기계학습(Machine Learning)은 인공 지능의 한 분야로, 데이터를 이용하여 기계를 학습시켜 기계 스스로가 데이터 분석 및 예측을 하게 만드는 것과 관련한 컴퓨터 과학의 한 영역을 일컫는다. 그중에서 SVM(Support Vector Machines)은 주로 분류와 회귀 분석을 목적으로 사용되는 모델이다. 어느 두 집단에 속한 데이터들에 대한 정보를 얻었을 때, SVM 모델은 주어진 데이터 집합을 바탕으로 하여 새로운 데이터가 어느 집단에 속할지를 판단해준다. 최근 들어서 많은 금융전문가는 기계학습과 막대한 데이터가 존재하는 금융 분야와의 접목 가능성을 보며 기계학습에 집중하고 있다. 그러면서 각 금융사는 고도화된 알고리즘과 빅데이터를 통해 여러 금융업무 수행이 가능한 로봇(Robot)과 투자전문가(Advisor)의 합성어인 로보어드바이저(Robo-Advisor) 서비스를 발 빠르게 제공하기 시작했다. 따라서 현재의 금융 동향을 고려하여 본 연구에서는 기계학습 방법의 하나인 SVM을 활용하여 매매성과를 올리는 방법에 대해 제안하고자 한다. SVM을 통한 예측대상은 한국형 변동성지수인 VKOSPI이다. VKOSPI는 금융파생상품의 한 종류인 옵션의 가격에 영향을 미친다. VKOSPI는 흔히 말하는 변동성과 같고 VKOSPI 값은 옵션의 종류와 관계없이 옵션 가격과 정비례하는 특성이 있다. 그러므로 VKOSPI의 정확한 예측은 옵션 매매에서의 수익을 낼 수 있는 중요한 요소 중 하나이다. 지금까지 기계학습을 기반으로 한 VKOSPI의 예측을 다룬 연구는 없었다. 본 연구에서는 SVM을 통해 일 중의 VKOSPI를 예측하였고, 예측 내용을 바탕으로 옵션 매매에 대한 적용 가능 여부를 실험하였으며 실제로 향상된 매매 성과가 나타남을 증명하였다.
기계학습(Machine Learning)은 인공 지능의 한 분야로, 데이터를 이용하여 기계를 학습시켜 기계 스스로가 데이터 분석 및 예측을 하게 만드는 것과 관련한 컴퓨터 과학의 한 영역을 일컫는다. 그중에서 SVM(Support Vector Machines)은 주로 분류와 회귀 분석을 목적으로 사용되는 모델이다. 어느 두 집단에 속한 데이터들에 대한 정보를 얻었을 때, SVM 모델은 주어진 데이터 집합을 바탕으로 하여 새로운 데이터가 어느 집단에 속할지를 판단해준다. 최근 들어서 많은 금융전문가는 기계학습과 막대한 데이터가 존재하는 금융 분야와의 접목 가능성을 보며 기계학습에 집중하고 있다. 그러면서 각 금융사는 고도화된 알고리즘과 빅데이터를 통해 여러 금융업무 수행이 가능한 로봇(Robot)과 투자전문가(Advisor)의 합성어인 로보어드바이저(Robo-Advisor) 서비스를 발 빠르게 제공하기 시작했다. 따라서 현재의 금융 동향을 고려하여 본 연구에서는 기계학습 방법의 하나인 SVM을 활용하여 매매성과를 올리는 방법에 대해 제안하고자 한다. SVM을 통한 예측대상은 한국형 변동성지수인 VKOSPI이다. VKOSPI는 금융파생상품의 한 종류인 옵션의 가격에 영향을 미친다. VKOSPI는 흔히 말하는 변동성과 같고 VKOSPI 값은 옵션의 종류와 관계없이 옵션 가격과 정비례하는 특성이 있다. 그러므로 VKOSPI의 정확한 예측은 옵션 매매에서의 수익을 낼 수 있는 중요한 요소 중 하나이다. 지금까지 기계학습을 기반으로 한 VKOSPI의 예측을 다룬 연구는 없었다. 본 연구에서는 SVM을 통해 일 중의 VKOSPI를 예측하였고, 예측 내용을 바탕으로 옵션 매매에 대한 적용 가능 여부를 실험하였으며 실제로 향상된 매매 성과가 나타남을 증명하였다.
Machine learning is a field of artificial intelligence. It refers to an area of computer science related to providing machines the ability to perform their own data analysis, decision making and forecasting. For example, one of the representative machine learning models is artificial neural network,...
Machine learning is a field of artificial intelligence. It refers to an area of computer science related to providing machines the ability to perform their own data analysis, decision making and forecasting. For example, one of the representative machine learning models is artificial neural network, which is a statistical learning algorithm inspired by the neural network structure of biology. In addition, there are other machine learning models such as decision tree model, naive bayes model and SVM(support vector machine) model. Among the machine learning models, we use SVM model in this study because it is mainly used for classification and regression analysis that fits well to our study. The core principle of SVM is to find a reasonable hyperplane that distinguishes different group in the data space. Given information about the data in any two groups, the SVM model judges to which group the new data belongs based on the hyperplane obtained from the given data set. Thus, the more the amount of meaningful data, the better the machine learning ability. In recent years, many financial experts have focused on machine learning, seeing the possibility of combining with machine learning and the financial field where vast amounts of financial data exist. Machine learning techniques have been proved to be powerful in describing the non-stationary and chaotic stock price dynamics. A lot of researches have been successfully conducted on forecasting of stock prices using machine learning algorithms. Recently, financial companies have begun to provide Robo-Advisor service, a compound word of Robot and Advisor, which can perform various financial tasks through advanced algorithms using rapidly changing huge amount of data. Robo-Adviser's main task is to advise the investors about the investor's personal investment propensity and to provide the service to manage the portfolio automatically. In this study, we propose a method of forecasting the Korean volatility index, VKOSPI, using the SVM model, which is one of the machine learning methods, and applying it to real option trading to increase the trading performance. VKOSPI is a measure of the future volatility of the KOSPI 200 index based on KOSPI 200 index option prices. VKOSPI is similar to the VIX index, which is based on S&P 500 option price in the United States. The Korea Exchange(KRX) calculates and announce the real-time VKOSPI index. VKOSPI is the same as the usual volatility and affects the option prices. The direction of VKOSPI and option prices show positive relation regardless of the option type (call and put options with various striking prices). If the volatility increases, all of the call and put option premium increases because the probability of the option's exercise possibility increases. The investor can know the rising value of the option price with respect to the volatility rising value in real time through Vega, a Black-Scholes's measurement index of an option's sensitivity to changes in the volatility. Therefore, accurate forecasting of VKOSPI movements is one of the important factors that can generate profit in option trading. In this study, we verified through real option data that the accurate forecast of VKOSPI is able to make a big profit in real option trading. To the best of our knowledge, there have been no studies on the idea of predicting the direction of VKOSPI based on machine learning and introducing the idea of applying it to actual option trading. In this study predicted daily VKOSPI changes through SVM model and then made intraday option strangle position, which gives profit as option prices reduce, only when VKOSPI is expected to decline during daytime. We analyzed the results and tested whether it is applicable to real option trading based on SVM's prediction. The results showed the prediction accuracy of VKOSPI was 57.83% on average, and the number of position entry times was 43.2 times, which is less than half of the benchmark (100 times). A small
Machine learning is a field of artificial intelligence. It refers to an area of computer science related to providing machines the ability to perform their own data analysis, decision making and forecasting. For example, one of the representative machine learning models is artificial neural network, which is a statistical learning algorithm inspired by the neural network structure of biology. In addition, there are other machine learning models such as decision tree model, naive bayes model and SVM(support vector machine) model. Among the machine learning models, we use SVM model in this study because it is mainly used for classification and regression analysis that fits well to our study. The core principle of SVM is to find a reasonable hyperplane that distinguishes different group in the data space. Given information about the data in any two groups, the SVM model judges to which group the new data belongs based on the hyperplane obtained from the given data set. Thus, the more the amount of meaningful data, the better the machine learning ability. In recent years, many financial experts have focused on machine learning, seeing the possibility of combining with machine learning and the financial field where vast amounts of financial data exist. Machine learning techniques have been proved to be powerful in describing the non-stationary and chaotic stock price dynamics. A lot of researches have been successfully conducted on forecasting of stock prices using machine learning algorithms. Recently, financial companies have begun to provide Robo-Advisor service, a compound word of Robot and Advisor, which can perform various financial tasks through advanced algorithms using rapidly changing huge amount of data. Robo-Adviser's main task is to advise the investors about the investor's personal investment propensity and to provide the service to manage the portfolio automatically. In this study, we propose a method of forecasting the Korean volatility index, VKOSPI, using the SVM model, which is one of the machine learning methods, and applying it to real option trading to increase the trading performance. VKOSPI is a measure of the future volatility of the KOSPI 200 index based on KOSPI 200 index option prices. VKOSPI is similar to the VIX index, which is based on S&P 500 option price in the United States. The Korea Exchange(KRX) calculates and announce the real-time VKOSPI index. VKOSPI is the same as the usual volatility and affects the option prices. The direction of VKOSPI and option prices show positive relation regardless of the option type (call and put options with various striking prices). If the volatility increases, all of the call and put option premium increases because the probability of the option's exercise possibility increases. The investor can know the rising value of the option price with respect to the volatility rising value in real time through Vega, a Black-Scholes's measurement index of an option's sensitivity to changes in the volatility. Therefore, accurate forecasting of VKOSPI movements is one of the important factors that can generate profit in option trading. In this study, we verified through real option data that the accurate forecast of VKOSPI is able to make a big profit in real option trading. To the best of our knowledge, there have been no studies on the idea of predicting the direction of VKOSPI based on machine learning and introducing the idea of applying it to actual option trading. In this study predicted daily VKOSPI changes through SVM model and then made intraday option strangle position, which gives profit as option prices reduce, only when VKOSPI is expected to decline during daytime. We analyzed the results and tested whether it is applicable to real option trading based on SVM's prediction. The results showed the prediction accuracy of VKOSPI was 57.83% on average, and the number of position entry times was 43.2 times, which is less than half of the benchmark (100 times). A small
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구의 한계점은 VKOSPI의 예측력이다. VKOSPI의 예측력이 정확할수록 옵션 매매 성과가 높아짐을 연구를 통해 밝혔다. 따라서 VKOSPI 예측력을 한층 더 높임으로써 매매 성과를 더 높일 수 있도록 보완할 필요가 있다.
하지만 반대로 옵션의 구조와 시장 상황에 관해 높은 이해도가 바탕이 되어 있고, 이를 이용할 수 있는 투자자들에게는 투자가치가 높은 상품이다. 본 연구는 투자성 높은 상품에 대한 매매전략을 연구했기 때문에 또한 높은 가치가 있다고 판단한다.
구체적으로 주식 시장 내 거래가 이루어지는 동안의 VKOSPI 변화, 즉 일 중 변화를 알 수 있다면 수익을 기록하는데 도움이 된다. 본 연구에서는 기계학습 방법 중 시계열자료에서 우수한 예측력을 보이는 SVM 기법을 활용하여 VKOSPI의 일 중 예측모형을 제안하고, 실제 옵션 시장에서의 가격 자료를 이용하여 변동성 매도전략을 실증분석하여 연구 성과를 분석하고자 한다.
제안 방법
커널 함수는 ‘radial basis’를 사용했다. SVM 모델을 바탕으로 100개의 검증데이터의 Output 등락을 예측하고 실제 Output과 비교했다. 실제 일 중 VKOSPI 상승을 미리 상승으로 예측한 일 수와 마찬가지로 실제 하락을 하락으로 예측한 일 수를 더하여 그 합을 100으로 나누고, 이를 예측률이라고 정의하였다.
[Table 3]에 나타난 조건에 알맞게 6회 무작위로 추출하고 6회에 걸쳐 각 훈련데이터를 기반으로 모델링 하였다. 커널 함수는 ‘radial basis’를 사용했다.
모델링을 위해 09:00분 ~ 09:30분까지 이후 일 중 VKOSPI 변화에 영향을 줄 수 있다고 판단한 몇 가지의 Input 변수의 값들을 수집하고, 해당일 09:30분 ~ 15:00분 동안의 VKOSPI의 실제 변동 값을 구하여 (+)부호 혹은 (-)부호에 맞춰 각각 ‘Up’, ‘Down’으로 새로 이름 지어(Labeling) Output 값을 할당했다. 그 후 Input 변수와 Output 변수 간의 인과관계를 기반으로 SVM 모델링을 실행하였다.
일반적으로 ITM(내가격 옵션)보다 OTM 옵션이 가격이 낮아 거래량이 많으므로 원활한 거래 체결을 위해서 행사가격의 제한을 두며 포지션을 구축하였다. 또한, 계약 수는 수량 조절을 통한 델타 중립을 위해 콜옵션, 풋옵션 각각 5개 내외로 하였으며 포지션 델타의 절댓값이 0.05를 넘지 않도록 포지션 구축을 하였다. [Table 6]은 556일에 대한 시뮬레이션 결과의 일부이다.
모델링을 위해 09:00분 ~ 09:30분까지 이후 일 중 VKOSPI 변화에 영향을 줄 수 있다고 판단한 몇 가지의 Input 변수의 값들을 수집하고, 해당일 09:30분 ~ 15:00분 동안의 VKOSPI의 실제 변동 값을 구하여 (+)부호 혹은 (-)부호에 맞춰 각각 ‘Up’, ‘Down’으로 새로 이름 지어(Labeling) Output 값을 할당했다.
본 연구는 변동성 예측을 위해 기계학습 방법을 이용하였기에 희소가치가 높다. 변동성 예측 후 옵션 매매에 대한 적용 아이디어를 제시하면서 매매성과를 높일 아이디어와 긍정적인 시뮬레이션 결과를 제시하였다. 옵션은 주식, 선물보다 레버리지 효과가 훨씬 크기 때문에 옵션에 대한 지식 없이 매매하는 투자자들에게는 큰 손실을 안겨줄 수 있는 위험한 파생상품이다.
사용자는 프로그래밍 상에 자신의 데이터를 불러와서 SVM을 직접 모델링 할 수 있다. 본 연구에서는 R 프로그래밍을 통해 SVM 모델링을 구현한다(Lantz, 2013).
이후 모델이 검증데이터의 Output을 하락으로 예측한 경우에 대해서만 옵션 양 매도 데이트레이딩 전략을 실행했다. 비교 대상 선정을 위해 전체 100거래일 모두 해당 전략을 실행한 경우의 결과를 벤치마크 지표로 두었다. 이후 SVM 모델 기반 전략의 성과와 벤치 마크 지표의 성과를 비교해 보았고, [Table 8]은 6개의 모델과 모델별 벤치마크 지표 6개의 평균을 각각 손익, 거래 횟수로 비교한 결과를 보여준다.
실제로 일 중 VKOSPI 예측이 100% 가능하다는 가정 아래에 일 중 VKOSPI가 하락하는 날의 옵션 양 매도 데이트레이딩 전략의 성과가 있을 것인가에 대한 실험을 해보았다. 2013년 11월 27일부터 2016년 5월 4일까지 거래일 중 미국 시장과 한국 시장의 부득이한 이유로 인하여 VIX 데이터를 Input으로 얻을 수 없는 날을 제외하고 총 556거래일에 해당하는 기간을 대상으로 하였다.
비교 대상 선정을 위해 전체 100거래일 모두 해당 전략을 실행한 경우의 결과를 벤치마크 지표로 두었다. 이후 SVM 모델 기반 전략의 성과와 벤치 마크 지표의 성과를 비교해 보았고, [Table 8]은 6개의 모델과 모델별 벤치마크 지표 6개의 평균을 각각 손익, 거래 횟수로 비교한 결과를 보여준다.
2절에서는 SVM 모델을 통해 일 중 VKOSPI를 예측해 보았다. 이후 모델이 검증데이터의 Output을 하락으로 예측한 경우에 대해서만 옵션 양 매도 데이트레이딩 전략을 실행했다. 비교 대상 선정을 위해 전체 100거래일 모두 해당 전략을 실행한 경우의 결과를 벤치마크 지표로 두었다.
데이터를 받아온 기간은 위에 명시했지만, 굳이 시간 순서를 맞춰줄 필요는 없으므로 시간순서와 상관없이 데이터를 추출하였다. 훈련데이터는 SVM 모델링을 하는 데에 사용하였고, 검증데이터는 예측값과 실제 값을 비교하는 임무를 수행하였다. [Table 3]에는 데이터 예제의 개수와 훈련데이터, 검증데이터로 나눈 개수를 보기 쉽게 나타내었다.
대상 데이터
실제로 일 중 VKOSPI 예측이 100% 가능하다는 가정 아래에 일 중 VKOSPI가 하락하는 날의 옵션 양 매도 데이트레이딩 전략의 성과가 있을 것인가에 대한 실험을 해보았다. 2013년 11월 27일부터 2016년 5월 4일까지 거래일 중 미국 시장과 한국 시장의 부득이한 이유로 인하여 VIX 데이터를 Input으로 얻을 수 없는 날을 제외하고 총 556거래일에 해당하는 기간을 대상으로 하였다. 옵션 양 매도 포지션을 09:30분에 포지션을 가져가며, 정확히 15:00분에 포지션 청산을 한다.
데이터는 NH투자증권에서 제공하는 NH Trader에서 받아왔으며, 2013년 11월 27일부터 2016년 5월 4일까지 거래일 중에서 일 중 VKOSPI가 상승한 날과 하락한 날의 비율을 정확하게 1:1로 맞추어 428개 씩(상승한 날 : 214일, 하락한 날 : 214일) 6회 무작위로 추출(Random Sampling)하였다. 이후 328개의 데이터 예제는 모델링을 위한 훈련데이터(Training Data)로 사용하였고, 나머지 100개의 데이터는 검증데이터(Test Data)로 사용하였다.
예측 대상은 VKOSPI의 일 중 움직임이며 구체적으로 09:30분 ~ 15:00분 사이의 변화이다. 모델링을 위해 09:00분 ~ 09:30분까지 이후 일 중 VKOSPI 변화에 영향을 줄 수 있다고 판단한 몇 가지의 Input 변수의 값들을 수집하고, 해당일 09:30분 ~ 15:00분 동안의 VKOSPI의 실제 변동 값을 구하여 (+)부호 혹은 (-)부호에 맞춰 각각 ‘Up’, ‘Down’으로 새로 이름 지어(Labeling) Output 값을 할당했다.
데이터는 NH투자증권에서 제공하는 NH Trader에서 받아왔으며, 2013년 11월 27일부터 2016년 5월 4일까지 거래일 중에서 일 중 VKOSPI가 상승한 날과 하락한 날의 비율을 정확하게 1:1로 맞추어 428개 씩(상승한 날 : 214일, 하락한 날 : 214일) 6회 무작위로 추출(Random Sampling)하였다. 이후 328개의 데이터 예제는 모델링을 위한 훈련데이터(Training Data)로 사용하였고, 나머지 100개의 데이터는 검증데이터(Test Data)로 사용하였다.
성능/효과
본 연구는 변동성 예측을 위해 기계학습 방법을 이용하였기에 희소가치가 높다. 변동성 예측 후 옵션 매매에 대한 적용 아이디어를 제시하면서 매매성과를 높일 아이디어와 긍정적인 시뮬레이션 결과를 제시하였다.
결과 테이블의 가로축은 실제의 등락을, 세로축은 모델의 예측 등락을 나타내었다. 예측률은 결과 테이블의 대각 성분의 합으로서 예측률 평균값은 57.83%이었다.
일 중 VKOSPI가 상승한 날에는 옵션 양 매도 데이트레이딩 전략 실행이 손실로 이어지는 경우가 많았고, 반대로 일 중 VKOSPI가 하락한 날에는 전략 실행이 수익으로 이어지는 경우가 손실로 이어지는 경우보다 4배 가까이 많았다. 이로써 일 중 VKOSPI의 하락이 전략 실행에서 수익을 가져다준다는 것을 알 수 있으며, 전략의 타당성이 검증되었다.
후속연구
본 연구의 한계점은 VKOSPI의 예측력이다. VKOSPI의 예측력이 정확할수록 옵션 매매 성과가 높아짐을 연구를 통해 밝혔다.
더욱더 정교한 SVM 모델을 고안하는 것이 합리적인 방법이다. 추가 연구를 통해 예측력이 높아진다면 더 좋은 옵션 매매 성과를 기대해 볼 수 있을 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
금융시장에는 어떤 종류의 투자 상품이 있나요?
금융시장에는 주식, 선물, 옵션 등과 같은 여러 종류의 투자 가능한 상품이 있다. 이러한 상품을 매매하는 투자자의 관심사는 미래에 해당 상품 가격의 상승 또는 하락에 대한 방향성(Directional Movement) 예측이다.
금융 상품을 매매하는 투자자의 관심사는 무엇인가요?
금융시장에는 주식, 선물, 옵션 등과 같은 여러 종류의 투자 가능한 상품이 있다. 이러한 상품을 매매하는 투자자의 관심사는 미래에 해당 상품 가격의 상승 또는 하락에 대한 방향성(Directional Movement) 예측이다. 미래 가격의 방향성을 정확하게 예측할 수 있다면 투자자들은 높은 투자 수익을 얻을 수 있다.
미래 가격의 방향성을 예측하는 전통적인 방법으로는 무엇이 있나요?
미래 가격의 방향성을 정확하게 예측할 수 있다면 투자자들은 높은 투자 수익을 얻을 수 있다. 방향성 예측에 대한 전통적인 방법으로는 기업의 본질가치(Fundamental Value)를 분석하는 기본적 분석(Fundamental Analysis)(Sharma, 2016)과 가격, 거래량 등의 정보를 이용하여 가격의 방향성을 분석하는 기술적 분석(Technical Analysis) 방법이 대표적이다. 최근에는 글로벌 금융시장의 복잡성이 확대됨에 따라 기계학습 방법이 각광을 받기 시작하였다.
참고문헌 (23)
Bae, M. K., "Profitability of Intra-day Short Volatility Strategy using Volatility Risk Premium," Master's dissertations, The Graduate School of Business IT, Kookmin University, 2011.
Boser, B. E. and I. M. Guyon and V. N. Vapnik, A Training Algorithm for Optimal Margin Classifiers, COLT '92 Proceedings of the fifth annual workshop on Computational learning theory, 1992. Available at http://dl.acm.org/citation.cfm?doid130385.130401 (Accessed 8 September, 2016).
Cho, D., "Implied Volatilities of the KOSPI 200 Index Option Market," Korean Journal of Futures and Options, Vol.23, No.4(2015), 517-541.
Choi, Y. S. and H. J. Lee, "Forecasting KOSPI 200 Volatility by Volatility Measurements," Communications of the Korean Statistical Society, Vol.17, No.2(2010), 293-308.
Choi, H. S. and S. W. Kim and S. C. Park, "Analysis of Trading Performance on Intelligent Trading System for Directional Trading," Journal of Intelligence and Information Systems, Vol.17, No.3(2011), 187-201.
Dimpfl, T. and S., Jank, "Can Internet Search Queries Help to Predict Stock Market Volatility?," European Financial Management, Vol.22, No.2(2016), 171-192.
Jeong, J. H. and J. O. Lim and S. Y. Jei, "Comparative Study of the Spill-over in the Conditional Volatility and Dynamic Conditional Correlation of Various Stock Markets," The Korean Journal of Financial Engineering, Vol.11, No.1(2012), 1-16.
Jeong, Y. G. and Y. S. Yun, "A Study on the Predictability of Stock Price Using Artificial Neural Network Model," The Korean Journal of Finance Management, Vol.15, No.2(1998), 369-399.
Kim, S. W., "A Study on Developing a VKOSPI Forecasting Model via GARCH Class Models for Intelligent Volatility Trading Systems," Journal of Intelligence and Information Systems , Vol.16, No.2(2010), 19-32.
Kim, S. W. and H. C. Ahn, "Development of an Intelligent Trading System using Support Vector Machines and Genetic Algorithms," Journal of Intelligence and Information Systems, Vol.16, No.1(2010), 71-92.
Lantz, B., Machine Learning with R. Packt, Birmingham, UK, 2013.
Li, X. and D. Lord and Y. Zhang and Y. Xie, "Predicting motor vehicle crashes using Support Vector Machine models," Accident Analysis & Prevention, Vol.40, No.4(2008), 1611-1618.
Lim, H. C. and Y. S. Choi, "Knock-In and Stocks Market Effect Due to ELS Issuance and Hedging," Korean Journal of Futures and Options, Vol.23, No.2(2015), 289-321.
Moon, J. B., "A Study on VKOSPI Volatility Trading Strategy using VIX Index," Master's dissertations, The Graduate School of Business IT, Kookmin University, 2016.
Oh, I. S., Pattern Recognition, Kyobobook, 2008.
Park, S. C. and S. W. Kim and H. S. Choi, "Selection Model of System Trading Strategies using SVM," Journal of Intelligence and Information Systems, Vol.20, No.2(2014), 59-71.
Park, S. H. and B. Hansen, "Prediction of Protein-Protein Interaction Sites Based on 3D Surface Patches Using SVM," Korea Information Processing Society, Vol.19, No.1(2012), 21-28
Rajhans, R. K. and A. Jain, "Volatility Spillover," Paradigm, Vol.19, No.2(2015), 137-151.
Sharma, R. K., "Developing Models to Predict the Stock Prices of Indian Automobile Giant Tata Motors Company Limited: An Empirical Analysis," Finance India, Vol.30, No.1(2016), 153-172.
Siddiqui, T. A. and Y. Abdullah, "Developing a Nonlinear Model to Predict Stock Prices in India: An Artificial Neural Network Approach," IUP Journal of Applied Finance, Vol.21, No.1(2015), 36-49.
Tay, F. E. H. and L. J. Cao, "Modified support vector machines in financial time series forecasting," Neurocomputing, Vol.48, No.1-4(2002), 847-861.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.