시계열 데이터(Time-seriesData)는 주식, 매출액, 실업률 등과 같이 시간적 순서를 가지는 데이터를 의미한다. 현재 직면한 문제를 해결하려는 모든 조직에게 시계열 데이터의 관찰, 분석 더 나아가 데이터 예측은 필수다. 데이터 예측을 통해 조직 내외 의사결정 문제를 해결할 수 있을 뿐만 아니라 의사결정의 결과로서의 계획, 투자, 성과를 향상시킬 수 있으며 투자 기회비용, 재고비용, 물류비용 등과 같은 비용의 절감을 할 수 있기 때문이다. 시계열 데이터 중 주식 데이터를 다루는 주식 시장은 불특정 다수가 존재하며, 다양한 변수가 작용하는 시장으로 예측하기 어려운 것이 특징이다. 주식 시장을 예측하기 위한 많은 노력이 있지만, 선형적 예측으로는 한계가 있다. 전통적인 ...
시계열 데이터(Time-seriesData)는 주식, 매출액, 실업률 등과 같이 시간적 순서를 가지는 데이터를 의미한다. 현재 직면한 문제를 해결하려는 모든 조직에게 시계열 데이터의 관찰, 분석 더 나아가 데이터 예측은 필수다. 데이터 예측을 통해 조직 내외 의사결정 문제를 해결할 수 있을 뿐만 아니라 의사결정의 결과로서의 계획, 투자, 성과를 향상시킬 수 있으며 투자 기회비용, 재고비용, 물류비용 등과 같은 비용의 절감을 할 수 있기 때문이다. 시계열 데이터 중 주식 데이터를 다루는 주식 시장은 불특정 다수가 존재하며, 다양한 변수가 작용하는 시장으로 예측하기 어려운 것이 특징이다. 주식 시장을 예측하기 위한 많은 노력이 있지만, 선형적 예측으로는 한계가 있다. 전통적인 수학 모델의 한계를 극복하기 위해 인공신경망을 활용한 기계학습이 제안되고 있다. 신경망 모형 중 순환신경망(Recurrent Neural Network)은 일반 신경망에 시계열 개념을 추가한 것으로, 은닉계층에 이전 정보를 기억시킬 수 있는 장점이 있다. 순환신경망을 통해 과거의 지수 가격이 미래의 지수 가격에 어떻게 영향을 미치는지를 예측한다. 본 논문은 시계열 데이터 중 주식 예측모델을 다룬다. 이에 관한 다양한 연구가 있으며 특히, 양방향 순환신경망을 이용한 주식 가격 예측 모형 연구가 있지만 가격과 거래량에 한정된 데이터를 사용한 모델링을 했다. 본 논문에서는 가격과 거래량뿐만 아니라 가격 보조지표, 거래량 보조지표, 추세 보조지표, 채널 보조지표를 추가해 모델 간의 비교를 할 것이다. 각 모델 간의 비교를 통해 어떤 보조지표를 사용한 모델이 가장 좋은 성능을 내는지 평가할 수 있으며 이를 통해 모델링할 때, 가장 좋은 지표 조합을 알 수 있을 것이다. 본 실험을 통해 얻은 모델이 예측한 값과 예측하기 전날의 종가와 비교를 통해 상승/하락 예측의 정확도를 검증하였다. 또한 주식 가격의 상승/하락 변동이 크게 예측되는 경우에는 상승/하락 예측의 정확도가 더 높아질 수 있을 것이라는 가정 하에 상승/하락률이 각각 0.5%, 1%, 2% 이상이 되는 경우만을 고려하여 예측의 정확도를 검증하였다. 이를 통해 본 논문에서 제안하는 모델이 주식의 상승/하락을 비교적 정확하게 예측할 수 있음을 보였다.
시계열 데이터(Time-series Data)는 주식, 매출액, 실업률 등과 같이 시간적 순서를 가지는 데이터를 의미한다. 현재 직면한 문제를 해결하려는 모든 조직에게 시계열 데이터의 관찰, 분석 더 나아가 데이터 예측은 필수다. 데이터 예측을 통해 조직 내외 의사결정 문제를 해결할 수 있을 뿐만 아니라 의사결정의 결과로서의 계획, 투자, 성과를 향상시킬 수 있으며 투자 기회비용, 재고비용, 물류비용 등과 같은 비용의 절감을 할 수 있기 때문이다. 시계열 데이터 중 주식 데이터를 다루는 주식 시장은 불특정 다수가 존재하며, 다양한 변수가 작용하는 시장으로 예측하기 어려운 것이 특징이다. 주식 시장을 예측하기 위한 많은 노력이 있지만, 선형적 예측으로는 한계가 있다. 전통적인 수학 모델의 한계를 극복하기 위해 인공신경망을 활용한 기계학습이 제안되고 있다. 신경망 모형 중 순환신경망(Recurrent Neural Network)은 일반 신경망에 시계열 개념을 추가한 것으로, 은닉계층에 이전 정보를 기억시킬 수 있는 장점이 있다. 순환신경망을 통해 과거의 지수 가격이 미래의 지수 가격에 어떻게 영향을 미치는지를 예측한다. 본 논문은 시계열 데이터 중 주식 예측모델을 다룬다. 이에 관한 다양한 연구가 있으며 특히, 양방향 순환신경망을 이용한 주식 가격 예측 모형 연구가 있지만 가격과 거래량에 한정된 데이터를 사용한 모델링을 했다. 본 논문에서는 가격과 거래량뿐만 아니라 가격 보조지표, 거래량 보조지표, 추세 보조지표, 채널 보조지표를 추가해 모델 간의 비교를 할 것이다. 각 모델 간의 비교를 통해 어떤 보조지표를 사용한 모델이 가장 좋은 성능을 내는지 평가할 수 있으며 이를 통해 모델링할 때, 가장 좋은 지표 조합을 알 수 있을 것이다. 본 실험을 통해 얻은 모델이 예측한 값과 예측하기 전날의 종가와 비교를 통해 상승/하락 예측의 정확도를 검증하였다. 또한 주식 가격의 상승/하락 변동이 크게 예측되는 경우에는 상승/하락 예측의 정확도가 더 높아질 수 있을 것이라는 가정 하에 상승/하락률이 각각 0.5%, 1%, 2% 이상이 되는 경우만을 고려하여 예측의 정확도를 검증하였다. 이를 통해 본 논문에서 제안하는 모델이 주식의 상승/하락을 비교적 정확하게 예측할 수 있음을 보였다.
Time-series data refers to data having a temporal order such as stocks, sales, and unemployment rate. The forecasting of the time series data is necessary to solve the managerial problems. Through the data forecasting, the performance of the planning and investment can be enhanced, and the cost such...
Time-series data refers to data having a temporal order such as stocks, sales, and unemployment rate. The forecasting of the time series data is necessary to solve the managerial problems. Through the data forecasting, the performance of the planning and investment can be enhanced, and the cost such as investment opportunity cost, inventory cost, and logistics cost can be reduced.
Stock price prediction is very difficult due to the many variables and the many parties involved. There have been many efforts to predict the stock market. However, there exist limits in linear prediction. Machine learning methods using artificial neural network have been proposed to overcome the limitations of traditional mathematical models. RNN(Recurrent Neural Network) reinforces a time series concept to general neural network and it has been used successfully to analyze time series data. There exist some studies using a bidirectional RNN to predict stock price utilizing price and transaction volume data.
This paper deals with stock price prediction model. We propose to extend RNN method utilizing the auxiliary index of price, transaction volume, trend, and channel in addition to price and transaction volume data. We evaluate the prediction accuracy by comparing the upward/downward prediction of the next days’stock price with the actual upward/downward stock price changes. We compare the performance of the models using different auxiliary indices and propose the model that yield good performance. Also, assuming that the accuracy of the upward/downward prediction may be higher if the change in stock prices is significantly anticipated, We evaluate models and propose the model that yield good performance when we only consider the cases with upward/downward changes that are more than 0.5%, 1%, and 2% in relative magnitudes, respectively.
Time-series data refers to data having a temporal order such as stocks, sales, and unemployment rate. The forecasting of the time series data is necessary to solve the managerial problems. Through the data forecasting, the performance of the planning and investment can be enhanced, and the cost such as investment opportunity cost, inventory cost, and logistics cost can be reduced.
Stock price prediction is very difficult due to the many variables and the many parties involved. There have been many efforts to predict the stock market. However, there exist limits in linear prediction. Machine learning methods using artificial neural network have been proposed to overcome the limitations of traditional mathematical models. RNN(Recurrent Neural Network) reinforces a time series concept to general neural network and it has been used successfully to analyze time series data. There exist some studies using a bidirectional RNN to predict stock price utilizing price and transaction volume data.
This paper deals with stock price prediction model. We propose to extend RNN method utilizing the auxiliary index of price, transaction volume, trend, and channel in addition to price and transaction volume data. We evaluate the prediction accuracy by comparing the upward/downward prediction of the next days’stock price with the actual upward/downward stock price changes. We compare the performance of the models using different auxiliary indices and propose the model that yield good performance. Also, assuming that the accuracy of the upward/downward prediction may be higher if the change in stock prices is significantly anticipated, We evaluate models and propose the model that yield good performance when we only consider the cases with upward/downward changes that are more than 0.5%, 1%, and 2% in relative magnitudes, respectively.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.