주가 예측은 경제학, 경영학, 통계학, 컴퓨터공학 등의 다양한 분야에서 많이 연구되어 왔다. 그러나 주가의 추이는 일반적으로 비선형적이며 매우 복잡한 양상을 보인다. 이러한 주가를 예측하기 위해 기존에는 과거 주가로부터 시계열 패턴으로 예측하는 방법과 주식 시장 관련 텍스트 데이터로부터 텍스트 마이닝 기법을 통하여 예측하는 방법 등을 이용하였다. 시계열 패턴 기반 예측 방법은 ...
주가 예측은 경제학, 경영학, 통계학, 컴퓨터공학 등의 다양한 분야에서 많이 연구되어 왔다. 그러나 주가의 추이는 일반적으로 비선형적이며 매우 복잡한 양상을 보인다. 이러한 주가를 예측하기 위해 기존에는 과거 주가로부터 시계열 패턴으로 예측하는 방법과 주식 시장 관련 텍스트 데이터로부터 텍스트 마이닝 기법을 통하여 예측하는 방법 등을 이용하였다. 시계열 패턴 기반 예측 방법은 시계열 분석 혹은 머신러닝을 이용해서 주가를 예측하여, 텍스트 마이닝 기반 예측 방법은 뉴스 데이터 혹은 소셜 데이터에 내포되어 있는 감성을 분석하여 주가를 예측한다. 본 논문에서는 뉴스 데이터를 이용한 감성 분석모듈과 주가 데이터를 이용한 시계열 예측 모듈을 결합한 주가 등락 예측 모델을 제안한다. 감성 분석 방법은 유사한 뉴스를 기반으로 주식뉴스에 대한 감성 수치를 추출하며, 시계열 예측 방법은 LSTM 모델을 이용하여 익일의 종가를 예측한다. 주가 등락 예측 모델은 감성 수치와 익일의 종가를 결합하여 당일 종가 대비 익일의 종가 등락을 예측한다. 본 연구에서 제안하는 방법과 기존 방법의 성능을 비교한 결과, 제안 방법의 예측 정확도가 기존 방법에 비해 약 4.8% 상향된 결과를 보였다.
주가 예측은 경제학, 경영학, 통계학, 컴퓨터공학 등의 다양한 분야에서 많이 연구되어 왔다. 그러나 주가의 추이는 일반적으로 비선형적이며 매우 복잡한 양상을 보인다. 이러한 주가를 예측하기 위해 기존에는 과거 주가로부터 시계열 패턴으로 예측하는 방법과 주식 시장 관련 텍스트 데이터로부터 텍스트 마이닝 기법을 통하여 예측하는 방법 등을 이용하였다. 시계열 패턴 기반 예측 방법은 시계열 분석 혹은 머신러닝을 이용해서 주가를 예측하여, 텍스트 마이닝 기반 예측 방법은 뉴스 데이터 혹은 소셜 데이터에 내포되어 있는 감성을 분석하여 주가를 예측한다. 본 논문에서는 뉴스 데이터를 이용한 감성 분석 모듈과 주가 데이터를 이용한 시계열 예측 모듈을 결합한 주가 등락 예측 모델을 제안한다. 감성 분석 방법은 유사한 뉴스를 기반으로 주식뉴스에 대한 감성 수치를 추출하며, 시계열 예측 방법은 LSTM 모델을 이용하여 익일의 종가를 예측한다. 주가 등락 예측 모델은 감성 수치와 익일의 종가를 결합하여 당일 종가 대비 익일의 종가 등락을 예측한다. 본 연구에서 제안하는 방법과 기존 방법의 성능을 비교한 결과, 제안 방법의 예측 정확도가 기존 방법에 비해 약 4.8% 상향된 결과를 보였다.
Stock price prediction has been widely studied in various fields such as economics, business administration, statistics, and computer science. However, stock price trends are generally nonlinear and very complex. In order to predict the stock price, traditional studies used prediction methods from t...
Stock price prediction has been widely studied in various fields such as economics, business administration, statistics, and computer science. However, stock price trends are generally nonlinear and very complex. In order to predict the stock price, traditional studies used prediction methods from the past stock price in a time series pattern or through the text mining technique from the stock market related text data. The time-series pattern based on predicting method is uses time-series analysis or machine learning. The predicting method based on text mining conducts stock price prediction by analyzing sentiment on news data or social data. In this paper, we propose a stock fluctuation prediction model that combines sentiment analysis module with news data and time series predicting module using stock price data. The sentiment analysis module extracts sentiment values for stock news based on similar news and predicts the closing price of next day by using LSTM model. The stock fluctuation prediction model combines the sentiment value and the closing price of the next day to forecast the closing price of the next day relative to the closing price of the day. As an experimental result, the prediction accuracy of the proposed method is improved by about 4.8% compared with the conventional method.
Stock price prediction has been widely studied in various fields such as economics, business administration, statistics, and computer science. However, stock price trends are generally nonlinear and very complex. In order to predict the stock price, traditional studies used prediction methods from the past stock price in a time series pattern or through the text mining technique from the stock market related text data. The time-series pattern based on predicting method is uses time-series analysis or machine learning. The predicting method based on text mining conducts stock price prediction by analyzing sentiment on news data or social data. In this paper, we propose a stock fluctuation prediction model that combines sentiment analysis module with news data and time series predicting module using stock price data. The sentiment analysis module extracts sentiment values for stock news based on similar news and predicts the closing price of next day by using LSTM model. The stock fluctuation prediction model combines the sentiment value and the closing price of the next day to forecast the closing price of the next day relative to the closing price of the day. As an experimental result, the prediction accuracy of the proposed method is improved by about 4.8% compared with the conventional method.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.