슬리피지를 고려한 강화학습 기반의 KOSPI200 선물 자동 매매 모델 연구

• 영문명: KOSPI200 Futures Automatic Trading Model Based on Reinforcement Learning Considering Slippage
• 발행기관: 한국전자통신학회
• 저자명: 정원식(Won-Sik Jung) 정희택(Hyi-Thaek Ceong) 강영만(Young-Man Kang)
• 간행물 정보: 『한국전자통신학회 논문지』제20권 제2호, 371~380쪽, 전체 10쪽
• 주제분류: 공학 > 전자/정보통신공학
• 파일형태: PDF
• 발행일자: 2025.04.30

국문 초록

본 연구는 강화학습을 활용하여 KOSPI200 선물의 자동 매매 모델을 설계하고 개발하는 것을 목표로 한다. 금융 시장의 복잡성과 불확실성은 전통적인 알고리즘 기반의 매매 전략으로는 극복하기 어려운 문제를 초래한다. 이에 따라 본 논문에서는 강화학습의 주요 알고리즘인 마스킹할 수 있는 근접 정책 최적화(Maskable Proximal Policy Optimization)를 기반으로 한 선물 자동 매매 모델을 제안한다. 해당 모델은 과거 데이터를 학습하여 시장 상황에 맞는 최적의 매매 전략을 도출하도록 설계되었으며, 실거래 적용 시 발생하는 슬리피지를 고려하여 더 현실적인 거래 환경을 반영할 수 있도록 시뮬레이션을 수행한다. 그 결과 슬리피지가 없거나 매우 작은 경우에만 수익이 발생하는 패턴이 관찰하였으며, 이는 실거래 환경에서 발생하는 비용과 유동성 문제를 고려할 때 실질적인 매매 성과에 영향을 미칠 수 있는 중요한 요인임을 제시한다.

영문 초록

This study aims to design and develop an automated trading model for KOSPI200 futures using reinforcement learning. The complexity and uncertainty of the financial markets pose challenges that are difficult to overcome with traditional algorithm-based trading strategies. Therefore, this paper proposes an automated futures trading model based on Maskable Proximal Policy Optimization, a major algorithm in reinforcement learning. The model is designed to learn from historical data to derive the optimal trading strategy for market conditions, and it is simulated to reflect a more realistic trading environment by considering the slippage that occurs in real trading applications. We observe a pattern of profits only when there is no or very little slippage, suggesting that this is an important factor that can affect actual trading performance given the costs and liquidity issues that arise in real trading environments.

목차

Ⅰ. 서 론

Ⅱ. 관련연구

Ⅲ. 자동 매매 모델

Ⅳ. 실험 및 결과 분석

Ⅴ. 결 론

References

키워드

자동 매매 모델 마스킹할 수 있는 근접 정책 최적화 강화 학습 슬리피지 Automatic Trading Model Maskable Proxinal Policy Optimization Reinforcement Learning Slippage