< PCA를 이용한 F-Score 투자 기법의 설명력 검증 >

PCA 기법을 활용한 기존 F-score 투자전략 재해석

2020 AIT 1 Project 구성원

• 황수정 : F-score 투자기법 분석 및 전처리, 모델링 기획
• 김지은 : PCA 모델링 및 머신러닝 모델 개발

1. Purpose

재무제표 데이터를 이용해 F-score에 해당하는 지표(9개)를 구하고 주성분 분석(PCA)을 통해 재무제표 내용을 대표하는 주성분이 존재하는지 찾는다.*

2. F-score definition

Joseph D. PIOTROSKI, ⌜Value Investing: The Use of Historical Financial Statement Information to Separate Winners from Losers⌟

F-Score 투자전략

재무제표를 기반으로 기업의 수익성, 재무성과, 영업 효율성에 따라 1 또는 0 값을 부여하여 향후 투자 수익률이 높을 가능성이 있는 기업을 선정하는데 사용하는 지표이다.

• F-score에 대해 더 자세히 알고 싶다면 > F-Score 전략

3. About Data

데이터 출처

• KISVALUE
• 2000~2019년 연 데이터

데이터 선정기준

• KOSPI 전 종목
• 2000~2019년 연 데이터
• 데이터 종류 :PBR (Market Price/Book),당기순이익, 매출총이익, 비유동부채, 영업현금흐름, 유동부채, 유동자산, 유상증자(주식발행초과금), 총자산, 전 종목 월별 종가, 총매출

4. 각 파일에 대한 설명

1. Low_PBR_30.py

• 저PBR (고 Book-to-Market) 상위 100 주 선정

2. Data_adjusting.py

• 저PBR 100주의 F-score 9개 지표 연산**
• F-score 기준에 따라 0,1 시그널 부여

3. pcy_try_with.py

• PCA를 위한 데이터 정규화
• PCA 모델 피팅

✅전체적인 전처리 단계

1. 저PBR (고 Book-to-Market) 상위 100 주 선정
2. 저PBR 100주의 F-score 9개 지표 연산
3. 저PBR 100주의 return 연산
4. F-score 기준에 따라 0,1 시그널 부여
   • Long only, Long Short
5. PCA를 위한 정규화
6. PCA 실행 '>> 더 자세한 내용은 보고서파일을 참고하세요.

✅각 단계 전처리 단계

1. 인덱싱 조정 : MultiIndexing
2. 종목코드에 맞는 자산만 pick or throw away
3. NaN값 처리 : 모든 factor가 0인 종목은 아예 삭제

5. Summary & Discussion

1. PCA 설명 당위성?

   • 요약 : PCA 작동원리 상 해당 투자기법을 대입하는 방법론은 올바른 접근. (교수님피드백)
   • 다만, 성능과 정확도를 비교하기 위해서 다음과 같은 방법론도 고려.
     • Binary Signal로 의사 결정 트리 관련 모델로 차라리 매수,매도,유지 분류...
     • 학습모델의 경우, 서포트 벡터 머신 등을 이용해 시그널 분류도 가능.
     • But, 정답 데이터 필요하므로 거의 불가능

2. 주성분을 이용해 투자할 수 있는 방법 모색

3. 논문 내용대로 정석으로 분석할 것 → 이 프로젝트는 시간 관계 상 퀀트 블로그 참조한 내용을 바탕으로 진행.

4. 데이터 전처리 과정에서의 오류 검토

   • 재무 데이터 분기별 데이터로 처리하면 더 정확할 것이다.
   • 백테스팅과 **kospi 200 수익률 (벤치마크)**과 비교 필요 🌟 (수익률, MDD, R-square등 )

5. 전처리 과정에서의 하드코딩 자동화 필요성 → 함수를 이용

6. 26강 내용 관련 부분을 조금 더 심화학습하면, PC가 투자에 있어서 어떠한 가중치를 주는지 도출할 수 있다면 실질적으로 유의미한 투자지표를 도출할 수 있을 것이다.