With the development of electronic financial markets, the portion of high-frequency trading and high-frequency traders have been increasing rapidly. Traditionally, many studies have been conducted to analyze the market movement and trading strategy in the low-frequency domain. This dissertation seeks to explain the dynamics of market microstructure and analyze the high-frequency trading strategy using machine learning techniques with high-frequency market data from Korean stock spot and futures markets.
Firstly, we train the neural network that predicts the short-term movement of asset prices and use the trained model to analyze the lead-lag relationship between the spot and futures market. Also, the influence of each market feature to the price dynamics is visualized using the gradient calculated from the trained neural network.
Secondly, we propose a market model and settings for reinforcement learning to train the high-frequency trading strategy. The proposed scheme is verified for a market environment with the known price dynamics and optimal strategy. Then we train the agent in the high-frequency market environment which is simulated using the historical market data, and compare the trained multi-market trading strategy with two benchmark strategies. Finally, we measure the behavioral characteristics of market participants by estimating the hidden reward function of high-frequency traders via inverse reinforcement learning. We analyze how the behavioral characteristics change with assets with different market conditions and test the sensitivity of the proposed model to model parameters.
The main purpose of this dissertation is to investigate the data-driven approaches for high-frequency market dynamics and trading strategies, using machine learning techniques and high-frequency market data.
지금까지 학계에서 금융시장의 움직임 및 전략에 대한 많은 연구가 이루어져 왔고, 대부분은 일간, 혹은 주간 등 저빈도 데이터를 이용하였다. 그러나 최근 전자금융시장의 발전과 함께 고빈도 거래 및 시장참여자 비율 또한 급격하게 늘어나고 있고, 고빈도 시장 분석 및 전략에 대한 새로운 연구에 대한 필요성 또한 높아지고 있다. 본 학위논문에서는 실제 시장에서 얻은 고빈도 시장 데이터 및 시장참여자들의 거래기록을 여러 기계학습 방법론을 통해 분석 및 연구해 보고자 한다.
첫번째 연구에서는 현물 및 선물 시장 데이터를 이용하여 시장의 미세움직임을 예측하는 심층학습 구조 및 학습 방법을 제시하고, 학습한 신경망을 이용하여 고빈도 수준에서 현물/선물시장의 선도-지연 관계를 측정한다. 또한, 시장 미세움직임에 대한 입력변수의 영향을 경사도를 이용하여 시각화 하고 분석한다. 두번째로, 고빈도 거래 전략을 학습하는 강화학습 환경 및 모형을 제시한다. 최적전략이 알려진 환경에서 방법론을 검증하고, 실제 시장데이터를 이용한 고빈도 시장 시뮬레이션 환경하에서 강화학습으로 거래전략을 학습시켜 선물시장에서 유동성 공급 의무가 주어졌을 때 현물/선물 시장에서의 성능을 두 벤치마크 전략과 비교한다. 마지막으로, 유동성 공급자의 실제 거래 기록으로부터 고빈도 시장환경을 모사하는 마코브 결정과정을 만들고, 역강화학습을 통하여 유동성 공급자의 행동특성을 측정하는 방법론을 제시한다. 제시된 방법론을 이용하여 종목 별 시장특성에 따른 시장참여자의 행동특성 변화를 살펴보고, 시장 모수에 대한 모형의 민감도를 분석해본다.
일련의 연구들을 통해 데이터의 복잡성으로 인하여 기존에는 쉽게 이루어지지 못했던 데이터 중심의 고빈도 시장 분석을, 기계학습 방법론을 응용하여 수행해 보고자 한다.
