[논문]시계열 네트워크에 기반한 주가예측

박강희; 신현정

시계열 네트워크에 기반한 주가예측
Stock Price Prediction Based on Time Series Network 원문보기

經營科學 = Korean management science review, v.28 no.1, 2011년, pp.53 - 60

박강희 (아주대학교 산업공학과) , 신현정 (아주대학교 산업정보시스템학부)

Abstract ▼ AI-Helper

Time series analysis methods have been traditionally used in stock price prediction. However, most of the existing methods represent some methodological limitations in reflecting influence from external factors that affect the fluctuation of stock prices, such as oil prices, exchange rates, money interest rates, and the stock price indexes of other countries. To overcome the limitations, we propose a network based method incorporating the relations between the individual company stock prices and the external factors by using a graph-based semi-supervised learning algorithm. For verifying the significance of the proposed method, it was applied to the prediction problems of company stock prices listed in the KOSPI from January 2007 to August 2008.

주제어

AI 본문요약
AI-Helper

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

문제 정의

주가예측모델은 정확도와 함께 실제 투자 시 수익률이 안정적으로 보장되어야 한다. 따라서 제안한 모델의 수익분석 결과를 제시한다. 다음의 <표 3>은 제안된 모델이 실제로 트레이딩이 되었을 때 수익률을 비교한 테이블이다.
본 논문에서는 시계열 데이터를 SSL에 접목시켜 여러 경제지표들의 상호 연관성 및 다차원적인 인과관계를 고려하여 주가를 예측하는 모델을 제안한다. 제안한 모델은 2007년 1월부터 2008년 8월의 KOSPI에 상장되어 있는 개별회사 주가예측에 적용, 검증되었다.
또한 이러한 일련의 과정 끝에 변동된 주가가 다시 이들 외부요인에 어떻게 다시 영향을 주는지에 대한 관계를 조명하기도 어렵다. 이러한 한계점을 극복하기 위해 본 논문에서는 최근 기계학습분야에서 주목 받고 있는 semi-supervised learning (SSL)을 주가 예측에 적용하는 방법론을 제안하고자 한다[11. 17].

가설 설정

[9]은 중국 주식시장에 Skewed-GED Distribution를 이용한 GARCH 모델을 사용하여 주가 예측을 제시하였다[1, 5, 9]. 이 방법들은 과거의 주가 변동성을 기초로 한 시계열 분석방법으로 예측을 한 것이기 때문에 미래의 주가가 과거와 유사하게 변동할 것이라는 가정을 토대로 한다. 자연현상으로부터 얻는 태양의 흑점 수, 강우량, 기온 등과 같은 시계열 데이터는 이러한 가정을 잘 따르므로 전통 시계열 분석방법으로 좋은 결과를 얻을 수 있다.

제안 방법

2007년 1월부터 2007년 5월까지의 79개의 일별 데이터를 학습데이터셋(training set)으로 설정하였고 과 같이 rolling-base forecasting 방법을 이용하여 모델을 만들었다.
동일기간에 대하여 다양한 변수들이 고려되었다. 개별회사들에서는 종가(시작가, 고가, 저가 포함), 거래량, 거래대금, PER, 배당수익률, 자본금, 상장주식수의 변수들을 선정하였고 국가들의 종합 주가지수와 경제지표에서는 종가(시작가, 고가, 저가 포함), 거래량을 선정하였다. <표 2>에서는 본 연구에서 사용한 변수들을 보여준다.
첫째, 시계열 데이터는 잡음(oscillatory noise)을 포함하므로 이를 줄이고 추세 및 구조적 변동요인을 얻기 위하여 기술적 지표(technical indicators, TI)를 이용한다. 둘째, 기술적 지표로 변환된 변수들의 상호연관성을 그래프로 표현하고, semi-supervised learning(SSL)을 이용하여 주가 예측모델을 만든다. <그림 1>은 위 절차를 간략하게 나타낸다.
문제는, 이들 간의 유사도를 두 시계열 데이터들로부터 직접적으로 도출하기가 어렵다는데 있다. 따라서 각 시계열 데이터들을 구조상의 요인들 즉 추세, 변동 요인들로 변환하고 이로부터 두 노드, DOW와 SK-Telecom 간의 유사도를 측정한다. 다음 <표 1>은 본 연구에서 시계열 데이터를 7가지 TI 타입 데이터로 변환시키는데 사용한 기술적 지표들을 정리한 것이다.
본 연구는 시계열 데이터를 벡터 타입의 데이터로 변형 시킨 후 데이터마이닝(data mining) 및 기계학습(machine learning)분야에서 최신 알고리즘으로 알려지기 시작한 semi-supervised learning을 이용하여 Kospi에 등록된 개별회사주가를 예측하는 방법을 제안하였다[10]. 본 연구에서 제안하는 방법은 다음과 같은 이점이 있다.
비교모델로 사용된 ANN, SVM 모델들 각각에 대하여도 유사한 방법으로 최적의 학습파라미터를 설정하였다.
실험에서는 본 연구에서 제안한 SSL 모델을 인공신경망(artificial neural network, ANN), RBF커널함수를 사용한 SVM(support vector machine, SVM__RBF)모델들과 비교하였다. 각 모델들의 예측 정확도는 ROC 커브의 면적인 AUC(area under the ROC curve) 의 값으로 나타낸다[14].
주식가격 예측 모델은 국내 주식시장, 타국가의 주식시장 및 경제지표들을 고려하고 그에 따라 주가의 개별등락 및 주식시장의 종합적인 현황을 파악한 정보가 포함되어야 한다. 이에 본 논문에서는 주가예측에 주로 이용하는 KOSPI에 상장되어 있는 회사들의 주가 및 주가관련정보(자본금, PER 등)와 환율(원/달러), 금리, 유가(West Texas Intermediate 원유가격, WTI), 타국가들의 주가종합지수 등을 이용하여 모델을 설계하였다. 제안하는 모델은 다음과 같은 절차를 따른다.

대상 데이터

2007년 1월부터 2007년 5월까지의 79개의 일별 데이터를 학습데이터셋(training set)으로 설정하였고 <그림 4>과 같이 rolling-base forecasting 방법을 이용하여 모델을 만들었다. 2007년 6월부터 2008년 8월까지의 300개의 일별 데이터를 실험데이터셋(test set)으로 정하고, 이 기간에 대해 예측을 시도하였다(총 403개의 시점으로부터 기술적 지표생성에 필요한 24개의 시점이 제외되었으므로 총 379개의 벡터화된 데이터를 얻음). 기술적 지표의 파라미터는 가장 많이 사용되고 있는 5일(MA5, BIAS5, RSI5 등)로 설정하였다.
본 실험에서 사용한 데이터는 Kospi에 상장된 개별 회사주가지수 일별 가격을 예측하기 위해서 국가들의 종합주가지수, 경제지표, Kospi에 상장된 개별 회사주가지수 총 216개 종류에 대한 시계열 데이터가 사용되었다. 기간은 2007년 1월부터 2008년 8월까지 총 403개의 일별 주가데이터로 이루어져 있다.
2007년 6월부터 2008년 8월까지의 300개의 일별 데이터를 실험데이터셋(test set)으로 정하고, 이 기간에 대해 예측을 시도하였다(총 403개의 시점으로부터 기술적 지표생성에 필요한 24개의 시점이 제외되었으므로 총 379개의 벡터화된 데이터를 얻음). 기술적 지표의 파라미터는 가장 많이 사용되고 있는 5일(MA5, BIAS5, RSI5 등)로 설정하였다. t시점을 예측하기 위해서 SSL의 유사행렬 W는 t-1시점에서 계산되었다.
본 실험에서 사용한 데이터는 Kospi에 상장된 개별 회사주가지수 일별 가격을 예측하기 위해서 국가들의 종합주가지수, 경제지표, Kospi에 상장된 개별 회사주가지수 총 216개 종류에 대한 시계열 데이터가 사용되었다. 기간은 2007년 1월부터 2008년 8월까지 총 403개의 일별 주가데이터로 이루어져 있다.
본 논문에서는 시계열 데이터를 SSL에 접목시켜 여러 경제지표들의 상호 연관성 및 다차원적인 인과관계를 고려하여 주가를 예측하는 모델을 제안한다. 제안한 모델은 2007년 1월부터 2008년 8월의 KOSPI에 상장되어 있는 개별회사 주가예측에 적용, 검증되었다.
매수와 매도의 방법은 <그림 6>과 같이 기본적인 이동평균 기법을 따라 실제가격이 5일 이동평균보다 상승으로 예측될 때 매수하고, 5일 이동평균보다 하락으로 예측될 때 매도를 하였다. 종목은 Kospi의 대표종목 중 하나인 현대자동차를 선정하였고 기간은 테스트 셋의 기간인 2007년 6월부터 2008년 8월까지 300개의 일별 종가 데이터를 사용하였다.
그래프 기반 semi-supervised learning에서는 그래프를 이용하여 유사도가 높은 데이터들을 클러스터링 하고 이를 토대로 레이블이 없는 데이터의 레이블을 예측한다[16]. 즉, 전체 주가 및 경제지표 n(n = l+u)개 중에서 l개의 레이블이 있는 데이터 {(X₁, Y₁), ...,(X₁, Y₁)}와 u개의 레이블이 정해지지 않은 데이터를 사용한다. 데이터는 그래프의 노드로 표현되고, 각 노드들은 주가 및 외부요인들 즉 환율, 금리, 유가 등의 경제지표들을 의미한다.

데이터처리

제안된 SSL 모델은 SVM, ANN 모델과 시작시 점에 매수 후 매매 없이 유지한 방법(Buy and Hold) 과 수익률을 비교하였다.

성능/효과

SVM과 ANN은 각각 0.58과 0.51의 AUC를 보여 제안한 SSL 모델의 0.72 AUC에 크게 못 미침을 알 수 있다. 본 연구에서 제시한 SSL 모델이 ANN과 SVM의 예측력보다 뛰어난 이유는 SSL의 경우 식 (2)에 의해 독립변수와 종속변수의 일차적 상관성뿐만 아니라 독립변수들간의 영향, 종속변수들간의 영향까지 고려할 수 있는데 반면 ANN과 SVM은 독립변수와 종속변수간의 관계를 일차적 상관성만을 고려하여 예측을 하기 때문에 독립변수들 간의 영향, 종속변수들간의 영향을 고려하는데 한계가 있어 예측률이 상대적으로 떨어진다고 해석된다.
각 모델들은 테스트 기간 중 실제가격과 5일 이동평균선이 각각 27회, 28회, 30회씩 교차하는 것으로 나타났다. 매매수수료는 온라인 최저수수료를 가정 하에 매매(매수/매도) 결과 동일기간에 SSL 모델은 +10.
기술적으로는 특히 SSL을 사용함으로써 독립변수가 종속변수에 미치는 영향뿐만 아니라 독립변수 간의 상호영향도 모델링에 포함되게 하여 예측력을 향상시킬 수 있다. 둘째, 시계열 데이터를 기술적 지표화함으로써 시계열 데이터의 잡음을 제거하고 동시에 저변에 존재하는 추세 및 구조적 변동요인을 반영하게 할 수 있다. 본 연구에서는 위의 두 가지 기법들이 조합된 시너지 효과로서 AUC 0.
각 모델들은 테스트 기간 중 실제가격과 5일 이동평균선이 각각 27회, 28회, 30회씩 교차하는 것으로 나타났다. 매매수수료는 온라인 최저수수료를 가정 하에 매매(매수/매도) 결과 동일기간에 SSL 모델은 +10.83%의 수익률, SVM 모델은 -15.81%, ANN 모델은 -5.02%, Buy and Hold는 +6.06% 수익률을 나타내었다. 실험 결과에서 보듯이 독립변수들의 내재적 상호 관계까지 고려할 수 있는 SSL모델기법이 다른 모델들에 비해 정확도와 수익성에서 향상된 성능을 보임을 알 수 있다.
둘째, 시계열 데이터를 기술적 지표화함으로써 시계열 데이터의 잡음을 제거하고 동시에 저변에 존재하는 추세 및 구조적 변동요인을 반영하게 할 수 있다. 본 연구에서는 위의 두 가지 기법들이 조합된 시너지 효과로서 AUC 0.72의 정확도와 다른 모델보다 상대적으로 뛰어난 수익성을 도출하였다. 현재 제안된 연구는 기본적인 투자방법인 Buy & Hold and Sell의 방법을 이용하여 수익성을 비교하였지만 좀 더 다양한 투자방법을 도입한다면 수익성을 더 높일 수 있을 것이다.
06% 수익률을 나타내었다. 실험 결과에서 보듯이 독립변수들의 내재적 상호 관계까지 고려할 수 있는 SSL모델기법이 다른 모델들에 비해 정확도와 수익성에서 향상된 성능을 보임을 알 수 있다.
본 연구에서 제안하는 방법은 다음과 같은 이점이 있다. 첫째, 기존의 모델들처럼 개별회사주가의 시계열적 특성만을 고려하여 예측하는 방법이 아닌 주가의 등락에 변동을 미치는 타기업의 등락 및 경제지표를 네트워크를 이용하여 예측을 가능하게 함으로써 보다 정확한 주가예측을 가능하게 하였다. 기술적으로는 특히 SSL을 사용함으로써 독립변수가 종속변수에 미치는 영향뿐만 아니라 독립변수 간의 상호영향도 모델링에 포함되게 하여 예측력을 향상시킬 수 있다.

후속연구

현재 제안된 연구는 기본적인 투자방법인 Buy & Hold and Sell의 방법을 이용하여 수익성을 비교하였지만 좀 더 다양한 투자방법을 도입한다면 수익성을 더 높일 수 있을 것이다. 또한 본 연구에서 제안된 모델을 여러 종목을 이용한 최적 포트폴리오 구성방법과 연관시킨다면 안정성과 수익성을 동시에 높일 수 있으리라 기대된다.
72의 정확도와 다른 모델보다 상대적으로 뛰어난 수익성을 도출하였다. 현재 제안된 연구는 기본적인 투자방법인 Buy & Hold and Sell의 방법을 이용하여 수익성을 비교하였지만 좀 더 다양한 투자방법을 도입한다면 수익성을 더 높일 수 있을 것이다. 또한 본 연구에서 제안된 모델을 여러 종목을 이용한 최적 포트폴리오 구성방법과 연관시킨다면 안정성과 수익성을 동시에 높일 수 있으리라 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	주가 지수의 등락은 무엇에 영향을 미치는가?	주가지수는 기업내부의 영향뿐만 아니라 외부영향 즉, 타기업들의 영향, 국제유가, 환율, 금리, 타국가 들의 주가지수 및 경제상황에 상호연관성을 가지므로 이들의 등락에 민감하게 영향을 받는다. 주가 지수의 등락은 정부 및 기업 정책 등 경제 전반에 중대한 영향을 미치므로, 다양한 분석 모델들을 이용하여 보다 정확하게 주가지수 예측을 하고자 하는 노력들이 지속적으로 이루어져 왔다.
	주가 데이터를 전통적 시계열 분석기법들을 이용해 분석한 예시는?	주가 데이터는 변동성을 가진 시계열 데이터 특성을 가지므로 전통적 시계열 분석기법들이 주된 도구로 사용되어 왔다. 예를 들어 Jeantheau[5]는 ARCH model을 사용하여 주가를 예측하였고 Amilon1[1]와 Liu et al.[9]은 중국 주식시장에 Skewed-GED Distribution를 이용한 GARCH 모델을 사용하여 주가 예측을 제시하였다[1, 5, 9]. 이 방법들은 과거의 주가 변동성을 기초로 한 시계열 분석방법으로 예측을 한 것이기 때문에 미래의 주가가 과거와 유사하게 변동할 것이라는 가정을 토대로 한다.
	주가지수는 무엇에 민감하게 영향을 받는가?	주가지수는 기업내부의 영향뿐만 아니라 외부영향 즉, 타기업들의 영향, 국제유가, 환율, 금리, 타국가 들의 주가지수 및 경제상황에 상호연관성을 가지므로 이들의 등락에 민감하게 영향을 받는다. 주가 지수의 등락은 정부 및 기업 정책 등 경제 전반에 중대한 영향을 미치므로, 다양한 분석 모델들을 이용하여 보다 정확하게 주가지수 예측을 하고자 하는 노력들이 지속적으로 이루어져 왔다.

참고문헌 (17)

Amilon, H., "GARCH estimation and discrete stock prices : an application to low-priced Australian stocks," economics letters, Vol.81 (2003), pp.215-222.

상세보기
Bekiros, S.D. and D.A. Georgoutsos, "Direction-of-Change Forecasting Using a Volatility- Based Recurrent Neural Network," Journal of Forecasting, Vol.27(2008), pp.407-417.

상세보기
Belkin, M., I. Matveeva, and P. Niyogi, "Regression and Regularization on Large," In : Shawe-Taylor, J., Singer, Y. (eds.) COLT 2004, LNCS (LNAI), Vol.3120(2003), pp.624-638.
Chen, N.-F., R. Roll, and S.A. Ross, "Economic Forces and the Stock Market," Journal of Business, Vol.59(1986), pp.383-403.
Jeantheau, T., "A link between complete models with stochastic volatility and ARCH models," Finance Stochastics, Vol.8(2004), pp. 111-131.
Kanas, A., "Non-linear Forecasts of Stock Returns," Journal of Forecasting, Vol.22(2003), pp.299-315.

상세보기
Kim, K.-J., "Artificial neural networks with evolutionary instance selection for financial forecasting," Expert Systems with Applications, Vol.30(2006), pp.519-526.

상세보기
Kim, K.-J., "Financial time series forecasting using support vector machines," NEUROCOMPUTING, Vol.55(2003), pp.307-319.

상세보기
Liu, H.C., Y.H. Lee, and M.C. Lee, "Forecasting China Stock Markets Volatility via GARCH Models Under Skewed-GED Distribution," Journal of Money, Investment and Banking, (2009), pp.5-15.
Park, K. and H. Shin, "Stock Price Forecasting using Semi-Supervised Learning," in KORMS 2010 Fall Conference, Seoul National University, (2010), pp.110-116.
Shin, H., N.J. Hill, A.M. Lisewski, and J.-S. Park, "Graph Sharpening," Expert Systems with Applications, Vol.37(2010), pp.7870-7879.

상세보기
Shin, H., T. Hou, and K. Park, "Oil Price Prediction From Influence Propagation," in Proc. of Annual Meeting of Institute for Operations Research and the Management Sciences(INFORMS 2009), San Diego, USA, (2009), p.59.
Tay, F.E.H. and L. Cao, "Application of support vector machines in financial time series forecasting," The International Journal of Management Science, Vol.29(2001), pp.309-317.
Vuk, M. and T. Curk, "ROC Curve, Lift Chart and Calibration Plot," Metodoloski zvezki, Vol.3(2006), pp.89-108.
Yang, B., L.X. Li, H. Ji, and J. Xu, "An early warning system for loan risk assessment using artificial neural network," Knowledge- Based Systems, Vol.14(2001), pp.303-306.
Zhou, D., O. Bousquet, T.N. Lal, J. Weston, and B. Scholkopf, "Learning with local and global consistency," Advances in Neural Information Processing Systems, Vol.16(2004), pp.321-328.
Zhu, X., "Semi-Supervised Learning with Graphs," Ph.D. dissertation, Carnegie Mellon University, 2005.

저자의 다른 논문 :

LOADING...

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