[논문]패턴 매칭과 자동 규칙 생성에 기반한 2단계 주식 트레이딩 시스템

이종우; 김유섭; 김성동; 이재원; 채진석

doi:10.3745/kipstb.2003.10b.3.257

패턴 매칭과 자동 규칙 생성에 기반한 2단계 주식 트레이딩 시스템
A Two-Phase Stock Trading System based on Pattern Matching and Automatic Rule Induction 원문보기

정보처리학회논문지. The KIPS transactions. Part B. Part B, v.10B no.3, 2003년, pp.257 - 264

이종우 (광운대학교 컴퓨터공학과) , 김유섭 (한림대학교 정보통신공학부) , 김성동 (한성대학교 컴퓨터시스템공학과) , 이재원 (성신여자대학교 컴퓨터정보공학부) , 채진석 (인천대학교 컴퓨터공학과)

초록
AI-Helper

일반적인 동적 매매 환경에서의 금융 예측 시스템은 주어진 목적을 최적으로 만족시키는 매매 형태를 찾고자 한다. 본 논문은 수익률을 극대화시키기 위하여 추출과 여과라는 두개의 단계로 구성된 새로운 형태의 주식 매매 시스템을 제안한다. 주식 추출 단계에서는 특정 시계열 패턴에 부합하는 주식을 추출하는데, 이러한 시계열 패턴은 기술 지표 값들의 조합으로 표현된다. 그리고 여과 단계에서는 추출된 주식 집합에 여과 규칙들을 적용하여 실제 매매 대상이 되는 주식들을 골라내는데, 여과 규칙은 과거 주가 데이터로부터 자동으로 유도되었다. 이를 위하여, 우리는 먼저 방대한 과거 일별 주가 데이터로부터 기술 지표 값들을 계산하였다. 계산된 기술 지표 값들은 시계열 패턴을 추출하는데 사용되고 이 값들의 이산화 구간들의 분포가 양성 및 음성 데이터들에 대하여 계산된다. 본 논문에서는 독특한 분포를 보이는 구간에 존재하는 기술 지표 값들이 주가의 향후 움직임을 예측하는 데 도움을 준다는 가정을 하였다. 그리고 여과 규칙은 바로 이런 독특한 분포를 보이는 구간 내의 데이터 값들로부터 자동으로 유도되었다. 우리는 시뮬레이션을 통해, 본 논문에서 제시한 트레이딩 시스템이 시장 평균 수익률을 상회한다는 사실을 확인함으로써 위의 가정에 대한 검증을 할 수 있었다.

Abstract ▼ AI-Helper

In the context of a dynamic trading environment, the ultimate goal of the financial forecasting system is to optimize a specific trading objective. This paper proposes a two-phase (extraction and filtering) stock trading system that aims at maximizing the rates of returns. Extraction of stocks is performed by searching specific time-series patterns described by a combination of values of technical indicators. In the filtering phase, several rules are applied to the extracted sets of stocks to select stocks to be actually traded. The filtering rules are automatically induced from past data. From a large database of daily stock prices, the values of technical indicators are calculated. They are used to make the extraction patterns, and the distributions of the discretization intervals of the values are calculated for both positive and negative data sets. We assumed that the values in the intervals of distinctive distribution may contribute to the prediction of future trend of stocks, so the rules for filtering stocks are automatically induced from the data in those intervals. We show the rates of returns when using our trading system outperform the market average. These results mean rule induction method using distributional differences is useful.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 지금까지, 이러한 목 적들을 최적화하기 위해 금융 예측 모형에 관한 많은 연구 노력이 있어왔는데, 본 논문에서는 주식 시장에서의 최적의 금융 예측 시스템을 구축하는데 있어 발생할 수 있는 문제들에 대하여 언급한다.
본 논문에서 우리는 한국 주식 시장을 구성하는 KOSPI와 KOSDAQ15]에 상장된 여러 주식들을 고려하는 실제적인 2-단계 개별 주식 거래 시스템을 개발하였다.
본 논문에서는 구간 내에 존재하는 데이타들의 표준 편차 가 최대가 되도록 구간의 갯수를 정함으로써 최적의 심볼 스트림을 얻고자 하였다.
본 시스템의 성능을 보다 자세히 비교하기 위하여, 여과 단계에 결정 트리 (Decision Tree)와 신경망(Neural- Net)을 사용한 결과를 [표 3]에 함께 제시하였다.
실제 매매를 위하여 본 시스템은 추출과 여과 단계로 구성되며, 이 시스템의 궁극적인 목적은 매매 수익률을 최대화하는데 있다.
여기서 우리는 어떤 명확한 자질들을 찾고자 하였다.
우리는 본 논문에서 패턴 매칭과 자동규칙 유도에 기반한 추출과 여과로 이루어진 2-단계 주식거래시스템을 제안하였다.

가설 설정

그리고 값 구간의 분포는 양성과 음성 데이터 집합들로부터 독립적으로 계산되었는데, 몇몇 구간들은 포함하고 있는 데이터들이 양성과 음성이 뚜렷이 구별되는 분포를 보였고 그 구간에 해당되는 자질값들은 각 주식의 기대 수익률을 명확히 평가하는데 기여할 수 있을 것으로 가정 하였다.
그리고 매수는 시가에 이루어지는 것으로 가정한다.

제안 방법

BSp에 포함된 주식들에 대하여 매수를 수행하였고 33절에 기술한 방식으로 매도를 수행하였다.
그러나 본 논문에서는 주식 전문가의 주관적인 지식을 사용하여 시계열 패턴을 구성하였다.
그리고 하나의 주식을 기술하는데 사용된 모든 기술 지표들에 대하여, 구간들의 분포들을 비교하였다.
두 가지 거래 정책 STPi = (0.05, 0.05, 1)과 STP2 = (0.1, 0.05, 5)를 사용하여 각 패턴 집합의 수익률을 계산하였다.
또한 분포 차이를 사용하여, 몇 개의 구간들을 분류 규칙들을 구축하기 위한 자질로 선택하였다.
본 논문에서 사용되는 기술 지표 값들은 일별 주가 데이터를 저장하고 있는 데이터베이스를 조작함으로써 계산된다.
본 논문에서는 추출된 주식들을 수익-기대, 손실-기대의 두 가지 범주로 분류하는 규칙들을 2.
본 논문에서의 거래시스템은 주식들에 대한 기술 분석에 기반하여 시계열 패턴을 구축하고, 주식들을 여과하기 위한 분류 규칙을 자동으로 유도하는 데에 기술지표들을 사용하였다.
이를 위하여 단일 스레드 시 계열에 대한 예측 모델을 구축하는 대신, 우리는 실제 주식시장의 다중 종목에 적용될 수 있는 시계열 패턴을 구성하였다.

대상 데이터

3절에서 구죽된 훈련 데이터를 사용하여 자동으로 유도하였다.
기술 지표 값으로는 주가 및 거래량 이동평균선의 위치, 이동평균 선간 간격 등 수백 가지의 지표 중에서 기술적 분석에서 주로 활용되는 수십 개의 지표가 사용되었다.
본 논문에서는 시스템의 구현을 위하여 우선 일별 주가로 구성된 주식 데이터베이스를 구성하였다.
본 논문에서는 제안된 거래 시스템을 사용하여 2001년 6 월부터 12월까지 6개월간의 데이터에 대하여 주식 거래를 시뮬레이션하였다.[표 2]는 2.
본 연구를 위하여, 우리는 구간의 개수를 3개에서 10개 사이로 고려하였다.
우리는 이 값들을 이용하여 우리의 추출 패턴을 정의하고 패턴에 부합하는 주식들을 수집하여 훈련 데이터로 사용하였다.
이를 위하여, 1998년 1월부터 2000년 6월까지 30개월 동안의 데이터 중에서 패턴 매칭으로 해당 주식들을 추출하였고 이들 주식과 관련한 데이터들을 수집하였다.
주식 데이터로 KOSPI와 KOSDAQ 에 상장된 모든 주식(현재 약 1700종목) 에 대한 데이터를 수집하고, 이들 데이터는 일별 데이터로써 1990년 1월부터 2001년 12월까지 12년에 걸쳐 수집하였다.

이론/모형

또한 거래 시스템의 평가 척도로 거래 당 수익율(profit per trade : PPT)을 사용하였다.
또한 신경망은 백프로퍼게이션(back-propagation) 알고리즘에 기반한 다층 전 방향(multiTayered feedforward) 구조를 사용하였으며, 2.
여기서 결정 트리를 위하여 C₄.5 알고리즘[13]을 사용하였다.

성능/효과

3절에 제시한 것과 동일한 학습 데이터를 사용하여 학습을 수행하였다. [표 3]에 제시한 결과에 의하면, 본 논문에서 제안한 분포 차이를 이용한 자동 규칙 유도 방식이 더 나은 성능을 보이는 것을 알 수 있다.
시뮬레이션 기간 동안, KOSPI는 약 16.8% 상승하였고 KOSDAQe 약 -6.4% 하락하였다.
의사결정(여과) 규칙의 자동 획득에 있어서 분포 차이를 이용하는 비교적 단순한 방법을 사용하였지만 이 방식이 경쟁력 있는 성능을 보인다는 것을 확인할 수 있었고, 규칙들의 빠른 유도를 돕는다는 것도 알 수 있었다.

후속연구

물론 이 결과가 실제 거래 상황에서의 결과와 약간의 차이가 있을 수도 있겠지만, 거래세를 감안해 서도 시장 평균을 상회하는 수익률을 기대할 수 있을 것으로 보인다.
본 매매시스템은 과거 데이터를 사용하여 그 지식을 검증하고 개선하는 역할을 하며 동시에 본 시스템 구조는 전문가의 예측 모델을 구축하는 데 유용할 수 있을 것이다.
본 시스템의 분석과정에서는 기술적 지표들만을 사용 하기 때문에, 본 시스템은 단기적인 주식 매매에 활용될 수 있다고 볼 수 있다.

참고문헌 (13)

J. Ghosn and Yoghua Bengio, 'Multi-Task Learning for Stock Selection,' Advances in Neural Information Processing Systems, 9, M. C. Mozer, M. I. Jordan and T. Petsche editor, The MIT Press, 1997
A. Refenes, 'Neural Networks in the Capital Markets,' John Wiley and Sons, 1995
C. L. Giles, S. Lawrence and A. C. Tsoi, 'Rule Inference for Financial Prediction using Recurrent Neural Networks,' Proc. of IEEE/IAFE Conference on Computational Intelligence for Financial Engineering, pp.253-259, 1997
N. Towers and A. N. Burgess, 'Optimisation of Trading Strategies using Parameterised Decision Rules,' Proc. of IDEAL 98, Perspectives on Financial Engineering and Data Mining, L. Xu et al editor, Springer-Verlag, 1998
'Korea Stock Exchange : KOSPI & KOSPI 200,' http://www.kse.or.kr, 2001
'Optima Investment Research : Interpreting Technical Indicators,' Fourth Edition, Neural Networks in the Capital Markets, John Wiley and Sons, 1995
T. Fu, F. Chung, V. Ng and R. Luk, 'Pattern Discovery from Stock Time Series Using Self-Organizing Maps,' Workshop on Temporal Data Mining, pp.27-37, 2001
J. Baek and S. Cho, 'Left Shoulder Detection in Korea Composite Stock Price Index Using an Auto-Associative Neural Network,' Proc. of IDEAL 2000, Data Mining,Financial Engineering and Intelligent Agents, 2000
V. Guralnik and J. Srivastava, 'Event Detection from Time Series Data,' Proc. of the fifth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp.33-42, 1999
C. P. Papageorgiou, 'High frequency time series analysis and prediction using Markov models,' Proc. of IEEE/IAFE Conference on Computational Intelligence Financial Engineering, pp.182-185, 1997
C. L. Giles, S. Lawrence and A. C. Tsoi, 'Noisy time series prediction using a recurrent neural network and grammatical inference,' Machine Learning, 44, pp.161-183, 2000
P. Tino, C. Schittenkopf and G. Dorffner, 'Volatility trading via temporal pattern recognition quantized financial time series,' Pattern Analysis and Applications, 2001
R. Quinlan, 'C4.5 : Programs for Machine Learning,' Morgan Kaufmann, 1992

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증