시계열 분해와 하이브리드 순환신경망 기반 스프레드 예측: 국제 에너지 선물 시장을 중심으로 = Time Series Decomposition and Hybrid RNN-Based Spread Prediction: Focused on the International Energy Futures Market

국문 초록 (Abstract)

에너지 선물 스프레드는 안정적 위험 헤지, 수익성 있는 선물 투자, 에너지 및 주식 시장에 대한 신호로써의 유용성 때문에 정확한 스프레드 예측은 여러 시장 참여자들에게 위험관리 및 수익 극대화 차원에서 중요한 과제이다. 따라서 본 연구는 에너지 선물 스프레드에 내포된 여러 가지 시계열적 특성을 고려하여 미래 스프레드 예측력 향상을 목표로 하였다. 이에 본 연구는 RobustSTL을 사용하여 스프레드를 시계열 요소 즉, 추세, 계절성, 노이즈로 나누고, 각 요소의 특성에 따라 ARIMA와 RNN(LSTM, GRU)을 사용하여 요소별로 예측한 후 합산하여 미래 스프레드를 예측하는 STAR-RNN 모형을 제시한다. 본 연구에서는 2005년부터 2021년까지의 WTI 원유, 브렌트유, 난방유, 천연가스 선물로 이루어진 5개의 스프레드 쌍 데이터를 사용하여 실험하였다. 실험 결과, STAR-RNN 중 STAR-LSTM은 평균적으로 LSTM 대비 RMSPE 기준 6.8%, ARIMA 대비 8.6%의 예측 오차가 감소했고, STAR-GRU는 GRU 대비 10.4%, ARIMA 대비 9.9%의 오차가 감소했다. 이러한 결과는 원 시계열로부터 추세, 계절성, 노이즈를 분리하여 예측하는 방식이 최종 스프레드 예측 성능 향상에 있어 중요한 역할을 한다는 것을 의미한다.

참고문헌 (Reference)

1 김범수 ; 최흥식 ; 김선웅, "페어트레이딩 전략의 수익성 연구 : 해외 선물시장을 중심으로" 한국경영과학회 33 (33): 1-15, 2016

2 김영민 ; 김정수 ; 이석준, "주가지수 선물의 가격 비율에 기반한 차익거래 투자전략을 위한 페어트레이딩 규칙 개발" 한국산업경영시스템학회 37 (37): 202-211, 2014

3 고봉찬 ; 김진우 ; 정우성, "주가 추세요인의 추출방법과 수익성 분석" 한국재무관리학회 38 (38): 251-288, 2021

4 김연규, "제1장: 셰일혁명과 신국제 에너지 질서" 23 : 29-81, 2015

5 이상열, "시계열 분석 이론 및 SAS 실습" 자유아카데미 2013

6 김상배, "비대칭 오차수정모형을 활용한 유가와 주가지수의 관계 분석: 유가증권시장을 중심으로" 한국재무관리학회 36 (36): 141-168, 2019

7 진우성, "리포트-제 2 의 셰일혁명은 무엇이 다른가?" 38-41, 2017

8 정인곤 ; 박대근 ; 전덕빈, "구조적 변화 감지 과정이 포함된 페어트레이딩 알고리즘의 성과분석" 한국경영과학회 42 (42): 13-24, 2017

9 Smith, T. G, "pmdarima: ARIMA Estimators for Python"

10 옥철, "WHO, 코로나19 팬데믹 선언"

11 Dunis, C. L., "Trading Futures Spreads: An Application of Correlation and Threshold Filters" 16 : 903-914, 2006

12 Khandelwal, I., "Time Series Forecasting Using Hybrid ARIMA and ANN Models Based on DWT Decomposition" 48 : 173-179, 2015

13 Choi, H. K., "Stock Price Correlation Coefficient Prediction with ARIMA-LSTM Hybrid Model"

14 Mangalampalli, R., "Stock Prediction Using Hybrid ARIMA and GRU Models" 9 (9): 2278-0181, 2020

15 Suna, S., "Seasonal and Trend Forecasting of Tourist Arrivals: An Adaptive Multiscale Ensemble Learning Approach"

16 Cleveland, R. B., "STL: A Seasonal-Trend Decomposition Procedure Based on Loess (With Discussion)" 6 : 3-73, 1990

17 박유성, "SAS/ ETS를 이용한 시계열자료분석 I" 자유아카데미 105-106, 2002

18 Wen, Q, "RobustSTL: A Robust Seasonal-Trend Decomposition Algorithm for Long Time Series" 33 (33): 2019

19 Wang, H., "Robust Regression Shrinkage and Consistent Variable Selection Through the Lad-Lasso" 25 (25): 347-355, 2007

20 Milonas, N. T., "Price Spread and Convenience Yield Behaviour in the International Oil Market" 11 (11): 23-36, 2001

21 Tang, Q., "Prediction of Financial Time Series Using LSTM and Data Denoising Methods"

22 Bibby, J., "Prediction and Improved Estimation in Linear Models" Wiley 1977

23 Buyuksahin, B., "Physical Markets, Paper Markets and the WTI-Brent Spread" 34 (34): 129-151, 2013

24 Gatev, E., "Pairs Trading: Performance of a Relative-Value Arbitrage Rule" 19 (19): 797-827, 2006

25 Akiba, T., "Optuna: A Next-Generation Hyperparameter Optimization Framework" 2019

26 Patro, S., "Normalization: A Preprocessing Stage"

27 De Myttenaere, A., "Mean absolute percentage error for regression models" 192 : 38-48, 2016

28 Hochreiter, S., "Long Short-Term Memory" 9 (9): 1735-1780, 1997

29 Cho, K., "Learning Phrase Representations Using RNN Encoder-Decoder for Statistical Machine Translation"

30 CME Group, "Introduction to Crack Spreads" CME Group

31 Energy Intelligence Group, "International Crude Oil Market Handbook"

32 Hamzaçebi, C., "Improving Artificial Neural Networks’ Performance in Seasonal Time Series Forecasting" 178 (178): 4550-4559, 2008

33 Kim, S. -H., "Hybrid Deep Reinforcement Learning for Pairs Trading" 12 (12): 944-, 2022

34 "Hudson and Thames"

35 Géron, A., "Hands-on Machine Learning with Scikit-Learn, Keras, and Tensorflow:Concepts, Tools, and Techniques to Build Intelligent Systems" O’Reilly Media, Inc 2019

36 Hyndman, R. J, "Forecasting: Principles and Practice" Otexts 2018

37 Song, D., "Forecasting Stock Market Indices Using Padding-Based Fourier Transform Denoising and Time Series Deep Learning Models" 9 : 83786-83796, 2021

38 Holt, C. C, "Forecasting Seasonals and Trends by Exponentially Weighted Moving Averages" 112-125, 1957

39 Gatev, P., "Feedforward Ankle Strategy of Balance during Quiet Stance in Adults" 514 (514): 915-928, 1999

40 Dickey, D. A, "Distribution of the Estimators for Autoregressive Time Series With a Unit Root" 427-431, 1979

41 Brim, A., "Deep Reinforcement Learning Pairs Trading with a Double Deep Q-Network" IEEE 2020

42 Ji, L, "Carbon Futures Price Forecasting Based With ARIMA-CNN-LSTM Model" 33-38, 2019

43 Borowski, K., "Analysis of Selected Seasonality Effects in Markets of Futures Contracts With the Following Underlying Instruments: Crude Oil, Brent Oil, Heating Oil, Gas Oil, Natural Gas, Feeder Cattle, Live Cattle, Lean Hogs and Lumber" 9 (9): 27-44, 2016

44 Bao, W., "A Deep Learning Framework for Financial Time Series Using Stacked Autoencoders and Long-Short Term Memory" 12 (12): 1-24, 2017

45 Cahuantzi, R., "A Comparison of LSTM and GRU Networks for Learning Symbolic Sequences"