2016년 3월 구글 (Google)의 바둑인공지능 알파고 (AlphaGo)가 이세돌 9단과의 바둑대결에서 승리한 이후 다양한 분야에서 인공지능 사용에 대한 관심이 높아지고 있는 가운데 금융투자 분야에서도 인공지능과 투자자문 전문가의 합성어인 로보어드바이저 (Robo-Advisor)에 대한 관심이 높아지고 있다. 인공지능 (artificial intelligence)기반의 의사결정은 비용 절감은 물론 효과적인 의사결정을 가능하게 한다는 점에서 큰 장점이 있다. 본 연구에서는 기술적 분석 (technical analysis) 지표와 딥러닝 (deep learning) 모형을 결합하여 한국 코스피 지수를 예측하는 모형을 개발하고 제시한 모형들의 예측력을 비교, 분석한다. 분석 결과 기술적 분석 지표에 딥러닝 알고리즘을 결합한 모형이 주가지수 방향성 예측 문제에 응용될 수 있음을 확인하였다. 향후 본 연구에서 제안된 기술적 분석 지표와 딥러닝모형을 결합한 기법은 로보어드바이저서비스에 응용할 수 있는 일반화 가능성을 보여준다.
2016년 3월 구글 (Google)의 바둑인공지능 알파고 (AlphaGo)가 이세돌 9단과의 바둑대결에서 승리한 이후 다양한 분야에서 인공지능 사용에 대한 관심이 높아지고 있는 가운데 금융투자 분야에서도 인공지능과 투자자문 전문가의 합성어인 로보어드바이저 (Robo-Advisor)에 대한 관심이 높아지고 있다. 인공지능 (artificial intelligence)기반의 의사결정은 비용 절감은 물론 효과적인 의사결정을 가능하게 한다는 점에서 큰 장점이 있다. 본 연구에서는 기술적 분석 (technical analysis) 지표와 딥러닝 (deep learning) 모형을 결합하여 한국 코스피 지수를 예측하는 모형을 개발하고 제시한 모형들의 예측력을 비교, 분석한다. 분석 결과 기술적 분석 지표에 딥러닝 알고리즘을 결합한 모형이 주가지수 방향성 예측 문제에 응용될 수 있음을 확인하였다. 향후 본 연구에서 제안된 기술적 분석 지표와 딥러닝모형을 결합한 기법은 로보어드바이저서비스에 응용할 수 있는 일반화 가능성을 보여준다.
Since Google's AlphaGo defeated a world champion of Go players in 2016, there have been many interests in the deep learning. In the financial sector, a Robo-Advisor using deep learning gains a significant attention, which builds and manages portfolios of financial instruments for investors.In this p...
Since Google's AlphaGo defeated a world champion of Go players in 2016, there have been many interests in the deep learning. In the financial sector, a Robo-Advisor using deep learning gains a significant attention, which builds and manages portfolios of financial instruments for investors.In this paper, we have proposed the a deep learning algorithm geared toward identification and forecast of the KOSPI index direction,and we also have compared the accuracy of the prediction.In an application of forecasting the financial market index direction, we have shown that the Robo-Advisor using deep learning has a significant effect on finance industry. The Robo-Advisor collects a massive data such as earnings statements, news reports and regulatory filings, analyzes those and recommends investors how to view market trends and identify the best time to purchase financial assets. On the other hand, the Robo-Advisor allows businesses to learn more about their customers, develop better marketing strategies, increase sales and decrease costs.
Since Google's AlphaGo defeated a world champion of Go players in 2016, there have been many interests in the deep learning. In the financial sector, a Robo-Advisor using deep learning gains a significant attention, which builds and manages portfolios of financial instruments for investors.In this paper, we have proposed the a deep learning algorithm geared toward identification and forecast of the KOSPI index direction,and we also have compared the accuracy of the prediction.In an application of forecasting the financial market index direction, we have shown that the Robo-Advisor using deep learning has a significant effect on finance industry. The Robo-Advisor collects a massive data such as earnings statements, news reports and regulatory filings, analyzes those and recommends investors how to view market trends and identify the best time to purchase financial assets. On the other hand, the Robo-Advisor allows businesses to learn more about their customers, develop better marketing strategies, increase sales and decrease costs.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구는 기술적 주가분석기법을 의사결정나무모형, 서포트벡터머신모형 그리고 딥러닝모형에 결합함으로써 한국 코스피지수의 상승 또는 하락을 예측 하고자 한다.
본 연구에서 인공지능을 포함한 기계학습을 통한 한국 코스피 지수의 예측력을 분석하고자 한다. 분석기간은 2000년 1월 4일부터 2016년 2월 12일까지 일별 지수 종가 값을 기초로 한다.
가설 설정
또한 모형을 평가하기 위해 정확도와 함께 가장 많이 사용되는 척도로는 오류율이 있다. 오류율은 정확도의 반대개념으로 (1-정확도) 표현된다. 판단기준으로는 정확도는 높을수록, 오류율은 낮을수록 분류모형의 성능이 좋다고 할 수 있다.
제안 방법
본 실험에 사용한 딥러닝모형은 5개의 입력뉴런과 2개의 출력뉴런 그리고 1∼3개까지의 은닉층개수의 변화와 1∼5개의 은닉뉴런수의 변화를 주었다. 더불어 딥러닝에는 쌓아 올린 오토인코더 학습방법을 이용하였다 (Table 3.
본 연구에서는 기술적 주가분석기법을 의사결정나무모형, 서포트벡터머신모형 (support vector machine) 그리고 딥러닝 (deep learning)모형에 결합한 새로운 기법을 제안하였고, 한국 코스피 주가지수의 방향성 예측에 대해 비교 분석하였다. 분석 결과는 아래와 같다.
본 연구에서는 분류회귀나무 알고리즘을 활용하여 의미 있는 요인을 선택하였고 선택된 유의미한 요인을 이용하여 한국 코스피의 방향성을 예측할 수 있는 의사결정모델을 도출하였다. 둘째, 서포트벡터머신 (support vector machine)을 이용하여 한국 코스피지수를 예측하는데 있어 분류회귀나무모형에서 추출된 유의미한 예측변수들은 서포트벡터머신모형의 입력변수로 사용된다.
본 연구에서는 상대강도지수,모멘텀,변화율지표,지수이동평균교차등의 기술적 주가분석 지표들을 이용하여 한국 코스피 지수의 상승 또는 하락에 대한 예측 성능을 비교한다.
대상 데이터
본 연구에서 사용할 분석기간은 2000년 1월 1일에부터 2016년 2월 12일까지 한국 코스피 주가지수에 대한 일별 지수 종가 값이며 이는 블룸버그에서 수집했다.
데이터처리
즉 자료를 훈련 자료와 검증 자료로 나누어 모델링 및 평가하는 작업을 10회 반복하였다. 그리고 교차 검증을 통해 최선의 모델을 가지고 검증자료에 적용해 성능을 평가하였다.
한국 코스피 주가지수 방향에 크게 영향을 미치는 기술적 주가분석 지표가 무엇인지를 알고자 학습 결과가 if-then-else 규칙으로 해석이 용이할 뿐만 아니라 예측 모형을 생성할 때 추가적인 정교화를 할 수 있다는 장점을 가지기 때문에 분류회귀나무모형을 이용하여 분석하였다. 더불어 분류오류를 할 위험이 높거나 부적절한 규칙 그리고 과적합을 고려하여 본 연구에서는 의사결정 가지치기를 적용하였다.
이론/모형
본 실험에 사용한 딥러닝모형은 5개의 입력뉴런과 2개의 출력뉴런 그리고 1∼3개까지의 은닉층개수의 변화와 1∼5개의 은닉뉴런수의 변화를 주었다. 더불어 딥러닝에는 쌓아 올린 오토인코더 학습방법을 이용하였다 (Table 3.5). 오토인코더는 학습하는 과정에서 적은 수의 은닉노드에 핵심 특성에 대한 압축된 표현을 저장한다.
본 연구에서는 기계학습을 통한 한국 코스피 지수 예측 능력을 실험하기 위해서 교차 검증 (cross validation)을 거친 대표적인 3종류의 기계학습 모형을 이용한다.
본 연구에서는 전체 및 선정된 기술적 주가분석 지표를 각각 서포트벡터머신모형과 딥러닝모형에 결합하여 사용하였다.
성능/효과
RBF (radial basis function) 커널을 이용한 서포트벡서터신모형결과 (Table 3.3), 시그마가 0.001이고 코스트가 20인 경우 전체 기술적 분석지표에 대한 검증자료의 정확도가 77.67%로 가장 우수한 결과를 나타내었다. 시그마가 0.
첫째, 전체 변수를 사용하지 않고 선정된 변수만으로도 한국 코스피 주가지수 방향을 예측할 수 있다는 결과를 얻었다. 둘째, 제시한 모형들의 비교실험을 수행한 결과, 세 모형의 방향성에 대한 예측력이 비슷하다는 결과를 얻었다. 이는 수많은 금융시장 변수들이 직간접적으로 서로 복잡하게 얽혀 불규칙적으로 변화하기 때문에 딥러닝모형을 이용하더라도 기술적 지표 (technical indicators)만으로 미래 주가지수의 움직임을 예측하는 것은 한계가 있다고 사료된다.
본 논문이 제안한 딥러닝 (deep learning)모형과 기술적 분석지표를 결합한 한국 코스피주가지수 방향성예측의 성능을 평가하기 위해 C++를 사용 분류회귀나무모형, 서포트벡터모형과의 비교실험을 수행하였고 그 결과 (Table 3.7) 세 모형의 예측력이 비슷했다. 이는 수많은 금융시장 변수들이 직간접적으로 서로 복잡하게 얽혀 불규칙적으로 변화하기 때문에 딥러닝모형을 이용하더라도 기술적 지표 (technical indicators)만으로 미래 주가지수의 움직임을 예측하는 것은 한계가 있다고 사료된다.
분류회귀나무모형에 의한 분석 결과 (Table 3.2), 전체 기술적 분석지표에 대한 학습 및 검증자료의 정확도는 각각 76.12%와 76.05%로 과적합 없이 잘 분류되었고 가지치기에 의해 선정된 기술적 주가분석 지표변수에 대한 학습 및 검증자료의 정확도는 각각 78.17%와 77.82%로 예측성능이 더 향상되었음을 알 수 있다. 즉 전체변수를 사용할 때의 최적모델과 선택변수를 사용하여 만든 최적모델의 정확도를 비교해보면 전체변수 사용 시에는 76%이고 선택변수를 사용할 시에도 77%의 정확도를 보여줌으로써 전체 변수를 사용하지 않고 선정된 변수 (상대강도지수,모멘텀,변화율지표, 3일 지수이동평균 그리고 5일 지수이동평균) 만으로도 한국 코스피 주가지수 방향을 예측하는데 큰 차이를 보여주지 않음을 알 수 있다.
67%로 가장 우수한 결과를 나타내었다. 시그마가 0.1인 코스트가 60인 경우 선정된 기술적 분석지표에 대한 검증자료의 정확도는 77.06%로 가장 우수한 결과를 나타내었다. 즉 전체변수를 사용할 때의 최적모델과 선택변수를 사용하여 만든 최적모델의 정확도를 비교해보면 두 모형 약 77%의 정확도를 보여줌으로써 전체 변수를 사용하지 않고 선정된 변수만으로도 한국 코스피 주가지수 방향을 예측하는데 큰 차이를 보여주지 않음을 알 수 있다.
06%로 가장 우수한 결과를 나타내었다. 즉 전체변수를 사용할 때의 최적모델과 선택변수를 사용하여 만든 최적모델의 정확도를 비교해보면 두 모형 약 77%의 정확도를 보여줌으로써 전체 변수를 사용하지 않고 선정된 변수만으로도 한국 코스피 주가지수 방향을 예측하는데 큰 차이를 보여주지 않음을 알 수 있다.
82%로 예측성능이 더 향상되었음을 알 수 있다. 즉 전체변수를 사용할 때의 최적모델과 선택변수를 사용하여 만든 최적모델의 정확도를 비교해보면 전체변수 사용 시에는 76%이고 선택변수를 사용할 시에도 77%의 정확도를 보여줌으로써 전체 변수를 사용하지 않고 선정된 변수 (상대강도지수,모멘텀,변화율지표, 3일 지수이동평균 그리고 5일 지수이동평균) 만으로도 한국 코스피 주가지수 방향을 예측하는데 큰 차이를 보여주지 않음을 알 수 있다. 이 때 최적의 의사결정나무를 도출하기 위하여 가지 수 변화에 따른 교차검증 에러값이 가장 작은 기준에 따라 선택된 복잡 매개변수 (complex parameter)는 0.
분석 결과는 아래와 같다. 첫째, 전체 변수를 사용하지 않고 선정된 변수만으로도 한국 코스피 주가지수 방향을 예측할 수 있다는 결과를 얻었다. 둘째, 제시한 모형들의 비교실험을 수행한 결과, 세 모형의 방향성에 대한 예측력이 비슷하다는 결과를 얻었다.
후속연구
우선 기술적 분석지표 외에 기본적 주가 분석 또는 금융시장 상황에 영향을 주는 변수들을 추가한 연구가 필요하다. 더불어 본 연구에서 비교대상으로 제시하였던 방법론 외 다양한 딥러닝 (deep learning) 알고리즘과 비교해보고 더 우월한 모형을 제시, 연구해 볼 수 있다.
이에 향후 몇 가지 보완할 점이 필요하다. 우선 기술적 분석지표 외에 기본적 주가 분석 또는 금융시장 상황에 영향을 주는 변수들을 추가한 연구가 필요하다. 더불어 본 연구에서 비교대상으로 제시하였던 방법론 외 다양한 딥러닝 (deep learning) 알고리즘과 비교해보고 더 우월한 모형을 제시, 연구해 볼 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
인공지능 사용에 대한 관심이 늘어난 계기는?
2016년 3월 구글 (Google)의 바둑인공지능 알파고 (AlphaGo)가 이세돌 9단과의 바둑대결에서 승리한 이후 다양한 분야에서 인공지능 사용에 대한 관심이 높아지고 있는 가운데 금융투자 분야에서도 인공지능과 투자자문 전문가의 합성어인 로보어드바이저 (Robo-Advisor)에 대한 관심이 높아지고 있다. 인공지능 (artificial intelligence)기반의 의사결정은 비용 절감은 물론 효과적인 의사결정을 가능하게 한다는 점에서 큰 장점이 있다.
주식예측방법 중 기본적 분석과 기술적 분석의 설명은?
금융투자를 위한 일반적인 주식예측방법으로 기본적 주가분석과 기술적 주가분석이 존재한다. 기본적 주가분석은 기업의 내재가치에 영향을 미치는 모든 요소들을 분석하는 방법이지만 개별 기업의 내재가치 정의 및 측정방식 등을 기반으로 미래의 주가를 예측하는 것은 한계가 있다. 기술적 주가분석은 ‘주가는 수요와 공급의 원리에 따라 결정되며 수급의 결과는 그래프로 나타난다’는 이론을 배경으로, 그래프 분석을 통해 미래 주가를 예측하는 방법이다. 컴퓨터 알고리즘의 발달과 더불어 기본적 주가분석과 기술적 주가분석을 통한 미래의 주가를 예측하는 방법들이 진화하고 있지만 직간접적으로 서로 복잡하게 얽혀있는 수많은 변수들에 의해서 불규칙적으로 변화하기 때문에 정확히 주가를 예측하는 것은 한계가 있을 뿐 아니라 매우 어렵고 복잡하다
로보어드바이저는 어떤 단어인가?
2016년 3월 구글 (Google)의 바둑인공지능 알파고 (AlphaGo)가 이세돌 9단과의 바둑대결에서 승리한 이후 다양한 분야에서 인공지능 사용에 대한 관심이 높아지고 있는 가운데 금융투자 분야에서도 인공지능과 투자자문 전문가의 합성어인 로보어드바이저 (Robo-Advisor)에 대한 관심이 높아지고 있다. 인공지능 (artificial intelligence)기반의 의사결정은 비용 절감은 물론 효과적인 의사결정을 가능하게 한다는 점에서 큰 장점이 있다.
참고문헌 (9)
Chang, W. (2016). The rise of Robo Advisors. Forbes, 11, 214.
Choi, H. and Lim, D. (2013). Bankruptcy prediction using ensemble SVM model. Journal of the Korean Data & Information Science Society, 24, 1113-1125.
Jung, J. and Min, D. (2013). The study of foreign exchange trading revenue model using decision tree and gradient boosting. Journal of the Korean Data & Information Science Society, 24, 161-170.
Jung, S. and Park, S. (2016). Examination of possible financial market risk accumulations due to prolongation of low interest rates. BOK Financial Stability Report, 27,132-143.
Ko, Y. (2016). A study on the measures to activate the Introduction of the Robo-Advisor in Korea. Korea Science & Art Forum, 25, 19-33.
Kwak, M. and Rhee, S. (2016). Finding factors on employment by adult life cycle using decision tree model. Journal of the Korean Data & Information Science Society, 27, 1537-1545.
Lee, W. and Chun, H. (2016). A deep learning analysis of the Chinese Yuan's volatility in the onshore and offshore markets. Journal of the Korean Data & Information Science Society, 27, 327-335.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.