩 시스템 성능 비교 27
• 3. 다른 최적화 알고리즘 간 성능 비교 결과 29
• 제5장 결론 및 향후 연구 31
• 참고문헌 33
• Abstract 37