01

aI robo fund

크래프트의 딥러닝기반 AI 로보펀드는 변화하는 시장 상황에 따라 최적의 투자솔루션을 찾기 위해 매일의 시장 데이터를 학습하고 끊임없이 진화합니다. 크래프트의 AI 로보펀드는 펀드 매니저의 운용철학, 리스크 정책, 컴플라이언스정책, 규제및운용스타일을 완벽하게 준수하면서 주어진 펀드 구성에서 최적의  거래 전략을 찾을 수 있습니다.

미래에셋 AI 스마트베타 펀드, 미래에셋 AI 스마트베타 마켓헤지 펀드, 미래에셋 AI 아세안 펀드, BNK 글로벌 AI 펀드, 하나생명 투자의 정석 변액보험 등에 크래프트의 AI 로보펀드 솔루션이 적용되었습니다.


Qraft provides deep-learning based robo-fund systems that evolve constantly in accordance to market conditions through daily market-data learning. Qraft's AI Robo-Funds are able to find optimal trading strategies in a given fund scheme while fully complying with the fund manager's operating philosophy, risk policies, compliance policies, regulations, and operating style.

Qraft's AI fund management solution has been applied to Mirae Asset AI Smart Beta Fund, Mirae Asset AI Smart Beta Market Hedge Fund, Mirae Asset AI ASEAN Fund, BNK Global AI Fund, and Hana Life Insurance's VUL.

 

 

case study:
mirae asset aI SMART BETA fund

 

미래에셋자산운용은 크래프트의 딥러닝 AI펀드솔루션을 적용한 미래에셋AI 펀드 라인업을 지속적으로 출시하고 있습니다. 미래에셋AI 펀드 라인업의 첫 펀드인 '미래에셋AI 스마트 베타 펀드'는 출시 이후 약 10개월 동안 23%를 초과하는 수익률과 벤치마크 대비 62% 수준의 변동성을 기록하여 같은 유형의 펀드 상위 5%안에 드는 등 인공지능 펀드의 가능성을 보여준 사례로 자리매김하였습니다. (2019-03-13 기준 액티브 주식형 펀드 중 YTD 2위)

AISMART.png

Mirae Asset Global Investments has launched several Mirae Asset AI funds with Qraft's deep learning robo-fund solution. Mirae Asset AI Smart Beta Fund, the first fund of Mirae Asset's AI fund lineup, has demonstrated the potential of AI-run fund by recording a return of more than 20% per annum and 62% of benchmark volatility for approximately one year since inception, placing the it at the top 5% of the same-type fund.

 

02

Technology:
Qraft Treemap CNN


Qraft Treemap CNN 이란 인공지능의 2가지 모듈(TREE / CNN)을 사용하여, 고정된 운영기간(리밸런싱주기 24일 or 5일)의 특정 Index/ETF/자산의 일간 가격을 예측하는 엔진입니다. 

학습을 통해 수많은 경제지표들과 예측하고자 하는 Target(특정 자산 및 Index의 미래 가격)의 비선형적 관계를 찾기 위해서는 많은 데이터가 필요하지만 금융 시계열의 데이터 양은 한정 되어있고, 미래를 예측하기 위한 데이터들의 확률분포가 학습할 때와는 다를 가능성이 있어 시계열 데이터 그 자체로는 인공지능 학습에 한계가 있습니다.

따라서 인공지능이 쉽고 정확하게 예측할 수 있도록 학습할 INPUT DATA를 이미지(다차원 map의 형태)로 가공한 뒤 학습 및 예측합니다.

(1) Tree Module: Target Map 생성

(2) CNN Module: Tree Module 에서 생성된 map을 학습하여 미래의 map을 예측. 이를 통해 특정 Index/ETF/자산의 일간 가격을 예측

Qraft Treemap CNN is an AI engine that predicts individual assets’ daily price changes in a certain fixed period (i.e. rebalancing period of 24 or 5 days). The engine uses two different AI modules called ‘TREE’ and ‘CNN’.

To find non-linear relationship among different assets, AI needs to learn various types of time-series data. However, financial time-series data are insufficient for AI to precisely learn accurate patterns for the prediction. Also, the probability distribution of data can be varied with the ones used to learn and these create a limitation for AI to predict an exact price changes with financial time-series data.

Therefore, Qraft Treemap CNN converts quantitative time-series data into a map-like image (“Map”) and use those images as input data. In this process, TREE module is used to create a Map for target prediction. Then, AI learns through the Map and use CNN module to predict a daily price of the targets.


Methodology: 3 steps

  • STEP 1 : 맵 생성


    INPUT :
    각 자산의 주요 경제 지표 및 기술적 지표 시계열 데이터 

      ex) CPI, GDP, S&P500, CDS 등

    TARGET : 각 자산의 가격

    TREE  :

    INPUT과 TARGET을 TREE에 FIT 시킬때, QRAFT에서 연구한 TREE 예측 시 주요한 변수 2가지(M,N)와 M,N의 경우의 수를 TREE에 적용해 얻은 tree 예측 가격과 실제 가격 간의 차이(cost) Z 의 정보가 담긴 MAP을 생성

스크린샷 2019-03-05 오후 11.48.33.png

> 가격 예측을 위해 TREE모듈을 사용하며, TREE에 적용시키기 위한 높은 정확도의 (M,N)을 찾는 문제로 변환


  • STEP 2 : CNN 학습

    3D (or more dimension) CNN

    이미지의 시간적/공간적(spatio-temporal)학습을 통해 TREE에 적용시킬 좋은 파라메터를 담은 미래 MAP을 예측

스크린샷 2019-03-05 오후 11.57.20.png

  • STEP 3 : TREE Ensemble


    TREE 

    CNN에서 예측한 MAP의 정보를 받아, 적합한 MN의 조합을 TREE에 Ensemble적용하여 최종 일별 가격을 예측 

스크린샷 2019-03-06 오전 12.07.18.png

Conclusion

해당 솔루션의 가격 예측치로 각종 Portfolio전략을 구성할 수 있으며, 다양한 자산군에도 적용 가능

  • Input data 선정 및 데이터 전처리

  • TREE 종류 / 주요변수 선정

  • CNN Architecture / 학습 방법 선택

  • 운용기간(리벨런싱)

  • Input data 선정

  • 예측자산군 / Portfolio 전략 커스터마이징

 

03

Technology:
Qraft Pair trading

Qraft Pair Trading Framework

아이겐밸류 기반의 페어트레이딩전략을 사용하여 DE Shaw를 비롯한 많은 헤지펀드들이 높은 퍼포먼스를 보였지만, 현재는 많은 투자자들이 동시에 이 전략을 실행함으로써 전체적인 퍼포먼스가 줄어들고 있는 추세입니다. 크래프트는 페어트레이딩 전략을 최적화하기 위해 딥러닝 강화학습을 적용하여 스프레드에 따른 최적의 경계값을 설정함으로써, 기존의 방법들보다 페어트레이딩의 성과를 향상시켰습니다.


Eigenvalue based pair-trading strategy is a well-known market neutral strategy and has been used by many investors including D.E. Shaw&Co. As the strategy is widely accepted and implemented in the market, the effectiveness of strategy is continuously deteriorating. To remedy the deterioration, a reinforcement learning can be applied to enhance the performance of plain pair-trading strategy by setting the optimal range of spreads in the arbitrage transactions.


AI Pair Trading System Architecture

스크린샷 2019-02-27 오후 12.15.46.png

Figure. Steps for proposed pairs-trading strategy using the DQN method. 


Training evaluation

Average Q-value가 학습이 진행될수록 상승하는 모습은 Deep Q-Network의 학습이 잘 이루어지고 있다고 판단할 수 있습니다(Minh et al. 2013). 또한 전략을 실행하고 나서 손절매를하는 비율이 감소하고 포트폴리오를 청산하는 비율이 증가하는 것을 확인할 수 있습니다.  

As the learning progresses, average Q-value also increases, and this means that Deep-Q-Network (DQN) is properly learning. At the same time, the frequency of loss-cut decreases while the portfolio liquidation increases.

스크린샷 2019-02-27 오후 12.18.18.png

Figure. Verification that our proposed model is well-trained. (a) average of Q-values. (b) ratio of portfolios.


스프레드에 맞는 최적의 경계값을 설정함으로써 mean reversion이 발생하지 않을 리스크에 대한 손실을 최소화하고 수익을 극대화합니다.

스크린샷 2019-02-27 오후 12.27.52.png

Figure. An example of optimizing pairs trading system


Test Performance

JPMorgan Chase & Co(JPM) 와 AT&T Inc(T)를 가지고 페어 트레이딩 전략을 실행한 결과입니다. 

  • Training period : 1990/01/02 ~ 2008/12/31

  • Testing period : 2009/01/02 ~ 2018/07/31

  • Data : Adjusted daily closing prices

학습된 네트워크를 가지고 백테스팅한 결과 고정된 경계값을 가지는 기존의 방법들(PTA0 ~ PTA5)과 비교했을 때 Pair trading DQN (PTDQN)이 더 좋은 성과를 보이는 것을 확인할 수 있습니다. 

Table. Average top-5 performance of the proposed method and the traditional pairs-trading strategy in the out-of-sample dataset using TLS.

JPM_T_table.png
JPM_T_graph.png
 

Figure. Average top-5 profits of PTDQN and PTA0 to PTA5 with the test dataset