[논문]심층 신경회로망 모델을 이용한 일별 주가 예측

황희수

doi:10.15207/jkcs.2018.9.6.039

심층 신경회로망 모델을 이용한 일별 주가 예측
Daily Stock Price Forecasting Using Deep Neural Network Model 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.9 no.6, 2018년, pp.39 - 44

초록
AI-Helper

심층 신경회로망은 적합한 수학적 모델에 대한 어떠한 가정 없이 데이터로부터 유용한 정보를 추출해서 예측에 필요한 입출력 관계를 정의할 수 있기 때문에 최근 시계열 예측 분야에서 주목 받고 있다. 본 논문에서는 주가의 일별 종가를 예측하기 위한 심층 신경회로망 모델을 제안한다. 제안된 심층 신경회로망은 예측 정밀도를 높이기 위해 단일 층의 오토인코더와 4층의 신경회로망이 결합된 구조를 갖는다. 오토인코더 층은 주가 예측에 필요한 최적의 입력 특징을 추출하고 4층의 신경회로망은 추출된 특징을 사용해 주가 예측에 필요한 동특성을 반영하여 주가를 출력한다. 제안된 심층 신경회로망의 학습은 층별로 단계적으로 이뤄지며 최종 단계에서 전체 심층 신경회로망에 대해 한 번 더 학습이 실행된다. 본 논문에 제안된 방법으로 KOrea composite Stock Price Index (KOSPI) 일별 종가를 예측하는 심층 신경회로망을 구현하고 기존 방법과 예측 정확도를 비교, 평가한다.

Abstract ▼ AI-Helper

The application of deep neural networks to finance has received a great deal of attention from researchers because no assumption about a suitable mathematical model has to be made prior to forecasting and they are capable of extracting useful information from large sets of data, which is required to describe nonlinear input-output relations of financial time series. The paper presents a new deep neural network model where single layered autoencoder and 4 layered neural network are serially coupled for stock price forecasting. The autoencoder extracts deep features, which are fed into multi-layer neural networks to predict the next day's stock closing prices. The proposed deep neural network is progressively learned layer by layer ahead of the final learning of the total network. The proposed model to predict daily close prices of KOrea composite Stock Price Index (KOSPI) is built, and its performance is demonstrated.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 주가지수 예측을 위한 심층 신경회로망 모델을 제안하였다. 예측 정확도를 높이기 위해 심층 신경회로망은 입력 변수를 추출할 수 있는 오토인코더와 주가지수의 변동성을 추종하는 4층의 신경회로망으로 구성되었다.
본 연구는 KOSPI 일별 종가의 예측 정확도를 개선하기 위한 새로운 심층 신경회로망 모델을 제안한다. 제안된 모델은 단일 층의 오토인코더(autoencoder)와 4층의 신경회로망이 결합된 구조를 갖는다.

가설 설정

본 논문에서는 주가의 움직임 자체에만 주목한다. 즉, 과거 주가의 움직임과 유사한 상황이 되면 주가는 동일한 방식으로 움직인다고 가정한다. 이는 캔들스틱(candlestick) 차트는 시간과 분야에 독립적이어서 과거의 주가 변동 패턴이 그때와 유사한 상황이 되면 현재나 미래에 반복될 수 있다는 연구[15,16]를 적용한 것이다.

제안 방법

이 매개변수는 반복 학습을 통해 얻은 최적화 된 값으로 오토인코더에 사용된 뉴런의 수는 두 경우 모두 4이다. 단층 오토인코더의 주요 성분(입력 변수) 추출 성능을 검증하기 위해 12개 입력 데이터에 대해 주성분 분석을 수행한다.
본 연구는 KOSPI 일별 종가의 예측 정확도를 개선하기 위한 새로운 심층 신경회로망 모델을 제안한다. 제안된 모델은 단일 층의 오토인코더(autoencoder)와 4층의 신경회로망이 결합된 구조를 갖는다. 오토인코더는 주가 예측에 필요한 최적의 특징을 추출하고 4층의 신경회로망은 이를 입력으로 사용해 주가 예측에 필요한 동특성을 반영해 주가를 출력한다.
예측 정확도를 높이기 위해 심층 신경회로망은 입력 변수를 추출할 수 있는 오토인코더와 주가지수의 변동성을 추종하는 4층의 신경회로망으로 구성되었다. 층별 선행 학습을 통해 심층 신경회로망의 학습 효율을 높이기 4층 신경회로망에 중간 출력층을 도입 하였다. 시뮬레이션 결과 기존의 퍼지모델 및 얕은 신경 회로망에 비해 예측 정확도가 최소 25% 이상 개선되어 제안된 방법의 우수함을 보였다.

대상 데이터

[단계4] 단계1에서 단계3까지 학습된 신경회로망으로 Fig. 2(d)의 심층 신경회로망을 구성하고 정규화된 입력(In)과 출력(KOSPI 종가) 데이터로 학습한다.
본 논문에서는 주가지수 예측을 위한 심층 신경회로망 모델을 제안하였다. 예측 정확도를 높이기 위해 심층 신경회로망은 입력 변수를 추출할 수 있는 오토인코더와 주가지수의 변동성을 추종하는 4층의 신경회로망으로 구성되었다. 층별 선행 학습을 통해 심층 신경회로망의 학습 효율을 높이기 4층 신경회로망에 중간 출력층을 도입 하였다.
심층 신경회로망 모델은 입력으로 Table 1에 보인 1일 및 2일 전의 주가지수 데이터를 사용하여 다음 날의 주가 지수 종가를 예측한다. 주가지수 예측을 위한 심층 신경회로망 모델의 학습에는 2006년 12월부터 2008년 2월까지의 일별 KOSPI 데이터가 사용되며, 학습된 모델의 평가에는 2008년 3월부터 6월까지의 데이터가 사용된다. 심층 신경회로망 모델에서 오토인코더의 학습 횟수는 200이며 나머지 층별 다층신경회로망 및 통합 심층 신경 회로망의 최대 학습 횟수는 100이다.

데이터처리

오토인코더는 주가 예측에 필요한 최적의 특징을 추출하고 4층의 신경회로망은 이를 입력으로 사용해 주가 예측에 필요한 동특성을 반영해 주가를 출력한다. 제안된 방법의 타당성 분석을 위해 KOSPI의 일별 종가를 예측하기 위한 심층 신경 회로망 모델을 구현하고 기존 연구결과와 예측 정확도를 비교, 평가 한다. 2장은 제안된 심층 신경회로망의 구조를, 3장은 심층 신경회로망의 학습을, 4장은 주가지수 예측 시뮬레이션 및 성능 평가를, 5장은 결론을 기술한다.

성능/효과

Table 4는 본 논문의 예측 모델(DNN1, DNN2)과 퍼지 모델 및 얕은 신경회로망 모델의 예측 오차인 Mean Absolute Percent Error (MAPE)를 비교한 것이다. DNN1과 DNN2 모델의 평균 정확도가 퍼지 모델 대비 학습에서 36.7%, 평가에서 36.2% 개선되었고 얕은 신경회로망 모델 대비 학습에서 25.0%, 평가에서 40.5% 개선되었다.
층별 선행 학습을 통해 심층 신경회로망의 학습 효율을 높이기 4층 신경회로망에 중간 출력층을 도입 하였다. 시뮬레이션 결과 기존의 퍼지모델 및 얕은 신경 회로망에 비해 예측 정확도가 최소 25% 이상 개선되어 제안된 방법의 우수함을 보였다. 향후 제안된 방법으로 예측된 지수를 토대로 KOSPI 주가지수 연계형 레버리지 및 인버스 펀드(Exchange Traded Funds)의 매매 전략에 대한 연구가 수행될 것이다.

후속연구

시뮬레이션 결과 기존의 퍼지모델 및 얕은 신경 회로망에 비해 예측 정확도가 최소 25% 이상 개선되어 제안된 방법의 우수함을 보였다. 향후 제안된 방법으로 예측된 지수를 토대로 KOSPI 주가지수 연계형 레버리지 및 인버스 펀드(Exchange Traded Funds)의 매매 전략에 대한 연구가 수행될 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	주식시장에서 종합주가지수나 종목별 지수를 예측하는 것이 어려운 이유는?	주식시장에서 종합주가지수나 종목별 지수를 예측하는 것은 잡음과 변동성으로 인해 매우 어려운 일로 인식 되고 있지만 그럼에도 주가 예측 모델을 만들기 위한 다양한 방법들이 시도되어 왔다[1-6,9]. 주가의 움직임을 정확하게 예측하기 위한 방법은 여전히 해결되지 않은 문제로 인공신경망[4], SVM (Support Vector Machine)[5,6]과 같은 기계학습 방법이 금융 시계열을 예측하는데 널리 사용되었고 예측의 정확도를 높여 왔다.
	주가지수의 예측을 위해 본 논문에서 제안한 심층 신경회로망의 구조 1단계는 무엇을 수행하는가?	[단계 1] 전처리로 신경회로망 학습에 사용할 입·출력 데이터를 [-1, 1] 범위로 정규화 한다.
	금융 분야에 적용된 딥러닝에는 어떤 기법들이 있는가?	금융 시계열 데이터의 복잡성을 고려하면 금융 시계열 예측에 딥러닝을 도입하려는 시도는 더 다양화될 것이며 상대적으로 탐색 여지가 많은 분야로 인식되고 있다[9]. 금융 분야에 적용된 딥러닝 연구로 Deep Belief Network (DBN)을 사용한 환율 예측[10], 금융 시장 예측 [11,12], Recurrent Neural Network (RNN)을 사용한 구글 주가 예측[13] 및 Convolutional Neural Network (CNN)으로 주가에 미치는 이벤트 예측[14]이 있다.

참고문헌 (19)

S. H. Koh. (2016). A Converging Approach on Investment Strategies, Past Financial Information, and Investors' Behavioral Bias in the Korean Stock Market, Journal of the Korea Convergence Society, 7(6), 205-212.
H. H. Kim, K. D. Sung, J. W. Jeon & G. T. Yeo. (2016). Analysis of the Relationship Between Freight Index and Shipping Company's Stock Price Index, Journal of digital Convergence, 14(6), 157-165.
S. H. Choi & J. I. Choi. (2017). Analysis of Stock Price Increase and Volatility of Logistics Related Companies, Journal of digital Convergence, 15(2), 135-144.

원문보기 상세보기
Z. H. G. Wang, Q. Liu & J. A. Yang. (2014). Feature Fusion Based Forecasting Model for Financial Time Series, Plos One, 9(6), 172-200.
C. J. Lu, T. S. Lee & C. C. Chiu. (2009). Financial Time Series Forecasting Using Independent Component Analysis and Support Vector Regression, Decision Support Systems, 42(2), 115-125.
W. Huang, Y. Nakamori & S. Y. Wang. (2005). Forecasting Stock Market Movement Direction with Support Vector Machine, Computers & Operations Research, 32(10), 2513-2522.

상세보기
G. E. Hinton & R. R. Salakhutdinov. (2006). Reducing The Dimensionality of Data with Neural Networks, Science, 313(5786), 504-507.

상세보기
Y. Bengio, A. Courville & P. Vincent. (2013). Representation Learning: A Review and New Perspectives, IEEE Trans. on Pattern Analysis & Machine Intelligence, 35(8), 1798-1828.

상세보기
R. C. Cavalcante, R. C. Brasileiro, V. L. F. Souza, J. P. Nobrega & A. L. I. Oliveira. (2016). Computational Intelligence and Financial Markets: A Survey and Future Directions," Expert Systems with Applications, 55, 194-211.

상세보기
F. Shen, J. Chao & J. Zhao. (2015). Forecasting Exchange Rate Using Deep Belief Networks and Conjugate Gradient Method, Neurocomputing, 167, Issue C, 243-253.

상세보기
T. Kuremoto & et. al. (2014). Time Series Forecasting Using A Deep Belief Network with Restricted Boltzmann Machines, Neurocomputing, 137(15), 47-56.

상세보기
Y. Bengio, P. Lamblin P, D. Popovici D & H. Larochelle. (2007). Greedy Layer-wise Training of Deep Networks, Advances in neural information processing systems, 19, 153.
L. D. Persio & O. Honcha. (2017). Recurrent Neural Networks Approach to The Financial Forecast of Google Assets, Int. J. of Mathetics and Computers in Simulation, 11, 7-13.
X. Ding X, Y. Zhang, T. Liu & J. Duan. (2015). Deep Learning for Event-driven Stock Prediction, Proc. of the 24th Int. Joint Conf. on Artificial Intelligence, 2327-2333.
K. H. Lee & G. S. Jo. (1999). Expert System for Predicting Stock Market Timing Using A Candlestick Chart, Expert System With Applications, 16, 357-364.

상세보기
L. C. H. Leon, A. Liu & W. S. Chen. (2006). Pattern Discovery of Fuzzy Time Series for Financial Prediction, IEEE Trans. Knowledge and Data Engineering, 18(5), 613-625.

상세보기
M. F. Moller. (1993). A Scaled Conjugate Gradient Algorithm for Fast Supervised Learning, Neural Networks, 6, 525-533.

상세보기
B. A. Olshausen & D. J. Field. (1997). Sparse Coding with An Overcomplete Basis Set: A Strategy Employed by V1, Vision Research, 37, 3311-3325.

상세보기
H. S. Hwang & J. S Oh. (2009). Time Series Stock Prices Prediction Based on Fuzzy Model, Journal of The Korean Institute of Intelligent Systems, 19(5), 689-694.

원문보기 상세보기

저자의 다른 논문 :

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