신경 회로망과 통계적 기법을 이용한 종합주가지수 예측 모형의 개발 Development of the KOSPI (Korea Composite Stock Price Index) forecast model using neural network and statistical methods)원문보기
주가지수는 경제 및 정치적 상황을 포함한 다양한 주변 환경에 영향을 받는 관계로 정확한 주가지수 예측모형의 개발은 매우 어려운 문제로 여겨지고 있다. 본 논문에서는, 신경회로망과 통계적인 방법을 이용하여 종합주가지수(KOSPI)를 예측하는 에이전트 시스템 기법을 제안한다. 예측오차의 평균 및 편차를 최소화하기 위해서, 에이전트시스템은 특징추출, 변수선정, 예측 엔진선정 및 분석을 위한 부(sub)에이전트 모듈들을 포함하고 있다. KOSPI(Korea Composite Stock Price Index) 예측을 위한 에이전트시스템 구현의 첫 번째 단계로서, 주성분분석을 이용하여 22개의 표준기본경제지표에서 12개의 경제지표를 추출하였다. 열두 개의 추출된 경제지표들은 예측하고자하는 예측일에 따라 최량부분적합법을 이용하여 다시 한 번 입력 변수들을 선정하게 된다. 성능평가를 위해 주가지수의 변동폭이 다른 두 종류의 실험데이터를 대상으로 예측을 진행한 결과 30일의 연속적인 종합주가지수예측에 있어 11.92포인트의 평균오차율을 보였다. 또한, 예측시점에 따라 관련이 높은 기본지표의 종류 및 개수가 다르게 나타나므로 제안한 주가예측 에이전트시스템 구조가 유용함을 보였다.
주가지수는 경제 및 정치적 상황을 포함한 다양한 주변 환경에 영향을 받는 관계로 정확한 주가지수 예측모형의 개발은 매우 어려운 문제로 여겨지고 있다. 본 논문에서는, 신경회로망과 통계적인 방법을 이용하여 종합주가지수(KOSPI)를 예측하는 에이전트 시스템 기법을 제안한다. 예측오차의 평균 및 편차를 최소화하기 위해서, 에이전트시스템은 특징추출, 변수선정, 예측 엔진선정 및 분석을 위한 부(sub)에이전트 모듈들을 포함하고 있다. KOSPI(Korea Composite Stock Price Index) 예측을 위한 에이전트시스템 구현의 첫 번째 단계로서, 주성분분석을 이용하여 22개의 표준기본경제지표에서 12개의 경제지표를 추출하였다. 열두 개의 추출된 경제지표들은 예측하고자하는 예측일에 따라 최량부분적합법을 이용하여 다시 한 번 입력 변수들을 선정하게 된다. 성능평가를 위해 주가지수의 변동폭이 다른 두 종류의 실험데이터를 대상으로 예측을 진행한 결과 30일의 연속적인 종합주가지수예측에 있어 11.92포인트의 평균오차율을 보였다. 또한, 예측시점에 따라 관련이 높은 기본지표의 종류 및 개수가 다르게 나타나므로 제안한 주가예측 에이전트시스템 구조가 유용함을 보였다.
Modeling of stock prices forecast has been considered as one of the most difficult problem to develop accurately since stock prices are highly correlated with various environmental conditions including economics and political situation. In this paper, we propose a agent system approach to predict Ko...
Modeling of stock prices forecast has been considered as one of the most difficult problem to develop accurately since stock prices are highly correlated with various environmental conditions including economics and political situation. In this paper, we propose a agent system approach to predict Korea Composite Stock Price Index (KOSPI) using neural network and statistical methods. To minimize mean of prediction error and variation of prediction error, agent system includes sub-agent modules for feature extraction, variables selection, forecast engine selection, and forecasting results analysis. As a first step to develop agent system for KOSPI forecasting, twelve economic indices are selected from twenty two basic standard economic indices using principal component analysis. From selected twelve economic indices, prediction model input variables are chosen again using best-subsets regression method. Two different types data are tested for KOSPI forecasting and the Prediction results showed 11.92 points of root mean squared error for consecutive thirty days of prediction. Also, it is shown that proposed agent system approach for KOSPI forecast is effective since required types and numbers of prediction variables are time-varying, so adaptable selection of modeling inputs and prediction engine are essential for reliable and accurate forecast model.
Modeling of stock prices forecast has been considered as one of the most difficult problem to develop accurately since stock prices are highly correlated with various environmental conditions including economics and political situation. In this paper, we propose a agent system approach to predict Korea Composite Stock Price Index (KOSPI) using neural network and statistical methods. To minimize mean of prediction error and variation of prediction error, agent system includes sub-agent modules for feature extraction, variables selection, forecast engine selection, and forecasting results analysis. As a first step to develop agent system for KOSPI forecasting, twelve economic indices are selected from twenty two basic standard economic indices using principal component analysis. From selected twelve economic indices, prediction model input variables are chosen again using best-subsets regression method. Two different types data are tested for KOSPI forecasting and the Prediction results showed 11.92 points of root mean squared error for consecutive thirty days of prediction. Also, it is shown that proposed agent system approach for KOSPI forecast is effective since required types and numbers of prediction variables are time-varying, so adaptable selection of modeling inputs and prediction engine are essential for reliable and accurate forecast model.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 신경 회로망과 회귀 분석을 같은 조건에서 예측 모델을 구현하였다. 표 4.
제안하는 에이전트시스템은 예측오차의 평균 및 산포의 최소화를 위하여 예측시점의 상황 및 요구에 따라 적절한 처리가 가능하도록 특징추출, 변수선정, 예측 엔진선정 및 분석을 위한 부(sub)에이전트 모듈들을 포함하고 있다. 본 논문에서는 예측방법에 있어 상하 패턴의 예측이 아닌 예측일의 종합주가수치를 예측하였다. 또한 종합주가지수에 대해 영향을 미치는 변수를 추출하기 위한 분석으로서 다변량 분석 중 하나인 주성분 분석과 최량 부분 적합을 식별하는 회귀분석 방법을 통하여 직접 가치 있는 변수들을 추정해 내는 방법을 이용하였다.
본 논문에서는 주성분 분석으로 추출된 12가지 변수 중 예측하고자하는 예측일과 종합주가지수의 낙폭에 따라 선택되어지는 변수와 변수개수를 확인하고 선택된 변수에 따른 주가 예측률을 확인하기 위해 표 3.과 같이 최량 부분 적합을 통하여 변수들을 선정하였다. 회귀 분석 방법 중 최량 부분 적합은 예측 변수에서 최적의 모형을 식별하는 방법으로 전체 변동 중 회귀 식에 의해 설명되는 변동이 높은 R-제곱 값과 적합치의 평균 제곱 오차와 관련이 있는 작은 Mallows C-p 통계치를 이용하여 추출하였다.
본 논문에서는, 신경회로망과 통계적인 방법을 이용하여 종합주가지수를 예측하는 에이전트 시스템 기법을 제안한다. 제안한 시스템은 예측오차의 평균 및 편차를 최소화하기 위해서, 22가지의 표준기 본경제지표로부터 12개의 경제지표를 추출하였고, 열두 개의 추출된 경제지표들은 에이전트 시스템의 변수선정모듈에서 예측하고자 하는 예측일의 특성에 따라 최량 부분 적합법을 이용하여 입력 변수들의 개수 및 형태를 재선정하게 된다.
가설 설정
따라서 표 1.과 같이 선별된 22가지 기본 지표 변수들 중 실제 종합주가지수에 가장 큰 영향을 주는 기본 지표 변수를 선별하기 위해 다양한 에이전트 시스템 중에서 주성분 분석이 선택되었을 경우를 가정하여 실험하였다. 주성분 분석으로 추출된 기본 경제 지표 변수는 총 12가지로서 표 2.
에 표시하였다“⑼ 예측을 위한 데이터 기간은 약 12개월로 일별 종합주가지수를 이용하였다 선택한 전체 자료 중 종합주가지수의 변동이 큰 기간 167일(X06년 10월 19일〜2007년 6월 10일) 과변동이 작은 기간 116일(2006년 10월 19일~2007년 4월 5일)로 각각 나누어 구성하였으며, 전체 자료의 70%를 학습을 위한 Training data로 사용하였고 나머지 30% 를 Test data로 구성하였다. 종합주가지수의 예측날짜는 현재 시점 t일로 부터 t+1 일과 t+3일로 정하였다. 표 1.
제안 방법
등을 사용할 수 있다. 그 중 다중 회귀분석은 2 개 이상의 예측변수와 1개의 반응변수와의 관계를 수학적으로 나타내는 것으로, 다중 회귀분석 예측 모델을 구현하기 위해서 입력 데이터와 출력 데이터는 신경 회로망을 이용한 예측 모델에서와 같이 전처리과정을 거치지 않고 실제 기본 지표 변수 값을 사용하였다. 데이터 구성은 신경 회로망을 이용한 주가예측 모델과 동일한 방법으로 변수그룹을 구성하여 총 12가지의 예측모델을 구현하였으며, 회귀 분석의 성능평가를 위해 RMSE 방법을 이용하였다.
데이터의 구성은 종합주가지수의 변동 폭이 큰 기간 (167일)과 변동 폭이 작은 기간(116일)의 두 그룹으로 구분하여 실험하였으며, 현재 시점 기준 t일로부터 다음날인 t+1 일과 3일 후인 t+3일을 구분하였다. 표 3.
본 논문에서는 예측방법에 있어 상하 패턴의 예측이 아닌 예측일의 종합주가수치를 예측하였다. 또한 종합주가지수에 대해 영향을 미치는 변수를 추출하기 위한 분석으로서 다변량 분석 중 하나인 주성분 분석과 최량 부분 적합을 식별하는 회귀분석 방법을 통하여 직접 가치 있는 변수들을 추정해 내는 방법을 이용하였다. 이렇게 종합주가지수에 미치는 영향이 변수들을 선별하여 신경 회로망과 다중 회귀분석을 이용하여 종합주가지수를 예측하고 비교분석 하였다.
있다. 신경회로망은 응용범위와 목적에 따라 다양한 종류를 가지고 있으나, 본 논문에서는 오류 역전파 신경회로망(feed forward error backpropagation neural network)을 이용하여 주가예측 모델을 구현하였다. 출력된 신호는 전달함수에 따라 다양한 형태로 신호를 출력하게 되는데 본 실험에서는 다양한 결과 값을 출력하기 위해서 sigmoid 전달함수를 사용하였으며, 신경 회로망의 학습에서는 입력 데이터와 목표 데이터를 폐구간 [0.
본 논문에서는 그림 1. 에 에이전트 시스템과 같이 경제 상황, 예측날짜, 주가지수의 낙폭 등에 따른 기본 지표 변수 선택과 선택된 기본 지표 변수로부터 추론되는 예측결과를 선택적으로 활용할 수 있는 주가예측 에이전트 시스템 구조를 제안한다. 제안하는 에이전트시스템은 예측오차의 평균 및 산포의 최소화를 위하여 예측시점의 상황 및 요구에 따라 적절한 처리가 가능하도록 특징추출, 변수선정, 예측 엔진선정 및 분석을 위한 부(sub)에이전트 모듈들을 포함하고 있다.
입력 데이터에는 주성분분석과 최량 부분 적합을 이용하여 종합주가지수에 크게 영향을 미친다고 판단되는 변수 그룹들을 선출하였다. 예측 방법은 종합주가지수의 변동이 큰 기간과 변동이 작은 기간 각각의 t+1 일과 t+3일, 총 4가지 경우에 대하여 각각 3가지씩의 변수그룹을 선출하여 총 12가지의 예측 모델을 구현하였다[표 3참조]. 그리고 예측 모델의 성능 평가를 위해서 본 논문에서는 식 Q) 과같이 RMSE(Root Mean Squared ErrorX 이용하였다.
9]사이의 실수로 정규화 하였다. 입력 데이터에는 주성분분석과 최량 부분 적합을 이용하여 종합주가지수에 크게 영향을 미친다고 판단되는 변수 그룹들을 선출하였다. 예측 방법은 종합주가지수의 변동이 큰 기간과 변동이 작은 기간 각각의 t+1 일과 t+3일, 총 4가지 경우에 대하여 각각 3가지씩의 변수그룹을 선출하여 총 12가지의 예측 모델을 구현하였다[표 3참조].
에 에이전트 시스템과 같이 경제 상황, 예측날짜, 주가지수의 낙폭 등에 따른 기본 지표 변수 선택과 선택된 기본 지표 변수로부터 추론되는 예측결과를 선택적으로 활용할 수 있는 주가예측 에이전트 시스템 구조를 제안한다. 제안하는 에이전트시스템은 예측오차의 평균 및 산포의 최소화를 위하여 예측시점의 상황 및 요구에 따라 적절한 처리가 가능하도록 특징추출, 변수선정, 예측 엔진선정 및 분석을 위한 부(sub)에이전트 모듈들을 포함하고 있다. 본 논문에서는 예측방법에 있어 상하 패턴의 예측이 아닌 예측일의 종합주가수치를 예측하였다.
제안한 시스템은 예측오차의 평균 및 편차를 최소화하기 위해서, 22가지의 표준기 본경제지표로부터 12개의 경제지표를 추출하였고, 열두 개의 추출된 경제지표들은 에이전트 시스템의 변수선정모듈에서 예측하고자 하는 예측일의 특성에 따라 최량 부분 적합법을 이용하여 입력 변수들의 개수 및 형태를 재선정하게 된다. 성능평가를 위해 주가지수의 변동폭이 다른 두 종류의 실험데이터를 대상으로 예측을 진행한 결과 30일의 연속적인 KOSPI 예측에 있어 11.
신경회로망은 응용범위와 목적에 따라 다양한 종류를 가지고 있으나, 본 논문에서는 오류 역전파 신경회로망(feed forward error backpropagation neural network)을 이용하여 주가예측 모델을 구현하였다. 출력된 신호는 전달함수에 따라 다양한 형태로 신호를 출력하게 되는데 본 실험에서는 다양한 결과 값을 출력하기 위해서 sigmoid 전달함수를 사용하였으며, 신경 회로망의 학습에서는 입력 데이터와 목표 데이터를 폐구간 [0.1, 0.9]사이의 실수로 정규화 하였다. 입력 데이터에는 주성분분석과 최량 부분 적합을 이용하여 종합주가지수에 크게 영향을 미친다고 판단되는 변수 그룹들을 선출하였다.
대상 데이터
본 논문에서는 선행연구들을 통하여 일반적으로 사용되는 종합주가지수에 영향을 끼치는 기본 지표 변수 22가지를 선택하여 표 1.에 표시하였다“⑼ 예측을 위한 데이터 기간은 약 12개월로 일별 종합주가지수를 이용하였다 선택한 전체 자료 중 종합주가지수의 변동이 큰 기간 167일(X06년 10월 19일〜2007년 6월 10일) 과변동이 작은 기간 116일(2006년 10월 19일~2007년 4월 5일)로 각각 나누어 구성하였으며, 전체 자료의 70%를 학습을 위한 Training data로 사용하였고 나머지 30% 를 Test data로 구성하였다. 종합주가지수의 예측날짜는 현재 시점 t일로 부터 t+1 일과 t+3일로 정하였다.
과 같이 선별된 22가지 기본 지표 변수들 중 실제 종합주가지수에 가장 큰 영향을 주는 기본 지표 변수를 선별하기 위해 다양한 에이전트 시스템 중에서 주성분 분석이 선택되었을 경우를 가정하여 실험하였다. 주성분 분석으로 추출된 기본 경제 지표 변수는 총 12가지로서 표 2.와 같으며, 추출된 기본 지표 변수를 이용하여 종합주가지수의 예측모델 자료로 사용하였다. 그림 2.
데이터처리
5. KOSPI forecasting results using regression.
예측 방법은 종합주가지수의 변동이 큰 기간과 변동이 작은 기간 각각의 t+1 일과 t+3일, 총 4가지 경우에 대하여 각각 3가지씩의 변수그룹을 선출하여 총 12가지의 예측 모델을 구현하였다[표 3참조]. 그리고 예측 모델의 성능 평가를 위해서 본 논문에서는 식 Q) 과같이 RMSE(Root Mean Squared ErrorX 이용하였다. 변수 N, 芯, Xg는 각각 데이터의 수, 목표 값, 측정값을 나타낸다.
그 중 다중 회귀분석은 2 개 이상의 예측변수와 1개의 반응변수와의 관계를 수학적으로 나타내는 것으로, 다중 회귀분석 예측 모델을 구현하기 위해서 입력 데이터와 출력 데이터는 신경 회로망을 이용한 예측 모델에서와 같이 전처리과정을 거치지 않고 실제 기본 지표 변수 값을 사용하였다. 데이터 구성은 신경 회로망을 이용한 주가예측 모델과 동일한 방법으로 변수그룹을 구성하여 총 12가지의 예측모델을 구현하였으며, 회귀 분석의 성능평가를 위해 RMSE 방법을 이용하였다.
또한 종합주가지수에 대해 영향을 미치는 변수를 추출하기 위한 분석으로서 다변량 분석 중 하나인 주성분 분석과 최량 부분 적합을 식별하는 회귀분석 방법을 통하여 직접 가치 있는 변수들을 추정해 내는 방법을 이용하였다. 이렇게 종합주가지수에 미치는 영향이 변수들을 선별하여 신경 회로망과 다중 회귀분석을 이용하여 종합주가지수를 예측하고 비교분석 하였다.
과 같이 최량 부분 적합을 통하여 변수들을 선정하였다. 회귀 분석 방법 중 최량 부분 적합은 예측 변수에서 최적의 모형을 식별하는 방법으로 전체 변동 중 회귀 식에 의해 설명되는 변동이 높은 R-제곱 값과 적합치의 평균 제곱 오차와 관련이 있는 작은 Mallows C-p 통계치를 이용하여 추출하였다.
성능/효과
는 종합주가지수의 변화폭이 큰 167일 중 t+1 일을 예측한 신경회로망 예측모델과 회귀분석을 이용한 예측모델의 Traiging결과 그래프이다. 두 예측 모델의 Training RMSE 값은 각각 14.61, 13.81 [point]로서 실제 종합주가지수 그래프와 동일한 경향을 갖으며 Training 된 것을 볼 수 있다. 또한 그림 4.
76[point]로 첫 번째,두 번째 선택된 지표 변수들을 이용한 예측한 결과들보다 작은 Test RMSE 값을 보였다. 반면, 종합주가지수의 변동 폭이 작은 기간 116일 중 t+1 일의 주가를 예측한 결과를 보면 세 번째로 선택된 8개의 변수(2, 3, 5, 6, 7, 10, 11, 12)에서 17.41[point] 로 가장 작은 Test RMSE 값을 보였으며, t+3일 예측 결과에서도 세 번째로 선택된 7가지 변수(3, 4, 5, 7, 10, 11, 12)에서 가장 작은 Test RMSE 값을 보였다.
상기 실험에서는 종합주가지수의 변동 폭이 다른 기간과 예측하고자하는 일수에 따라 기본 지표변수의 개수와 종류가 변하고 그에 따른 예측 결과도 다르게 나타나는 것을 알 수 있었다. 표 4.
제안한 시스템은 예측오차의 평균 및 편차를 최소화하기 위해서, 22가지의 표준기 본경제지표로부터 12개의 경제지표를 추출하였고, 열두 개의 추출된 경제지표들은 에이전트 시스템의 변수선정모듈에서 예측하고자 하는 예측일의 특성에 따라 최량 부분 적합법을 이용하여 입력 변수들의 개수 및 형태를 재선정하게 된다. 성능평가를 위해 주가지수의 변동폭이 다른 두 종류의 실험데이터를 대상으로 예측을 진행한 결과 30일의 연속적인 KOSPI 예측에 있어 11.92[point]의 평균 오차율을 보였다. 예측을 위한 엔진으로 회귀분석과 신경회로망을 적용한 결과 주가예측을 위한 시점 및 기간에 따라 그 성능이 달라짐을 알 수 있었다.
최근 시간이 지남에 따라 요소들 간의 구조적 불안 관계와 비선형적인 문제를 해결하기 위해 다양한 분석 방법이 제시되고 있다. 실례로 회귀분석과 VAR 분석을 이용하여 순 매각 비율로 주가지수 수익률 관계를 월별, 분기별, 일별로 분석하여 비슷한 예측률을 보인 연구⑵, 주가변동경향에 대한 확률적인 예측시스템을 구현한 연구⑶와 선형 회귀모형과 비선형 인공신경망 모형을 이용하는 방법을 비교분석하여 선형 회귀모형에 비해 신경망 모형의 예측 오차 분산이 감소됨을 보인 연구⑷도 진행되었다. 그러나 주가변동과 관련 높은 변수들의 선별을 위한 과정 없이 재무제표의 정보만을 이용하여 예측률이 만족스럽지는 못했다® 또한, 주식의 상한가시 잔량과 일일 거래량의 관계를 증명하기 위해 회귀분석을 통해 주가의 단기예측을 잔량비와 수익률 간의 유의적 상관관계가 있음을 증명한 연구回도 있었고, 최근에는 유전자 알고리즘(GA) 과 신경망을 결합하여 상장사의 주가를 예측하는 연구 回도 진행되었다.
92[point]의 평균 오차율을 보였다. 예측을 위한 엔진으로 회귀분석과 신경회로망을 적용한 결과 주가예측을 위한 시점 및 기간에 따라 그 성능이 달라짐을 알 수 있었다. 본 연구 결과는 경제 상황, 예측날짜, 주가지수의 낙폭 등에 따른 기본지표 변수 선택과 선택된 기본 지표 변수로부터 추론되는 예측결과를 선택적으로 활용하여 향후 보다 실질적인 주가예측 에이전트 시스템을 구성을 위한 기초가 될 것으로 기대한다.
앞에서 언급한 바와 같이 예측모형의 지속적인 신뢰성 확보를 위한 성능분석을 위해서는 예측오차의 산포 분석이 필요하다. 종합주가지수의 변동폭이 대체로 학습데이터와 유사한 부분에서의 분산은 회귀 분석과 신경회로망을 이용한 예측값에 대한 편차에 유의성이 없는 것으로 나타났다. 그러나 종합주가지수가 학습데이터보다 크게커진 부분에서는 (1700〜 1900[pointD에서는 회귀분석을 이용한 예측결과는 대체로 과대추정(over-estimate)되었고, 신경회로망을 이용한 경우에는 과소추정 (under-estimate)된 것으로 보인다.
는 회귀 분석을 이용한 예측 결과이다. 표 4.의 결과를 보면 종합주가지수의 변동 폭이 큰 167일 데이터기간에서의 t+1 일 예측 결과 중 최량 부분 적합으로 선택된 첫 번째 6개의 지표 변수가(1, 4, 7, 8, 9, 11) 다른 두 번째, 세 번째로 선택된 지표 변수들을 이용하여 예측한 결과들 보다 작은 Test RMSE 값을 보이는 것을 알 수 있었으며, 같은 데이터 기간 중 t+3일 예측 결과에서는 세 번째 선택된 지표변수 6개(3, 5, 7, 8, 10, 12)에서 38.76[point]로 첫 번째,두 번째 선택된 지표 변수들을 이용한 예측한 결과들보다 작은 Test RMSE 값을 보였다. 반면, 종합주가지수의 변동 폭이 작은 기간 116일 중 t+1 일의 주가를 예측한 결과를 보면 세 번째로 선택된 8개의 변수(2, 3, 5, 6, 7, 10, 11, 12)에서 17.
표 5.의 회귀 분석 방법을 이용한 종합주가지수 예측 결과를 보면 지수 낙폭이 큰 167일에서의 t+1 일, t+3일 모두 신경회로망을 이용한 예측결과와 동일한 변수에서 각각 12.84, 25.64[point] 로 가장 작은 Test RMSE 값을 보였으며, 지수 낙폭이 작은 116일에서도 신경회로망을 이용한 예측결과와 동일한 변수에서 각각 11.92, 19.38[point] 로 가장 작은 Test RMSE 값을 보였다.
후속연구
예측을 위한 엔진으로 회귀분석과 신경회로망을 적용한 결과 주가예측을 위한 시점 및 기간에 따라 그 성능이 달라짐을 알 수 있었다. 본 연구 결과는 경제 상황, 예측날짜, 주가지수의 낙폭 등에 따른 기본지표 변수 선택과 선택된 기본 지표 변수로부터 추론되는 예측결과를 선택적으로 활용하여 향후 보다 실질적인 주가예측 에이전트 시스템을 구성을 위한 기초가 될 것으로 기대한다.
참고문헌 (9)
이희춘, "KODEX200 주가 수익 예측에 대한 연구", 한국경영교육학회, 제37집, 345-358쪽, 2005. 2
오성민, 김성집, "주식의 상한가시 잔량과 일일거래량의 관계를 통한 주가의 단기예측에 관하여", 대한산업공학회 춘계공동학술대회 논문집, 457-460쪽, 2000
김성환, "유전자 알고리즘과 신경망을 이용한 주가패턴 예측 시스템", 중앙대학교 대학원 전기공학과 석사학위논문, 2003
김해균, "지식정보에 기초한 퍼지시스템을 이용한 주가지수예측", 부산대학교 대학원, 전기공학과 석사학위논문, 2001
WEI YANG, "stock price prediction vased on fuzzy logic", Proxeedings of the Sixth International Conference on Machine Learning and Cybernetics, Vol. 3, pp19-22, 2007. 8
강대훈, "판별분석, 인공신경망, SVM을 이용한 수익률 성능 비교 연구(KOSPI 지수)", 연세대학교 대학원 학위논문, 2004. 2
※ AI-Helper는 부적절한 답변을 할 수 있습니다.