하드웨어의 발전, 빅 데이터의 출현 및 알고리즘 개선 등으로 인하여 2000년대 화려하게 부활한 딥러닝은 음성 인식, 사물 인식, 번역, 의료 산업 등 다양한 분야에 널리 활용되고 있고, ...
하드웨어의 발전, 빅 데이터의 출현 및 알고리즘 개선 등으로 인하여 2000년대 화려하게 부활한 딥러닝은 음성 인식, 사물 인식, 번역, 의료 산업 등 다양한 분야에 널리 활용되고 있고, 금융 산업 에서도 주가 예측과 알고리즘 거래와 같은 업무에 딥러닝을 적용하기 위해 많은 연구와 노력들이 진행 중이다. 그러나 금융 분야에 딥러닝을 적용한 대부분의 연구는 그 대상이 주식(Stock) 상품에 한정 되어 있고 주제 또한 +1 Day 주가 예측, 예측 성능의 향상 방법 연구, 예측 결과를 통한 거래 모델 제안 등으로 그 범위가 매우 제한 적이다. 특히 2018년 11월 기준 약 530조 자산을 보유하고 있는 우리나라의 대표적인 금융상품인 펀드(Fund)를 딥러닝을 이용하여 분석한 연구는 국내외에서 거의 찾아 볼 수 없는데, 이는 펀드와 주식이 유사한 상품으로 인지되고 있다는 점과 펀드 데이터는 주식과 달리 쉽게 구할 수 없다는 점 등이 원인으로 판단된다. 이에 본 연구에서는 국내에서 10년 이상 운용된 규모 100억 원 이상의 펀드 329개를 MLP, LSTM과 같은 딥러닝 모델에 적용하며 미래 수익률 예측을 시도 한다. 이때 펀드는 장기투자 상품임을 고려하여 +12M 이후의 월 수익률 예측 및 1년간의 누적수익률 등락 예측을 목표로 하였다. 입력변수는 펀드의 규모, 비용, 수익률 그리고 외부지수까지 총 16개로 구성하여 실험 하였고, 그 결과 일부 펀드들에선 성공적으로 예측이 수행됨을 확인 하였다.
하드웨어의 발전, 빅 데이터의 출현 및 알고리즘 개선 등으로 인하여 2000년대 화려하게 부활한 딥러닝은 음성 인식, 사물 인식, 번역, 의료 산업 등 다양한 분야에 널리 활용되고 있고, 금융 산업 에서도 주가 예측과 알고리즘 거래와 같은 업무에 딥러닝을 적용하기 위해 많은 연구와 노력들이 진행 중이다. 그러나 금융 분야에 딥러닝을 적용한 대부분의 연구는 그 대상이 주식(Stock) 상품에 한정 되어 있고 주제 또한 +1 Day 주가 예측, 예측 성능의 향상 방법 연구, 예측 결과를 통한 거래 모델 제안 등으로 그 범위가 매우 제한 적이다. 특히 2018년 11월 기준 약 530조 자산을 보유하고 있는 우리나라의 대표적인 금융상품인 펀드(Fund)를 딥러닝을 이용하여 분석한 연구는 국내외에서 거의 찾아 볼 수 없는데, 이는 펀드와 주식이 유사한 상품으로 인지되고 있다는 점과 펀드 데이터는 주식과 달리 쉽게 구할 수 없다는 점 등이 원인으로 판단된다. 이에 본 연구에서는 국내에서 10년 이상 운용된 규모 100억 원 이상의 펀드 329개를 MLP, LSTM과 같은 딥러닝 모델에 적용하며 미래 수익률 예측을 시도 한다. 이때 펀드는 장기투자 상품임을 고려하여 +12M 이후의 월 수익률 예측 및 1년간의 누적수익률 등락 예측을 목표로 하였다. 입력변수는 펀드의 규모, 비용, 수익률 그리고 외부지수까지 총 16개로 구성하여 실험 하였고, 그 결과 일부 펀드들에선 성공적으로 예측이 수행됨을 확인 하였다.
Thanks to the advancement of computer hardware, the emergence of big data, and the improvement of algorithms, Deep Learning began to be very popular again in the 2000s and it has been widely used in various fields such as speech recognition, object recognition, translation and medical industry. In t...
Thanks to the advancement of computer hardware, the emergence of big data, and the improvement of algorithms, Deep Learning began to be very popular again in the 2000s and it has been widely used in various fields such as speech recognition, object recognition, translation and medical industry. In the financial industry, a lot of research and efforts are under way to apply deep learning as well. However, most of the studies applying Deep Learning to the financial field are only about stocks and the subjects are also limited such as predicting +1 day price, researching on how to improve predict performance, and suggesting trading models based on prediction. In particular, there is little research about funds which is Korea's representative financial product with about 530 trillion assets. This is because funds and stocks are considered very similar products and getting fund data is not as easy as stocks. In this study, we applied 329 funds(having 10 billion won and running 10 years or more) to the Deep Learning model such as MLP and LSTM and tried to predict future returns. The fund is a long-term investment product so we tried to predict the monthly return after + 12M. The input variables consisted of 16 kinds of things about fund size, cost, profit rate, and external index, and the prediction experiments were very successful in some funds.
Thanks to the advancement of computer hardware, the emergence of big data, and the improvement of algorithms, Deep Learning began to be very popular again in the 2000s and it has been widely used in various fields such as speech recognition, object recognition, translation and medical industry. In the financial industry, a lot of research and efforts are under way to apply deep learning as well. However, most of the studies applying Deep Learning to the financial field are only about stocks and the subjects are also limited such as predicting +1 day price, researching on how to improve predict performance, and suggesting trading models based on prediction. In particular, there is little research about funds which is Korea's representative financial product with about 530 trillion assets. This is because funds and stocks are considered very similar products and getting fund data is not as easy as stocks. In this study, we applied 329 funds(having 10 billion won and running 10 years or more) to the Deep Learning model such as MLP and LSTM and tried to predict future returns. The fund is a long-term investment product so we tried to predict the monthly return after + 12M. The input variables consisted of 16 kinds of things about fund size, cost, profit rate, and external index, and the prediction experiments were very successful in some funds.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.