본 논문은 머신러닝과 수급분석을 활용한 주식 포트폴리오 구성 방법을 개발하고 그 성과를 분석하는 연구이다. 금융 알파고라 불리는 주식 로보-어드바이저 프로그램의 개발 방향을 제시하고 누구나 접할 수 있도록 하여 경제적 가치 향상에 기여 하는데 의의가 있다. 자기 조직화 지도 모델 ...
본 논문은 머신러닝과 수급분석을 활용한 주식 포트폴리오 구성 방법을 개발하고 그 성과를 분석하는 연구이다. 금융 알파고라 불리는 주식 로보-어드바이저 프로그램의 개발 방향을 제시하고 누구나 접할 수 있도록 하여 경제적 가치 향상에 기여 하는데 의의가 있다. 자기 조직화 지도 모델 인공신경망을 이용하여 수급분석 데이터를 그룹화하고 그룹화한 데이터를 변환하여 오류역전파 모델 인공신경망에 학습을 시켜서 검증 데이터 예측결과로 매월 포트폴리오 구성을 하도록 개발하였다. 성과 분석을 위해 포트폴리오의 벤치마크를 지정하였고 시장 수익률 비교를 위해 KOSPI200, KOSPI 지수 수익률도 구하였다. 포트폴리오의 동일배분 수익률, 복리 수익률, 연평균 수익률, MDD, 표준편차, 샤프지수, 벤치마크로 지정한 시가총액 상위 10종목의 Buy and Hold 수익률 등을 사용하여 성과 분석을 진행하였다. 분석 결과 포트폴리오가 벤치마크 대비 2배 수익률을 올렸으며 시장 수익률보다 좋은 성과를 보였다. MDD와 표준편차는 포트폴리오와 벤치마크가 비슷한 결과로 성과 대비 비교한다면 포트폴리오가 좋은 성과라고 할 수 있다. 샤프지수도 포트폴리오가 벤치마크와 시장 결과보다 좋은 성과를 내었다. 이를 통해 머신러닝과 수급분석을 활용한 포트폴리오 구성 프로그램 개발 방법의 방향을 제시하였고 우수한 성과로 실제 주식 투자에 프로그램 개발 적용에 활용할 수 있음을 보였다.
본 논문은 머신러닝과 수급분석을 활용한 주식 포트폴리오 구성 방법을 개발하고 그 성과를 분석하는 연구이다. 금융 알파고라 불리는 주식 로보-어드바이저 프로그램의 개발 방향을 제시하고 누구나 접할 수 있도록 하여 경제적 가치 향상에 기여 하는데 의의가 있다. 자기 조직화 지도 모델 인공신경망을 이용하여 수급분석 데이터를 그룹화하고 그룹화한 데이터를 변환하여 오류역전파 모델 인공신경망에 학습을 시켜서 검증 데이터 예측결과로 매월 포트폴리오 구성을 하도록 개발하였다. 성과 분석을 위해 포트폴리오의 벤치마크를 지정하였고 시장 수익률 비교를 위해 KOSPI200, KOSPI 지수 수익률도 구하였다. 포트폴리오의 동일배분 수익률, 복리 수익률, 연평균 수익률, MDD, 표준편차, 샤프지수, 벤치마크로 지정한 시가총액 상위 10종목의 Buy and Hold 수익률 등을 사용하여 성과 분석을 진행하였다. 분석 결과 포트폴리오가 벤치마크 대비 2배 수익률을 올렸으며 시장 수익률보다 좋은 성과를 보였다. MDD와 표준편차는 포트폴리오와 벤치마크가 비슷한 결과로 성과 대비 비교한다면 포트폴리오가 좋은 성과라고 할 수 있다. 샤프지수도 포트폴리오가 벤치마크와 시장 결과보다 좋은 성과를 내었다. 이를 통해 머신러닝과 수급분석을 활용한 포트폴리오 구성 프로그램 개발 방법의 방향을 제시하였고 우수한 성과로 실제 주식 투자에 프로그램 개발 적용에 활용할 수 있음을 보였다.
Using Self-organizing map, which is one of the most popular neural network models, this study first groups the demand-and-supply analysis data. With this grouping data the study trains an artificial neural network via back-propagation to develop a monthly portfolio. For the analysis of portfolio...
Using Self-organizing map, which is one of the most popular neural network models, this study first groups the demand-and-supply analysis data. With this grouping data the study trains an artificial neural network via back-propagation to develop a monthly portfolio. For the analysis of portfolio performance, the study calculates the KOSPI200 index and KOSPI index returns, and analyzes the model performance using portfolio returns, compound returns, average annual returns, MDD, standard deviation, Sharpe ratio, and buy and hold strategy of the benchmark. The results of the performance analysis show that the study’s model portfolio doubles its benchmark and surpasses the market returns. The model portfolio’s MDD and standard deviation are similar to those of the benchmark. The Sharpe ratio is better than that of benchmark and market. The study proposes a method to develop a program for portfolio construction using machine learning techniques and demand-supply analysis. The results of the study show that it can be applied to developing an actual stock investment program.
Using Self-organizing map, which is one of the most popular neural network models, this study first groups the demand-and-supply analysis data. With this grouping data the study trains an artificial neural network via back-propagation to develop a monthly portfolio. For the analysis of portfolio performance, the study calculates the KOSPI200 index and KOSPI index returns, and analyzes the model performance using portfolio returns, compound returns, average annual returns, MDD, standard deviation, Sharpe ratio, and buy and hold strategy of the benchmark. The results of the performance analysis show that the study’s model portfolio doubles its benchmark and surpasses the market returns. The model portfolio’s MDD and standard deviation are similar to those of the benchmark. The Sharpe ratio is better than that of benchmark and market. The study proposes a method to develop a program for portfolio construction using machine learning techniques and demand-supply analysis. The results of the study show that it can be applied to developing an actual stock investment program.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.