주식시장은 다양한 변수들의 영향을 받으며 예측하기 어려운 난제로 알려져 있지만, 과거부터 이를 예측하기 위해 다양한 연구들이 수행되어 왔으며, 선행연구들을 통해 주식시장 예측에 적합한 다양한 방법론들과 데이터들이 제시되었다. 하지만 주식시장에서 발생하는 변수에는 선행연구들에서 제시된 데이터 이외에도 다양한 변수들이 존재하며, 호가 정보 또한 그 중 하나이다. 호가 정보는 시장참여자들의 매매행태 및 주문이 실시간으로 반영되는 정보이며 매도 및 매수에 대한 상황을 제공함으로써 주가 변동의 방향성에 대한 예측을 가능하게 하는 중요한 투자지표 중 하나이다. 하지만 호가 정보는 주가에 대한 영향이 지연되어 나타날 수 있고 유동성 등에 의해 그 영향력이 종목 별로 상이하게 나타나며, 시간대 및 단계 별로 ...
주식시장은 다양한 변수들의 영향을 받으며 예측하기 어려운 난제로 알려져 있지만, 과거부터 이를 예측하기 위해 다양한 연구들이 수행되어 왔으며, 선행연구들을 통해 주식시장 예측에 적합한 다양한 방법론들과 데이터들이 제시되었다. 하지만 주식시장에서 발생하는 변수에는 선행연구들에서 제시된 데이터 이외에도 다양한 변수들이 존재하며, 호가 정보 또한 그 중 하나이다. 호가 정보는 시장참여자들의 매매행태 및 주문이 실시간으로 반영되는 정보이며 매도 및 매수에 대한 상황을 제공함으로써 주가 변동의 방향성에 대한 예측을 가능하게 하는 중요한 투자지표 중 하나이다. 하지만 호가 정보는 주가에 대한 영향이 지연되어 나타날 수 있고 유동성 등에 의해 그 영향력이 종목 별로 상이하게 나타나며, 시간대 및 단계 별로 가격 발견에 대한 공헌도가 모두 다르다. 따라서 호가 정보를 활용하는 일부 투자자들이 객관적인 의사결정을 하기 어려 운 실정이다. 특히 2002년 이후 국내 증권시장의 호가 공개 단계가 확장됨으로써 호가 정보에 대한 중요성이 부각되었고 재무 분야에서는 이와 관련된 다양한 연구들이 수행되었으며 주식시장에 미치는 영향력 등을 증명하였지만, 아직 주식시장 예측 분야에서는 이를 활용한 연구가 전무하다. 따라서 본 연구에서는 딥러닝 기법 중 하나인 순환신경망과 호가정보를 활용하여 주식시장을 예측하는 연구를 수행하였다. 데이터 수집 및 정제, 라벨링 및 기계학습용 데이터셋 생성, Recurrent Neural Network(RNN), Long Short-term memory(LSTM), Gated Recurrent Unit(GRU)를 활용한 주식시장 예측모형 학습 및 검증이 수행되었다. 실험 결과에서 종목 별 유동성에 따라 정확도를 비교했을 때, 유동성 하위구간에서는 RNN이 57.75%로 정확도가 가장 높게 나타났으며, 상위 구간에서는 GRU가 60.74%로 정확도가 가장 높게 나타났다. 해당 결과를 통해, 유동성이 작은 종목에서는 호가 정보의 변동이 적기 때문에 시계열 전체에 걸쳐 맥락을 학습하는 RNN이 가장 효율적이고, 유동성이 큰 종목에서는 호가 정보의 변동이 많기 때문에 시계열 전체에 대해서 선택적으로 장기 기억과 단기 기억을 학습하는 방식이 효율적인 것으로 사료된다. 본 연구에서 제시된 주식시장 예측모형은 호가 정보를 활용하는 투자자들의 객관적 의사결정에 기여할 수 있을 것으로 기대된다.
주식시장은 다양한 변수들의 영향을 받으며 예측하기 어려운 난제로 알려져 있지만, 과거부터 이를 예측하기 위해 다양한 연구들이 수행되어 왔으며, 선행연구들을 통해 주식시장 예측에 적합한 다양한 방법론들과 데이터들이 제시되었다. 하지만 주식시장에서 발생하는 변수에는 선행연구들에서 제시된 데이터 이외에도 다양한 변수들이 존재하며, 호가 정보 또한 그 중 하나이다. 호가 정보는 시장참여자들의 매매행태 및 주문이 실시간으로 반영되는 정보이며 매도 및 매수에 대한 상황을 제공함으로써 주가 변동의 방향성에 대한 예측을 가능하게 하는 중요한 투자지표 중 하나이다. 하지만 호가 정보는 주가에 대한 영향이 지연되어 나타날 수 있고 유동성 등에 의해 그 영향력이 종목 별로 상이하게 나타나며, 시간대 및 단계 별로 가격 발견에 대한 공헌도가 모두 다르다. 따라서 호가 정보를 활용하는 일부 투자자들이 객관적인 의사결정을 하기 어려 운 실정이다. 특히 2002년 이후 국내 증권시장의 호가 공개 단계가 확장됨으로써 호가 정보에 대한 중요성이 부각되었고 재무 분야에서는 이와 관련된 다양한 연구들이 수행되었으며 주식시장에 미치는 영향력 등을 증명하였지만, 아직 주식시장 예측 분야에서는 이를 활용한 연구가 전무하다. 따라서 본 연구에서는 딥러닝 기법 중 하나인 순환신경망과 호가정보를 활용하여 주식시장을 예측하는 연구를 수행하였다. 데이터 수집 및 정제, 라벨링 및 기계학습용 데이터셋 생성, Recurrent Neural Network(RNN), Long Short-term memory(LSTM), Gated Recurrent Unit(GRU)를 활용한 주식시장 예측모형 학습 및 검증이 수행되었다. 실험 결과에서 종목 별 유동성에 따라 정확도를 비교했을 때, 유동성 하위구간에서는 RNN이 57.75%로 정확도가 가장 높게 나타났으며, 상위 구간에서는 GRU가 60.74%로 정확도가 가장 높게 나타났다. 해당 결과를 통해, 유동성이 작은 종목에서는 호가 정보의 변동이 적기 때문에 시계열 전체에 걸쳐 맥락을 학습하는 RNN이 가장 효율적이고, 유동성이 큰 종목에서는 호가 정보의 변동이 많기 때문에 시계열 전체에 대해서 선택적으로 장기 기억과 단기 기억을 학습하는 방식이 효율적인 것으로 사료된다. 본 연구에서 제시된 주식시장 예측모형은 호가 정보를 활용하는 투자자들의 객관적 의사결정에 기여할 수 있을 것으로 기대된다.
The stock market is hard to predict because it is affected by many variables. Nevertheless, many studies have been conducted to predict the market from the past and have presented many methodologies and variables. However, in stock market, there are many variables besides the presented in previous r...
The stock market is hard to predict because it is affected by many variables. Nevertheless, many studies have been conducted to predict the market from the past and have presented many methodologies and variables. However, in stock market, there are many variables besides the presented in previous researches and bid and ask information is also one of them. Bid and ask information reflects the orders of market participants in real time. Thus, it is one of the important investment indicators that enables forecasting of the direction of stock price fluctuation. However, there is a possibility that the influence of the bid and ask information on the stock price is delayed, and contribution to price discovery is different by time, price step, liquidity, and etc. Therefore, it is difficult for some investors who use of bid and ask information to make objective decisions. Especially, the importance of bid and ask information has been emphasized due to the expansion of public offerings in the korean stock market since 2002. Many studies, which is related to bid and ask information, have been carried out in the financial research, and have proved their impact on the stock market. But, there is no research utilizing bid and ask information in the stock market prediction field. Therefore, stock market prediction was conducted using bid and ask information through recurrent neural network, which is one of the deep learning techniques. For this research, data gathering and refining, labeling and dataset generation, and training and testing stock market prediction model using Recurrent Neural Network(RNN), Long Short-term memory(LSTM), Gated Recurrent Unit(GRU) were preformed. In the experiment results, when comparing accuracy according to liquidity of each stock, accuracy of RNN was the highest at 57.75% in the liquidity lower section, and accuracy of GRU was the highest at 60.74% in the liquidity upper section. The result shows that RNN, which is learning contexts over full time series, is the most efficient method for lower liquidity stocks because of less fluctuation of bid and ask volume. In the case of stocks with high liquidity GRU, which selectively learns long-term memory and short-term memory for time series, is considered to be efficient because there is a large fluctuation in stock price information. The stock market forecasting model proposed in this study is expected to contribute to the objective decision making of investors using bid and ask information.
The stock market is hard to predict because it is affected by many variables. Nevertheless, many studies have been conducted to predict the market from the past and have presented many methodologies and variables. However, in stock market, there are many variables besides the presented in previous researches and bid and ask information is also one of them. Bid and ask information reflects the orders of market participants in real time. Thus, it is one of the important investment indicators that enables forecasting of the direction of stock price fluctuation. However, there is a possibility that the influence of the bid and ask information on the stock price is delayed, and contribution to price discovery is different by time, price step, liquidity, and etc. Therefore, it is difficult for some investors who use of bid and ask information to make objective decisions. Especially, the importance of bid and ask information has been emphasized due to the expansion of public offerings in the korean stock market since 2002. Many studies, which is related to bid and ask information, have been carried out in the financial research, and have proved their impact on the stock market. But, there is no research utilizing bid and ask information in the stock market prediction field. Therefore, stock market prediction was conducted using bid and ask information through recurrent neural network, which is one of the deep learning techniques. For this research, data gathering and refining, labeling and dataset generation, and training and testing stock market prediction model using Recurrent Neural Network(RNN), Long Short-term memory(LSTM), Gated Recurrent Unit(GRU) were preformed. In the experiment results, when comparing accuracy according to liquidity of each stock, accuracy of RNN was the highest at 57.75% in the liquidity lower section, and accuracy of GRU was the highest at 60.74% in the liquidity upper section. The result shows that RNN, which is learning contexts over full time series, is the most efficient method for lower liquidity stocks because of less fluctuation of bid and ask volume. In the case of stocks with high liquidity GRU, which selectively learns long-term memory and short-term memory for time series, is considered to be efficient because there is a large fluctuation in stock price information. The stock market forecasting model proposed in this study is expected to contribute to the objective decision making of investors using bid and ask information.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.