[논문]기업 리뷰 정보를 활용한 주가 방향 예측 모델 비교 분석

임용택; 임희석

doi:10.15207/jkcs.2020.11.8.165

기업 리뷰 정보를 활용한 주가 방향 예측 모델 비교 분석
A Comparative Analysis of the Prediction Models for the Direction of Stock Price Using the Online Company Reviews 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.11 no.8, 2020년, pp.165 - 171

임용택 (고려대학교 빅데이터융합학과) , 임희석 (고려대학교 컴퓨터학과)

초록
AI-Helper

텍스트 마이닝을 활용한 주가 방향 예측 연구에서는 대부분 뉴스, SNS 데이터를 사용하고 있다. 하지만 뉴스, SNS 데이터로부터 기업에 대한 솔직하고 생생한 정보는 얻기 어렵다는 약점이 존재한다. 본 논문에서는 실제 근무 경험이 있는 내부 직원의 기업 리뷰를 반영하여, 종업원 만족도를 활용한 주가의 방향성을 예측하는 문제를 다룬다. 머신러닝 모델별 성능평가를 통해 예측 정확도를 비교, 분석한 결과 종업원의 기업 리뷰 데이터를 추가로 이용한 주가 방향 예측 모델은 그렇지 않은 모델 대비 뛰어난 분류 성과를 보였다. 본 연구는 금융 공학에 자연어처리기술을 활용한 융합 연구로서 주가 예측 분야에서 종업원 만족도를 활용한 기존에 없던 새로운 방법론을 추구하였다. 실무적으로 주가 방향 예측 분야에 유용한 정보를 제공할 것으로 기대된다.

Abstract ▼ AI-Helper

Most of the stock price prediction research using text mining uses news and SNS data. However, there is a weakness that it is difficult to get honest and vivid information about companies from them. This paper deals with the problem of the prediction for the direction of stock price by doing text mining the online company reviews of internal staff indicating employee satisfaction. The comparative analysis of the prediction models for the direction of stock price showed the prediction model, which adds internal employee reviews, has better performance than those that did not. This paper presents the convergence study using natural language processing in financial engineering. In the field of stock price prediction, This paper pursued a new methodology that used employee satisfaction. In practice, it is expected to provide useful information in the field of forecasting stock price direction.

주제어

표/그림 (8)

그림 Fig. 1. Overall Research Process
표 Table 1. Examples of Company Review Web crawling "Samsung Electronics"
그림 Fig. 2. Prediction Research Model
표 Table 2. Examples of TF-IDF "Samsung Electronics"
표 Table 3. Permutation Importance of RandomForest
표 Table 4. Predicting by Machine Learning Model
표 Table 5. Prediction using Feature Selection
표 Table 6. Ensemble Learning

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서 머신러닝을 통하여 종업원 만족도를 나타내는 온라인 기업 리뷰 데이터를 기반으로 주가 방향을 예측하였다. 실험 결과 내부 직원의 기업 리뷰를 활용한 모델의 주가 예측력은 기업의 재무 정보만을 학습한 모델과 뉴스와 SNS 정보를 사용한 선행연구 모델의 예측에 비하여 뛰어난 예측력을 보여주었다.
또한 뉴스에서 얻은 기업 정보는 실제 그 기업에서 근무한 경험이 있는 직원들이 작성한 정보가 아니기 때문에 기업에 대한 솔직하고 생생한 정보는 얻기 어렵다는 약점도 존재한다. 이 논문에서는 그러한 약점들을 극복하기 위하여 실제 근무 경험이 있는 내부 직원의 기업 리뷰를 반영하여 주가의 방향성을 예측하는 문제에 대해서 살펴보고자 한다.

가설 설정

가설: 내부 직원의 기업 리뷰를 활용한 주가 예측 모델은 재무 정보만 이용한 모델보다 우수한 예측력을 가질 것이다.

제안 방법

Coarse Search에서 좋지 않은 하이퍼패러미터를 필터링(filtering)하고 일정기준 이상 성능이 나온 하이퍼 패러미터 범위를 가지고 Finer Search를 진행하였다. 1차 성능 개선을 마친 뒤에는 특성 선택(Feature Selection) 을 통해 성능 개선 후 모델별 예측력을 비교, 분석 한다. 특성 선택을 통해 머신러닝 모델 성능에 더 많은 영향을 주는 특성을 우선적으로 선택하여 노이즈를 제거하고 모델 성능을 향상시킬 수 있다.
Coarse Search에서 좋지 않은 하이퍼패러미터를 필터링(filtering)하고 일정기준 이상 성능이 나온 하이퍼 패러미터 범위를 가지고 Finer Search를 진행하였다. 1차 성능 개선을 마친 뒤에는 특성 선택(Feature Selection) 을 통해 성능 개선 후 모델별 예측력을 비교, 분석 한다.
TF-IDF 방식으로 벡터화한 기업 리뷰 텍스트 데이터와 기업별 재무 정보를 이용하여 주가 방향을 예측, 분류하였다. 모델 성능 평가 척도는 정확도(accuracy)와 rmse(root mean squared error)를 사용하였다.
마지막으로 모델들의 결합을 통한 앙상블 러닝 (ensemble learning)을 통해 모델 성능을 개선하고 예측력을 평가한다. 본 연구에서는 앙상블 학습의 방법 중투표 기반 분류기(Voting Classifier)를 사용하였다.
먼저 단일 모델로 하이퍼패러미터 튜닝을 진행한 후모델별 예측 성능을 비교 분석한다. 하이퍼패러미터 튜닝 방법은 Coarse & Finer Search 방법을 사용하였다.
본 논문에서 제안하는 연구 프로세스는 크게 머신러닝을 학습시키는 단계와 테스트 데이터를 통해 주가 방향을 예측하는 단계로 나눈다. Fig.
본 연구의 텍스트 마이닝은 KoNLPy[15]의 형태소 분석기 기반 tokenizer와 Scikit-learn의 TfidfVectorizer를 사용하여 웹 크롤링한 기업 리뷰를 TF-IDF 형식으로 변환하는 방법을 제안한다. 입력 데이터가 온라인 기업 리뷰라는 도메인 특성을 고려하여 인터넷 텍스트에 특화된 Twitter 형태소 분석기를 사용하였다.
순열 특성 중요도를 이용하여 순열 특성 중요도가 높은 상위 90% 특성을 대상으로 rfe(recurrent feature elimination)로 머신러닝 모델을 반복, 학습시키고 최적의 특성 선택을 통해 예측 정확도를 측정하였다. 랜덤포레스트 알고리즘에 rfe를 정의한 코드는 다음과 같다.
마지막으로 모델들의 결합을 통한 앙상블 러닝으로 모델 성능을 개선하였다. 앙상블 러닝을 위해 재무 정보 외 기업 리뷰를 추가로 학습한 모델의 평균 예측정확도 Top4 모델(RF, GBM, XGBoost, LightGBM)을 사용하여 투표 기반 분류기를 학습시켰다. Table 6은 투표 기반 분류기를 학습시켰을 경우(Voting Classifier)와 투표 기반 분류기와 특성 선택을 동시에 진행했을 경우 (Voting + Feature Selection)의 예측 정확도이다.
이 논문에서는 Fig. 2 연구모형과 같이 재무 정보만을 학습시켰을 경우와 재무 정보 외 기업 리뷰 텍스트 정보를 추가로 학습시켰을 경우의 예측 정확도를 비교분석하기 위해 3가지 실험이 진행된다.
둘째로 기존의 연구에서는 종업원 만족도가 기업의 주식가치에 직접적인 영향력이 있음을 보여줬다는 점에서 의의를 찾아볼 수 있으나, 실제 모형을 통해 주가 방향성 예측력을 비교, 분석하려는 시도가 없었다. 이번 연구에서는 비정형 데이터인 온라인 기업 리뷰를 텍스트 마이닝을 통해 스코어링 하여 머신러닝 기법을 통해 수치적 결과값을 도출하고 모델간 주가 방향 예측력을 비교, 분석하였다. 기존의 뉴스 데이터를 활용한 주가 방향 예측 모형[4]의 경우 평균적으로 약 56%의 예측률을 보였으 나, 본 연구에서 사용한 내부 직원의 기업 리뷰를 사용한 모델은 최대 78.
본 연구의 텍스트 마이닝은 KoNLPy[15]의 형태소 분석기 기반 tokenizer와 Scikit-learn의 TfidfVectorizer를 사용하여 웹 크롤링한 기업 리뷰를 TF-IDF 형식으로 변환하는 방법을 제안한다. 입력 데이터가 온라인 기업 리뷰라는 도메인 특성을 고려하여 인터넷 텍스트에 특화된 Twitter 형태소 분석기를 사용하였다. 74,291개 문장에서 2글자 이상으로 구성된 526,403개의 유니크한 단어를 추출하였으며 전체 문서에서 빈도순으로 최상위 500 개의 단어를 TF-IDF 입력 데이터로 추출하였다.
전처리를 마친 기업 리뷰 텍스트 데이터와 기업 재무 정보를 활용하여 다양한 머신러닝 기법을 통해 주가 방향 예측을 실행한다. 본 연구에 사용한 머신러닝 기법은 의사결정나무(DT), 랜덤포레스트(RF), 서포트 벡터 머신 (SVM), 그래디언트 부스팅 머신(GBM), XGBoost, LightGBM 등 6개 머신러닝 모델을 사용하였다.
본 연구에서는 앙상블 학습의 방법 중투표 기반 분류기(Voting Classifier)를 사용하였다. 투표 기반 분류기는 2개 이상의 머신러닝 모델을 학습시킨 후, 각 모델의 예측을 모아서 다수결 투표를 통해 가장 많이 선택된 클래스를 예측(hard voting)하는 결과를 도출한다.

대상 데이터

입력 데이터가 온라인 기업 리뷰라는 도메인 특성을 고려하여 인터넷 텍스트에 특화된 Twitter 형태소 분석기를 사용하였다. 74,291개 문장에서 2글자 이상으로 구성된 526,403개의 유니크한 단어를 추출하였으며 전체 문서에서 빈도순으로 최상위 500 개의 단어를 TF-IDF 입력 데이터로 추출하였다. Table 2는 TF-IDF 입력 데이터의 예시를 보여주고 있다.
수치형 데이터인 기업별 재무 정보는 네이버 금융[14] 에서 기말기준 2016년부터 2019년까지 4개년도를 대상 으로 776개 기업의 재무 정보를 수집하였다. 다양한 재무 정보 중 주식 가치를 나타내는 지표인 ROE(자기자본 이익률), EPS(주당순이익), PER(주가수익비율), BPS(주 당순자산가치), PBR(주가순자산비율) 등 5개 재무 정보를 사용하였다. 연도별 기업 주가는 2015년부터 2019년 까지 798개 기업의 기말기준 주가를 수집하였다.
데이터셋은 재무 정보 특성 5개, 기업 리뷰 TF-IDF 키워드 500개로 총 505개 특성으로 구성하였고, 타켓 레이블은 전년 대비 해당년도 주가 방향(상승방향 +1, 하락방향 0)을 사용하였다.
전처리를 마친 기업 리뷰 텍스트 데이터와 기업 재무 정보를 활용하여 다양한 머신러닝 기법을 통해 주가 방향 예측을 실행한다. 본 연구에 사용한 머신러닝 기법은 의사결정나무(DT), 랜덤포레스트(RF), 서포트 벡터 머신 (SVM), 그래디언트 부스팅 머신(GBM), XGBoost, LightGBM 등 6개 머신러닝 모델을 사용하였다.
수치형 데이터인 기업별 재무 정보는 네이버 금융[14] 에서 기말기준 2016년부터 2019년까지 4개년도를 대상 으로 776개 기업의 재무 정보를 수집하였다. 다양한 재무 정보 중 주식 가치를 나타내는 지표인 ROE(자기자본 이익률), EPS(주당순이익), PER(주가수익비율), BPS(주 당순자산가치), PBR(주가순자산비율) 등 5개 재무 정보를 사용하였다.
다양한 재무 정보 중 주식 가치를 나타내는 지표인 ROE(자기자본 이익률), EPS(주당순이익), PER(주가수익비율), BPS(주 당순자산가치), PBR(주가순자산비율) 등 5개 재무 정보를 사용하였다. 연도별 기업 주가는 2015년부터 2019년 까지 798개 기업의 기말기준 주가를 수집하였다. 기업 주가는 주가 방향 예측의 타겟 레이블(target label)로 사용하기 위해 전년 대비 해당년도 주가 방향으로 전처 리하여 사용하였다.
따라서 이러한 기업 리뷰의 특징은 종업원 만족도를 나타내는 데이터로서 충분히 가치 있음을 시사하며, 기업 리뷰를 이용하면 기업의 재무성과, 즉 주가 방향성을 예측할 수 있는 가능성을 보여준다. 이번 연구에서는 잡플래닛에서 제공하는 내부 직원의 74,291개 온라인 기업 리뷰 데이터를 웹크롤링을 통해 수집하고 본 연구에 활용함으로써 기존 주가 방향 예측 연구에서 시도하지 않았던 정성적인 종업원 만족도 데이터의 활용을 극대화 하였다.
12 기준 유가증권 상장법인으로 등록된 기업을 대상으로 웹 크롤링(web crawling)을 진행하였다. 텍스트 데이터인 기업 리뷰는 잡플래닛[13]에서 472개 기업의 74,291개 연도별 기업 리뷰를 수집하였다. Table 1은 웹 크롤링을 통해 얻은 ‘기업 리뷰’ 데이터의 구조를 보여주고 있다.

이론/모형

TF-IDF 방식으로 벡터화한 기업 리뷰 텍스트 데이터와 기업별 재무 정보를 이용하여 주가 방향을 예측, 분류하였다. 모델 성능 평가 척도는 정확도(accuracy)와 rmse(root mean squared error)를 사용하였다.
마지막으로 모델들의 결합을 통한 앙상블 러닝 (ensemble learning)을 통해 모델 성능을 개선하고 예측력을 평가한다. 본 연구에서는 앙상블 학습의 방법 중투표 기반 분류기(Voting Classifier)를 사용하였다. 투표 기반 분류기는 2개 이상의 머신러닝 모델을 학습시킨 후, 각 모델의 예측을 모아서 다수결 투표를 통해 가장 많이 선택된 클래스를 예측(hard voting)하는 결과를 도출한다.
특성 선택을 통해 머신러닝 모델 성능에 더 많은 영향을 주는 특성을 우선적으로 선택하여 노이즈를 제거하고 모델 성능을 향상시킬 수 있다. 본 연구에서는 트리형 모델에서 제공하는 특성 중요도의 단점을 보완하기 위해 순열 특성 중요도(Permutation Importance)를 사용하였다. Table 3은 랜덤포레스트로부터 얻은 순열 특성 중요 도의 일부를 보여준다.
하이퍼패러미터 튜닝 방법은 Coarse & Finer Search 방법을 사용하였다.

성능/효과

Table 4의 결과를 보면 기업 리뷰와 재무 정보를 학습한 모델의 예측 정확도가 재무 정보만을 학습한 모델의 예측정확도 보다 평균 +2.97%(rmse –0.0252) 높은 것을 확인할 수 있다.
Table 6의 결과를 보면 투표 기반 분류기의 예측 정확도는 단일 학습 모델 이상의 성능을 보이는 것으로 나타났으며, 투표 기반 분류기와 특성 선택을 동시에 진행 했을 경우 본 연구에서 분석한 예측정확도 중 가장 높은 예측정확도 78.83%(rmse 0.4601)의 결과가 나온 것을 확인할 수 있다. 이 결과는 앙상블을 구성하는 분류기 중하나의 분류기가 분류해내지 못한 것을 다른 분류기들이 분류함으로써 예측 능력이 향상되어 나온 것으로 판단된 다.
최근에는 수치형 데이터 분석 뿐만 아니라 뉴스, SNS에서 추출한 정성적 데이터를 가공해 주식투자 정보를 제공하는 연구 또한 활발히 진행되고 있다[4-6]. 기존 온라인상의 텍스트 데이터를 활용한 주가 예측 관련 연구들을 통해 텍스트 마이닝을 활용한 주가 방향 예측 방안이 유용함을 확인할 수 있다.
Table 5의 결과를 보면 특성 선택을 통해 학습시킨 모델은 입력 데이터의 노이즈 정보가 제거되었기 때문에 1차 성능 개선 때 보다 모델 성능이 큰 폭으로 개선되었다. 단일 모델로 RF 알고리즘이 예측 정확도가 78.27%(rmse 0.4661)로 가장 높았다.
첫째로 기존 주가 방향 예측 연구에서 시도하지 않았던 종업원의 기업 리뷰 데이터를 활용함으로써 주가 방향 예측 모델의 예측력이 향상될 수 있음을 보였다. 둘째로 실제 모형을 통해 종업원 만족도를 나타내는 기업 리뷰 데이터가 기업의 수익성 및 재무성과를 반영한다는 점을 밝혔으며, 잡플래닛의 기업 리뷰가 주가 방향 예측 연구의 데이터로서의 안정성 및 일반화가 가능함을 확인하였다. 실무적으로 이번 연구가 텍스트 마이닝을 활용한 주가 방향 예측 분야에 유용한 정보를 제공할 것으로 기대된다.
마지막으로 모델들의 결합을 통한 앙상블 러닝으로 모델 성능을 개선하였다. 앙상블 러닝을 위해 재무 정보 외 기업 리뷰를 추가로 학습한 모델의 평균 예측정확도 Top4 모델(RF, GBM, XGBoost, LightGBM)을 사용하여 투표 기반 분류기를 학습시켰다.
본 연구에서 머신러닝을 통하여 종업원 만족도를 나타내는 온라인 기업 리뷰 데이터를 기반으로 주가 방향을 예측하였다. 실험 결과 내부 직원의 기업 리뷰를 활용한 모델의 주가 예측력은 기업의 재무 정보만을 학습한 모델과 뉴스와 SNS 정보를 사용한 선행연구 모델의 예측에 비하여 뛰어난 예측력을 보여주었다.
본 연구의 시사점은 다음과 같다. 첫째로 기존 주가 방향 예측 연구에서 시도하지 않았던 종업원의 기업 리뷰 데이터를 활용함으로써 주가 방향 예측 모델의 예측력이 향상될 수 있음을 보였다. 둘째로 실제 모형을 통해 종업원 만족도를 나타내는 기업 리뷰 데이터가 기업의 수익성 및 재무성과를 반영한다는 점을 밝혔으며, 잡플래닛의 기업 리뷰가 주가 방향 예측 연구의 데이터로서의 안정성 및 일반화가 가능함을 확인하였다.
1차 성능 개선을 마친 뒤에는 특성 선택(Feature Selection) 을 통해 성능 개선 후 모델별 예측력을 비교, 분석 한다. 특성 선택을 통해 머신러닝 모델 성능에 더 많은 영향을 주는 특성을 우선적으로 선택하여 노이즈를 제거하고 모델 성능을 향상시킬 수 있다. 본 연구에서는 트리형 모델에서 제공하는 특성 중요도의 단점을 보완하기 위해 순열 특성 중요도(Permutation Importance)를 사용하였다.
0252) 높은 것을 확인할 수 있다. 특히 RF 알고리즘은 가지치기에 의해 선정된 기업 리뷰 TF-IDF 키워드 변수를 다른 모델보다 잘 일반화하여 과적합 없이 잘 분류하였으며 예측 정확도가 69.92%(rmse 0.5485)로 가장 높았다.

후속연구

단, 본 연구의 한계점은 기말 기준의 주가의 상승, 하락을 분류하는 예측 결과를 도출하였기 때문에 시계열분석 관점에서 연속적인 날짜의 데이터는 사용하지 않은 점과 KOSPI 상장기업에 대해서만 실험이 이루어졌다는 점이다. 또한 이번 연구에서는 빈도 기반의 TF-IDF를 통해 기업 리뷰를 구성하는 키워드 중 연도별로 이슈화되고 많이 언급되는 키워드의 집합을 추출하여 사용하였으나, word2vec을 통한 단어 간 유사도까지 연구 범위에 포함하여 고려하지 못한 한계가 존재한다.
단, 본 연구의 한계점은 기말 기준의 주가의 상승, 하락을 분류하는 예측 결과를 도출하였기 때문에 시계열분석 관점에서 연속적인 날짜의 데이터는 사용하지 않은 점과 KOSPI 상장기업에 대해서만 실험이 이루어졌다는 점이다. 또한 이번 연구에서는 빈도 기반의 TF-IDF를 통해 기업 리뷰를 구성하는 키워드 중 연도별로 이슈화되고 많이 언급되는 키워드의 집합을 추출하여 사용하였으나, word2vec을 통한 단어 간 유사도까지 연구 범위에 포함하여 고려하지 못한 한계가 존재한다.
둘째로 실제 모형을 통해 종업원 만족도를 나타내는 기업 리뷰 데이터가 기업의 수익성 및 재무성과를 반영한다는 점을 밝혔으며, 잡플래닛의 기업 리뷰가 주가 방향 예측 연구의 데이터로서의 안정성 및 일반화가 가능함을 확인하였다. 실무적으로 이번 연구가 텍스트 마이닝을 활용한 주가 방향 예측 분야에 유용한 정보를 제공할 것으로 기대된다.
본 연구는 기존 연구와 다음과 같은 차별성을 가진다. 첫째로 기존 텍스트 마이닝을 활용한 주가 방향 예측연구가 뉴스, SNS의 텍스트 정보를 활용했다면 본 연구는 종업원 만족도라 할 수 있는 내부 직원의 기업 리뷰를 학습 데이터로 사용했다는 점이다. Lakin(2015)의 연구에 따르면 사람들은 기업에 대한 정보를 얻을 때 뉴스나 직업 가이드라인과 같은 전통적인 정보보다 실제 그 기업 에서 근무한 경험이 있는 직원들이 웹서비스를 통해 작성한 온라인 기업 리뷰를 더 신뢰함을 밝혔다[12].
향후 이러한 연구 한계점을 보완한 연구를 통해 기업 리뷰를 활용한 주가 예측 모델의 성능 개선이 가능할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	금융공학 실무에서 널리 사용되고 있는 예측 방법은 무엇인가?	주가 움직임을 예측하는 문제는 오랜 기간 중요한 연구과제로 인식되고 있다. 금융공학 측면에서 데이터 마이닝(data mining) 기술은 금융투자산업에 활발히 적용되고 있으며, 통계학적 예측 방법은 실무에서 널리 사용되고 있다[1-3]. 머신러닝을 활용한 재무 정보 분석 및 예측 방법은 주가 예측 분야의 발달에 큰 공헌을 하였다.
	주가 관련 정보의 마이닝에 있어서 뉴스와 SNS 데이터가 가지는 한계는 무엇인가?	그러나 뉴스, SNS 데이터는 기업의 주가 가치 뿐만 아니라 전반적인 주제를 다룬다는 구조적인 한계로 인해 뉴스, SNS 데이터를 통해 실제적인 주가 관련 정보만을 마이닝 하는데 한계를 가지고 있다. 또한 뉴스에서 얻은 기업 정보는 실제 그 기업에서 근무한 경험이 있는 직원들이 작성한 정보가 아니기 때문에 기업에 대한 솔직하고 생생한 정보는 얻기 어렵다는 약점도 존재한다.
	종업원의 기업 리뷰 데이터를 이용한 주가 예측 모델에서 앞으로 기대되는 바는 무엇인가?	본 연구는 금융 공학에 자연어처리기술을 활용한 융합 연구로서 주가 예측 분야에서 종업원 만족도를 활용한 기존에 없던 새로운 방법론을 추구하였다. 실무적으로 주가 방향 예측 분야에 유용한 정보를 제공할 것으로 기대된다.

참고문헌 (15)

J. Y. Park, J. P. Ryu & H. J. Shin. (2016). Predicting KOSPI Stock Index using Machine Learning Algorithms with Technical Indicators. Journal of Information Technology and Architecture, 13(2), 331-340.
D. W. Hah, Y. M. Kim & J. J. Ahn. (2019). A study on KOSPI 200 direction forecasting using XGBoost model. Journal of the Korean Data And Information Science Society, 30(3), 655-669

상세보기
J. Y. Heo & J. Y. Yang. (2015). SVM based Stock Price Forecasting Using Financial Statements. KIISE Transactions on Computing Practices, 21(3), 167-172.

상세보기
J. S. Jeong, D. S. Kim & J. G. Kim. (2015). A Study on the Prediction of Individual Stock Prices Using Online News Sensitivity Analysis. Korea Intelligent Information Systems Society, 45-58.
D. Y. Kim, J. W. Park & J. H. Choi. (2014). A Comparative Study between Stock Price Prediction Models Using Sentiment Analysis and Machine Learning Based on SNS and News Articles. Journal of Information Technology Services, 13(3), 221-233.
J. B. Kim & H. J. Kim. (2017). A domain-specific sentiment lexicon construction method for stock index directionality. Journal of Digital Contents Society 18(3), 2017.6, 585-592
Y. J. Yi & C. L. Lee. (2006). The Effects of Customer Satisfaction on Firm's Profitability and Value. Korean Journal of Marketing, 21, 85-113.
Zeithaml, V. A., Berry, L. L. & Parasuraman, A. (1996). The behavioral consequences of service quality. Journal of marketing, 60(2), 31-46.

상세보기
O. R. Oh. (2017). The Effects of Working Conditions on Stock Value. Journal of Taxation and Accounting, 18(6), 107-128.

상세보기
Best, R. J. (2008). Employee satisfaction, firm value and firm productivity. Retrieved August, 23, 2013.
Edmans, A. (2011). Does the stock market fully value intangibles? Employee satisfaction and equity prices. Journal of Financial economics, 101(3), 621-640.

상세보기
D. W. Kim, J. Y. Kang & J. I. Lim. (2016). Comparative Analysis of Job Satisfaction Factors, Using LDA Topic Modeling by Industries. Journal of the Korean IT Service. 15, 157-171.
Jobplanet. https://www.jobplanet.com
NAVER finance. https://finance.naver.com/
E. J. Park & S. J. Cho. (2014). KoNLPy: Korean natural language processing in Python. Proceedings of the 26th Annual Conference on Human & Cognitive Language Technology, 1-4.

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