$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

Support Vector Machines와 유전자 알고리즘을 이용한 지능형 트레이딩 시스템 개발
Development of an Intelligent Trading System Using Support Vector Machines and Genetic Algorithms 원문보기

지능정보연구 = Journal of intelligence and information systems, v.16 no.1, 2010년, pp.71 - 92  

김선웅 (국민대학교 BIT전문대학원) ,  안현철 (국민대학교 경영대학 경영정보학부)

초록
AI-Helper 아이콘AI-Helper

최근 트레이딩 시스템에 대한 관심이 높아지면서, 인공지능을 이용한 지능형 트레이딩 시스템의 개발과 관련한 연구들이 활발하게 이루어지고 있다. 그러나 현재까지 소개된 트레이딩 시스템 관련 연구들은 트레이딩에 적용될 수 있는 다양한 변수들이 실무에서 활용되고 있음에도 불구하고, 주가지수에서 파생된 기술적 지표에만 과도하게 의존하는 경향이 있었다. 또한, 실제 수익창출에 초점이 맞추어진 트레이딩 시스템의 모형보다는 주가 혹은 주가지수의 등락에 대한 정확한 예측에 초점을 맞춰 모형을 개발하려고 하는 한계도 존재했다. 이에 본 연구에서는 기존 연구에서 주로 활용되어 온 기술적 지표 외에 현업에서 유용하게 활용되는 다양한 비가격 변수들을 시스템에 반영함으로서 예측 성과의 개선을 도모하는 동시에, Support Vector Machines 기반의 등락예측모형의 결과를 트레이딩 시스템의 매수, 매도, 혹은 유지의 신호로 해석할 수 있도록 설계된 새로운 형태의 지능형 트레이딩 시스템을 제안한다. 제안시스템의 유용성을 검증하기 위해, 본 연구에서는 2004년 5월부터 2009년 12월까지의 KOSPI200 주가지수에 제안모형을 적용하여 그 성과를 살펴보았다. 그 결과, 제안시스템이 수익률 관점에서 다른 비교모형들에 비해 더 우수한 성과를 도출함을 확인할 수 있었다.

Abstract AI-Helper 아이콘AI-Helper

As the use of trading systems increases recently, many researchers are interested in developing intelligent trading systems using artificial intelligence techniques. However, most prior studies on trading systems have common limitations. First, they just adopted several technical indicators based on...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • , 1999; Sollich, 2002; 홍태호와 신택수, 2005). 본 연구 역시 예측 정확도가 높은 SVM을 트레이딩 시스템에 적용하고자 하였는데, 이를 위해서는 각 집단의 추정 소속확률을 제공할 수 있는 변형된 SVM의 적용이 요구되었다. 이를 위해 본 연구에서는 Platt et al.
  • 또한 최적의 이중 임계치를 결정하기 위한 방법으로는 유전자 알고리즘을 사용한다. 본 연구에서는 이러한 제안 시스템을 실제 KOSPI200 지수에 다른 비교모형들과 함께 적용함으로서, 모형의 유용성을 실증적으로 검증해 보고자 하였다.
  • 본 연구에서는 최근 금융분야에서 크게 주목받고 있는 트레이딩 시스템과 관련하여, SVM과 유전자 알고리즘을 결합한 새로운 형태의 지능형 트레이딩 시스템을 제안하였다. 본 연구의 제안 시스템은 다른 분류 모형들에 비해 효율적이면서도 예측 정확도가 높은 것으로 보고되고 있는 SVM을 기반으로, 유전자 알고리즘에 의해 최적화 된 이중 임계치를 통해 매수, 매도 혹은 보류와 같은 매매 의사결정을 스스로 내릴 수 있도록 설계되었다.
  • 본 장에서는 우선 트레이딩 시스템과 관련한 기존 문헌들을 고찰해 보고, 본 연구에서 사용될 2가지 핵심 기법인 Support Vector Machines와 유전자 알고리즘에 대해 살펴보도록 한다.
  • 그런데 앞서 소개한 단일 임계치와 마찬가지로, 이중 임계치 역시 설계자가 직관에 의해 임의로 값을 설정해야 하는 어려움이 있다. 이러한 문제를 해결하기 위해, 본 연구에서는 유전자 알고리즘을 이용해 이중 임계치 값을 최적화하고자 한다. 아래의 <그림 4>는 본 연구의 제안 시스템에서 활용된 염색체의 구조를 나타내고 있다.
  • 이를 위해서는 주가예측의 성과기준이 투자 수익률이 되어야 하며, 투자에 따른 자금관리에 적합한 누적 투자수익률을 목적함수로 사용해야 한다. 이러한 배경에서 본 연구는 투자수익률을 극대화시킬 수 있는 새로운 지능형 시스템을 제안하는데, 이를 위해 이중 임계치 기법을 도입하고자 한다(이재식 외, 2000; 안현철과 이형용, 2009). 이 기법을 적용하게 되면, 예측 값이 확실하지 않을 경우 보유(hold) 의사결정을 내릴 수 있도록 이중 임계치를 설정하여 강력한 매수(buy) 또는 매도(sell) 신호만 활용하여 매매하는 것이 가능해 진다.
  • 이에 본 연구에서는 기존 연구에서 사용되어 온 가격 기반 기술적 지표 외에 주가에 영향을 미치는 다양한 비가격 변수(non-price variables)를 추가하여 트레이딩 시스템의 투자성과를 높이고자 한다. 가격 기반 기술적 지표는 오래 전부터 시장 참여자들 사이에 많이 알려지고 실제 투자에 활용되면서, 이를 활용한 최근의 투자성과는 많이 줄어들고 있는 추세다(Sullivan et al.
  • 이에 본 연구에서는 이러한 기존 연구의 한계점을 극복할 수 있는 대안으로 새로운 개념의 지능형 트레이딩 시스템의 모형을 제안하고자 한다. 제안 시스템은 크게 3단계에 의해 구현되도록 설계되었는데, 제안시스템의 전체적인 진행체계는 다음의 <그림 2>와 같다.

가설 설정

  • 하지만 본 연구는 여러 한계점도 함께 내포하고 있다. 우선 실제 매매에서는 거래비용이 발생함에도 불구하고, 본 연구에서는 거래비용이 없다고 가정하고 실험을 수행하고 있다는 점을 들 수 있다. 물론 거래비용에 대한 추정의 어려움은 있겠지만, 향후 연구에서는 직/간접적인 거래비용까지 반영해서 제안 시스템의 성능을 보다 정밀하게 측정하는 노력이 수반되어야 할 것이다.
  • 효율적 시장가설(Efficient Market Hypothesis, EMH)은 주가가 다양한 정보를 즉각적으로 반영하여 움직이기 때문에 랜덤워크(random walk)에 따라 움직인다고 가정하고 있다. 이 경우 과거의 주가자료를 이용하여 내일의 주가를 예측하는 것은 불가능하기 때문에, 효율적 시장가설 하에서 기술적 분석이나 주가의 예측모형을 찾아내려는 노력은 무의미해진다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
Support Vector Machines은 무엇인가? Support Vector Machines(이하 SVM)은 1995년 러시아의 통계학자인 Vapnik이 처음 제안한 분류기법으로, 인공신경망과 마찬가지로 복잡한 비선형 관계를 갖는 이분류 문제를 해결하는데 적합한 분류 기법이다. 복잡한 분류문제에서 상당히 우수한 예측 정확도를 보인다는 점은 인공신경망과 동일하나, SVM은 상대적으로 여러 측면에서 장점을 갖고 있다.
주가예측을 위한 입력변수로 기본적 분석은 어떤 방법인가? 주가예측을 위한 입력변수로는 기본적 분석(fundamental analysis), 기술적 분석(technical analysis) 등이 주로 이용되고 있다. 전자는 기업의 부채비율, 배당률, PER(Price/Earnings Ratio), 경제성장율, 금리, 환율 등 주가에 영향을 미치는 경제변수를 입력변수로 이용하려는 접근방법이고 기술적 지표는 과거의 주가나 거래량 자료를 이용하여 변환과정을 거쳐 이동평균(moving average), 스토캐스틱(stochastic), MACD(Moving Average Convergence and Divergence), 모멘텀(momentum) 등으로 변환된 지표이다. 기본적 분석은 주가를 결정하는 본질적 정보를 이용하는 분석방법이나 경제변수들은 주가에 장기적 영향을 미치고 있기 때문에 단기적 거래를 지향하는 트레이딩 시스템에서는 활용하기에 어려움이 있다.
트레이딩 시스템의 장점은 무엇인가? 구체적으로는 과거의 주가자료를 분석해 최적의 수익을 제공하는 포지션 진입규칙(position entry rule)과 청산규칙(position exit rule)을 말한다. 트레이딩 시스템은 전통적 매매방법에 비해 계량화(quantifiablity), 검증성(verifiability), 객관성(objectivity), 일관성(consistency), 자동화(automation)의 장점을 가지고 있기 때문에 실제 투자에서도 중요도가 점점 커지고 있다.
질의응답 정보가 도움이 되었나요?

참고문헌 (38)

  1. 안현철, 김경재, 한인구, "효과적인 고객관계관리를 위한 사례기반추론 동시 최적화 모형", 한국지능정보시스템학회논문지, 11권 2호(2005a), 175-195. 

  2. 안현철, 김경재, 한인구, "Support Vector Machine을 이용한 고객구매예측모형", 한국지능정보시스템학회논문지, 11권 3호(2005b), 69-82. 

  3. 안현철, 이형용, "투자의사결정 지원을 위한 유전자 알고리즘 기반의 다중인공지능기법 결합 모형", e-비즈니스 연구, 10권 1호(2009), 267-288. 

  4. 안현철, 이형용, 김경재, "효과적인 투자의사결정 지원을 위한 인공지능 결합모형 : KOSPI200 지수에의 응용", 2009 한국BI데이터마이닝학회 춘계학술대회, 407-415, 2009. 

  5. 옥중경, 김경재, "유전자 알고리즘 기반의 기업부실예측 통합모형", 지능정보연구, 15권 4호(2009), 97-118. 

  6. 이재식, 송영균, 허성회, "인공신경망 앙상블을 이용한 옵션 투자예측 시스템", 한국지능정보시스템학회 2000년 학술대회 2권, 489-497, 2000. 

  7. 이형용, "한국 주가지수 등락 예측을 위한 유전자 알고리즘 기반 인공지능 예측기법 결합모형", Entrue Journal of Information Technology, 7권 2호(2008), 33-43. 

  8. 홍승현, 신경식, "유전자알고리즘을 활용한 인공신경망모형 최적입력변수의 선정 : 부도예측모형을 중심", 한국지능정보시스템학회논문지, 9권 1호(2003), 227-247. 

  9. 홍태호, 신택수, "Using Estimated Probability from Support Vector Machines for Credit Rating in IT Industry", 한국지능정보시스템학회-웹코리아포럼 2005 공동추계정기학술대회, 509-515, 2005. 

  10. Ahn, H., K. j. Kim and I. Han, "Determining the optimal number of cases to combine in an effective case based reasoning systemusing genetic algorithms", Proceedings of International Conference of Korea Intelligent Information Systems Society 2003 (ICKI-ISS2003), 178-184, 2003. 

  11. Ahn, H., C. Song, J. J. Ahn, H. Y. Lee, T. Y. Kim, and K. J. Oh, "Using Hybrid Data Mining Techniques for Facilitating Crossselling of a Mobile Telecom Market to Develop Customer Classification Model", The 43th Hawaii International Conference on System Sciences(HICSS-43), Hawaii, USA, 2010. 

  12. Alexander, S. S., "Price movements in speculative markets : trends or random walks", Industrial Management Review, Vol.2, No.2(1961), 7-26. 

  13. Atiya, A., N. Talaat and S. Shaheen, "An efficient stock market forecasting model using neural networks", Proceedings of the IEEE International Conference on Neural Networks, 2112-2115, 1997. 

  14. Atsalakis G. S. and K. P. Valavanis, "Surveying stock market forecasting techniques?Part II: Soft computing methods", Expert Systems with Applications, Vol.36, No.3(2009a), 5932-5941. 

  15. Atsalakis G. S. and K. P. Valavanis, "Forecasting stock market short term trends using a neuro fuzzy based methodology", Expert Systems with Applications, Vol.36, No.7(2009b), 10696-10707. 

  16. Bao, D. and Z.Yang, "Intelligent stock trading system by turning point confirming and probabilistic reasoning", Expert Systems with Applications, Vol.34, No.1(2008), 620-627. 

  17. Caporale, G. M. and U. N. Pittis, "Cointegration and predictability of asset prices", Journal of International Money and Finance, Vol.17, No.3(1998), 441-453. 

  18. Chang, C.-C. and C.-J. Lin, LIBSVM : a library for support vector machines, 2001. Software available at http://www.csie.ntu.edu.tw/~cjlin/libsvm. 

  19. Chavarnakul T. and D. Enke, "A hybrid stock trading system for intelligent technical analysis based equivolume charting", Neurocomputing, Vol.72, No.16-18(2009), 3517-3528. 

  20. Casas C. A., "Tactical asset allocation : An artificial neural network based model", Proceedings of the International Joint Conference on Neural Networks, 1811-1816, 2001. 

  21. Elton, E. J. and M. J. Gruber, Modern Portfolio Theory and Investment Analysis, Wiley, 1984. 

  22. Fama, E. F., "The Behavior of Stock Market Prices", Journal of Business, Vol. XXXVIII(1965), 34-105. 

  23. Granger C., "Some Properties of Time Series Data and Their Use in Econometric Model Specification", Journal of Econometrics, Vol.16, No.1(1981), 121-130. 

  24. Kim, K.-j., "Financial time series forecasting using support vector machines", Neurocomputing, Vol.55, No.1-2(2003), 307-319. 

  25. Kim, K. j. and I. Han, "Application of a hybrid genetic algorithm and neural network approach in activity based costing", Expert Systems with Applications, Vol.24, No.1 (2003), 73-77. 

  26. Kim, K.-j. and W. B. Lee, "Stock market prediction using artificial neural networks with optimal feature transformation", Neural Computing and Applications, Vol.13, No.3 (2004), 255-260. 

  27. McMillan, D. G., "Non-linear forecasting of stock returns: Does volume help?", International Journal of Forecasting, Vol.23, No.1(2007), 115-126. 

  28. McNelis, P. D., Neural Networks in Finance: Gaining the Predictive Edge in the Market, Elsevier Academic Press, 2005. 

  29. Nunez-Letamendia, L., "Fitting the control parameters of a genetic algorithm : An application to technical trading systems design", European Journal of Operational Research, Vol.179, No.3(2007), 847-868. 

  30. Olson, D. and C. Mossman, "Neural network forecasts of Canadian stock returns using accounting ratios", International Journal of Forecasting, Vol.19, No.3(2003), 453-465. 

  31. Platt, J., "Probabilistic outputs for support vector machines and comparison to regularized likelihood methods", In A. J. Smola, P.L. Bartlett, B. Scholkopf, and D. Schuurmans, editors, Advances in Large Margin Classifiers, Cambridge, MA, 2000. MIT Press. 

  32. Schulmeister, S., "Profitability of technical stock trading : Has it moved from daily to intraday data?", Review of Financial Economics, Vol.18, No.4(2009), 190-201. 

  33. Schwager, J. D., The New Market Wizards : Conversations with America's Top Traders, Harper Business, 1992. 

  34. Sollich, P., "Bayesian Methods for Support Vector Machines : Evidence and Predictive Class Probabilities", Machine Learning, Vol.46, No.1-3(2002), 21-52. 

  35. Sullivan R., Timmermann A., and H. White, "Data snooping, technical trading rule performance, and the bootstrap", The Journal of Finance, Vol.LIV(1999), 1647-1691. 

  36. Tay, F. E. J. and L. J. Cao, "Modified support vector machines in financial time series forecasting", Neurocomputing, Vol.48, No.1-4(2002), 847-861. 

  37. Vapnik, V., Statistical Learning Theory, Wiley, 1998. 

  38. Yudong, Z. and W. Lenan, "Stock market prediction of S&P 500 via combination of improved BCO approach and BP neural network", Expert Systems with Applications, Vol.36, No.5(2009), 8849-8854. 

저자의 다른 논문 :

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로