$\require{mediawiki-texvc}$

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.

선물시장의 시스템트레이딩에서 동적시간와핑 알고리즘을 이용한 최적매매빈도의 탐색 및 거래전략의 개발
Finding the optimal frequency for trade and development of system trading strategies in futures market using dynamic time warping 원문보기

Journal of the Korean Data & Information Science Society = 한국데이터정보과학회지, v.22 no.2, 2011년, pp.255 - 267  

이석준 (연세대학교 정보산업공학과) ,  오경주 (연세대학교 정보산업공학과)

초록
AI-Helper 아이콘AI-Helper

국내 정치적 사회적 경제적 요인 및 국제 정치 상황, 해외 경제 동향 등의 요인들을 비롯한 IMF이후의 금융시장 개방에 따른 외국투자자본의 유출입으로 인하여 한국 금융시장의 불확실성은 더욱 증가되었다. 특히 투자자들은 의사결정에 더 많은 혼돈을 겪게 되었고 투자 시 도움을 줄 수 있는 보다 유용한 도구들을 필요로 하게 되었다. 본 연구는 시스템 트레이딩을 이용하여 선물시장에서 거래 할 때 최적의 매매 타이밍을 알아보고 이에 적합한 전략을 알아보는 것이 목적이다. 패턴인식 알고리즘인 동적 시간 와핑 (DTW; Dynamic Time Warping) 알고리즘을 이용하여 빈도별 (10분, 30분, 60분, 일 별) 유사 패턴을 찾아내고 최적의 매매 타이밍을 분석한다. 이를 위해 주식시장의 대표적인 패턴들을 알아보고, 유사한 패턴을 보이는 기간을 DTW를 이용하여 빈도별로 분석한다. 유사한 패턴들의 검증을 위해 기술적 지표들의 개별 전략을 적용한 거래 시뮬레이션을 실시한다. 시뮬레이션 결과 대부분 30분 데이터에 적용된 전략들이 높은 수익률을 가져왔다.

Abstract ▼ AI-Helper 아이콘AI-Helper

The aim of this study is to utilize system trading for making investment decisions and use technical analysis and Dynamic Time Warping (DTW) to determine similar patterns in the frequency of stock data and ascertain the optimal timing for trade. The study will examine some of the most common pattern...

주제어

#기술적 분석   #기술적 지표   #동적시간와핑 알고리즘   #선물시장  

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 인식된 유사한 패턴들에 대하여 기술적 지표들의 개별 전략을 적용한 거래 시뮬레이션을 실시하였다. 대표적인 패턴과 유사 패턴에 전략들을 적용했을 때 어떤 빈도에서 높은 수익률을 발생하는지 살펴보았다.
  • 선물시장의 예측 불가능한 변동성으로 인해 트레이더 같은 전문 투자자들은 인간으로써 한정된 능력을 가지고 있는 자신들에게 기술적으로 지원해 줄 수 있는 도구가 필요함을 느끼게 되었다 (Lee 등, 2010). 따라서 본 연구에서는 선물거래 시 기술적 분석에 주로 사용되는 패턴 분석을 수행 할 때 어떠한 빈도의 데이터가 유용한지를 분석하고자 한다. 실험에 사용된 데이터는 1996년 5월 3일부터 2010년 12월 30일까지 KOSPI 200 연결선물지수 (10분, 30분, 60분, 일별)이며, 그림 4.
  • 본 연구는 동적 패턴 인식 알고리즘을 사용하여 주가지수선물시장에서의 최적매매기회를 탐색하고 거래 전략을 개발하였다. 하지만 전 세계적으로 다양한 패턴을 가진 금융시장이 존재하고 있다.
  • 본 연구는 시스템 트레이딩을 이용하여 선물시장에서 거래 할 때 최적의 매매 타이밍을 알아보고 이에 적합한 전략이 무엇인가를 알아보는 것이 목적이다. 패턴인식 알고리즘인 동적시간와핑 (DTW; Dynamic Time Warping) 알고리즘을 이용하여 빈도별 (10분, 30분, 60분, 일별) 유사 패턴을 찾아내고 최적의 매매 타이밍을 알아보는 것이다.
  • 본 연구에서는 주식거래 시 고려되는 주가 데이터의 빈도에 따른 매매 기회 분석을 위해 주식시장을 대표하는 6개의 패턴들을 대상으로 빈도별 거래 시뮬레이션을 실시하였다. 그 결과 대부분의 패턴에서 30분 데이터를 사용했을 때 높은 수익률을 얻을 수 있다는 것을 알 수 있었다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
패턴 분석이란 어떤 방법인가? 기술적 분석을 이용하는 투자자들은 매매 타이밍을 결정하기 위하여 주가 차트를 분석하는 방법을 사용하며 (Deboeck, 1994), 이 방법을 패턴 분석이라고 한다. 과거 주가 차트에 나타나는 특정 모양들을 연구하여 현재 주가의 움직임을 맞추어 봄으로써 주가의 패턴을 예측하는 방법이다. 주가의 패턴 분석을 통한 주가 예측 시스템 개발을 위해 유사한 패턴을 찾는 방법으로 유클리디안 거리 (Euclidean distance)방법을 이용하거나 인공지능 (artificial intelligence)방법을 사용하였다 (Kim 등, 2002; Chung 등, 2004; Dong과 Zhou, 2002).
주식시장에서의 패턴이란 무엇인가? 주식시장 분석에 있어 투자자들은 주가의 패턴에 많은 관심을 가지고 있으며, 나아가 이를 중요한 요소로 생각하고 있다. 주식시장에서의 패턴이란 주가가 움직일 때 나타나는 일정한 형태를 말한다. 예를 들어 상승패턴, 하락패턴, 횡보패턴 등이 있다.
주가의 패턴 분석을 통한 주가 예측 시스템 개발을 위해 어떤 방법을 사용하였는가? 과거 주가 차트에 나타나는 특정 모양들을 연구하여 현재 주가의 움직임을 맞추어 봄으로써 주가의 패턴을 예측하는 방법이다. 주가의 패턴 분석을 통한 주가 예측 시스템 개발을 위해 유사한 패턴을 찾는 방법으로 유클리디안 거리 (Euclidean distance)방법을 이용하거나 인공지능 (artificial intelligence)방법을 사용하였다 (Kim 등, 2002; Chung 등, 2004; Dong과 Zhou, 2002). 동적 패턴 인식 알고리즘을 사용하여 유사한 패턴을 찾아내서 주식 매매전략에 적용할 수 있는 최적의 매매 타이밍에 관한 연구는 지금까지 이루어지지 않았다.
질의응답 정보가 도움이 되었나요?

참고문헌 (25)

  1. 박인찬, 권오진, 김태윤 (2009). 시계열 모형을 이용한 주가지수 방향성 예측. , 20, 991-998. 

    원문보기 상세보기

  2. 김경재 (1997). , 석사학위논문, 한국과학기술원, 서울. 

  3. 변종국 (1993). 주가지수선물의 성격과 이해. , 78, 26-48. 

  4. 변현우, 송치우, 한성권, 이태규, 오경주 (2009). 변동성 지수기반 유전자 알고리즘을 활용한 계층구조 포트폴리오 최적화에 관한 연구. , 20, 467-478. 

    원문보기 상세보기

  5. 신양규 (2009). 글로벌경제위기에서 콜금리와 환율의 인과관계에 관한 연구. , 20, 655-660. 

    원문보기 상세보기

  6. 장재건 (1996). , 진리탐구, 서울. 

  7. 한국선물학회 (2000). , 이론편, 금빛서원, 서울. 

  8. Achelis S. B. (1995). Technical analysis from A to Z, Probus Publishing, Chicago. 

  9. Aziz, A. M., Tummala, M. and Cristi, R. (1999). Fuzzy logic data correlation approach in multisensormultitarget tracking systems. Signal Processing, 76, 195-209. 

  10. Castellanos, J. A. and Tards, J. D. (1999). Mobile robot localization and map building: A multisensor fusion approach, Kluwer Academic Publishers, Boston. 

  11. Chung, F. L., Fu, T. C., Ng, V. and Robert, W. P. (2004). An evolutionary approach to pattern-based time series segmentation. IEEE Transactions on Evolutionary Computation, 8, 471-489. 

    상세보기

  12. Deboeck. G. (1994). Trading on the edge, John Wiley & Sons, Inc, Canada. 

  13. Dong, M. and Zhou, X. S. (2002). Eeploring the fuzzy nature of technical patterns of U.S stock market. ICONIP'02-SEAL'02-FSKD'02, Singapore, 18-22. 

  14. Gil, J. W. (2003). The Return generating process of corporate bonds based on credit ratings. Journal of Korean Data & Information, 14, 805-815. 

  15. Jouseau, E. and Dorizzi, B. (1999). Neural network and fuzzy data fusion: Application to an on-line and real-time vehicle detection system. Pattern Recognition Letters, 20, 97-107. 

    상세보기

  16. Keogh, E. J. and Pazzani, M. J. (1999). Scaling up dynamic time warping to massive dataset. '99 Proceedings of the Third European Conference on Principles of Data Mining and Knowledge Discovery. 

  17. Keogh, E. J. and Pazzani, M. J. (2001). Derivative dynamic time warping. First SIAM International Conference on Data Mining, Chicago, USA. 

  18. Kim, S. D., Lee, J. W., Lee, J. W. and Chae, J. S (2002). A two-phase stock trading system using distributional differences. Lecture Notes in Computer Science, 2453, 399-423. 

  19. Lee, S. J., Ahn, J. J., Oh, K. J. and Kim, T. Y. (2010). Using rough set to support investment strategies of real-time trading in futures market. Applied Intelligence, 32, 364-377. 

    상세보기

  20. Leigh, W., Modani, N. and Hightower, R. (2004). A computational implementation of stock charting: A brupt volume increase as signal for movement in New York stock exchange composite index. Decision Support Systems, 37, 515-530. 

    상세보기

  21. Leigh, W., Modani, N., Purvis, R. and Roberts, T. (2002). Stock market trading rule discovery using technical charting heuristics. Expert Systems with Applications, 23, 155-159. 

    상세보기

  22. Leigh, W., Purvis, R. and Ragusa, J. M. (2002). Forecasting the NYSE composite index with technical analysis, pattern recognizer, neural network, and genetic algorithm: A case study in romantic decision support. Decision Support Systems, 32, 161-174. 

  23. Lo, A. W., Mamaysky, H. M. and Wang, J. (2000). Foundations of technical analysis: Computational algorithms, statistical inference, and empirical implementation. Journal of Finance, 55, 1705-1770. 

    상세보기

  24. Morriss, S. B. (1994). Automated manufacturing systems - Actuators, controls, sensors and robotics, McGraw-Hill, Glencoe. 

  25. Opitz, F., Henrich, W. and Kausch, T. (2004). Data fusion development concepts within complex surveillance systems, The 7th International Conference on Information Fusion. 

저자의 다른 논문 :

관련 콘텐츠

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