[논문]산업군별 온라인 뉴스에 기초한 감성 예측변수를 포함하는 심층 신경망모형에 의한 주가 예측

임준형; 손영숙

doi:10.5351/kjas.2020.33.4.483

산업군별 온라인 뉴스에 기초한 감성 예측변수를 포함하는 심층 신경망모형에 의한 주가 예측
Prediction of stock prices using deep neural network models including an emotional predictor based on online news by industrial groups 원문보기

응용통계연구 = The Korean journal of applied statistics, v.33 no.4, 2020년, pp.483 - 497

초록
AI-Helper

본 연구에서는 심층 신경망모형을 사용하여 KOSPI 100의 개별 종목인 기아차 및 신세계의 주가를 예측하였다. 예측변수로는 흔히 사용되었던 기술적 변수들과 함께 온라인 뉴스로부터 도출된 감성변수를 사용하였다. 특히 소셜 네트워크 분석을 활용하여 분류된 산업군에 특화된 감성사전을 구축한 후, 감성분석을 통하여 산업군에 속하는 각 기업들의 감성점수의 평균을 산업군 감성변수로 생성하였다. 여러 예측변수들의 조합으로 이루어진 모형들 중에서 기술적 변수와 산업군의 온라인 뉴스에 기초한 감성변수를 함께 사용하였을 때 우수한 예측력과 수익률을 보여주었다.

Abstract ▼ AI-Helper

We used a deep neural network model for the prediction of the stock prices of Kia Motors and Shinsegae as listed in the KOSPI 100. We used an emotional variable derived from online news in addition to the various technical indicators most often used. The emotional variable used as a predictor variable was generated from the average of the emotional scores for companies in the industrial group after building an emotional dictionary specific to each industrial group classified in a social network analysis. The study was conducted with various combinations of predictors and confirmed that good predictive and profitable power could be expected when jointly using technical indicators and an emotional variable based on online news by industrial groups.

주제어

표/그림 (12)

표 Table 1.1. Current status of real shareholders of listed companies in the last five-year
표 Table 2.1. Predictor variables
그림 Figure 3.1. Network cluster classification using Greedy algorithm.
표 Table 3.1. Industrial group classification of Kia Motors and Shinsegae by KSIC and SNA
표 Table 4.1. An example of emotional dictionary
표 Table 5.1. Definition of model number
그림 Figure 5.1. Accuracy for validation data and the difference between the accuracy of training and validation data.
그림 Figure 5.2. Kia Motors' four-year closing time series.
표 Table 5.2. Stock trading strategy
그림 Figure 5.3. Shinsegae's four-year closing time series.
표 Table 5.3. Predictive accuracy and rate of return for Kia Motors on models with selected predictors
표 Table 5.4. Predictive accuracy and rate of return for Shinsegae on models with selected predictors

AI 본문요약
AI-Helper

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

문제 정의

하지만 다른 산업군에서는 ‘자율’이라는 단어가 긍정적인 영향을 미칠 것으로 확실할 수는 없을 것이다. 본 논문에서는 개별 종목인 기아차 및 신세계의 주가예측을 목적으로 하므로 각 산업군에 특화된 감성사전을 구축하였다.

제안 방법

5가지 품사의 단어를 추출한 후에는 단어들이 문서에 출현하는 빈도에 기초한 감성사전 구축 방법을 이용하였다. 즉, 당일 온라인 뉴스에 나온 특정 단어의 경우에 다음날 주가가 상승, 하락, 혹은 보합 일수를 각각 집계한 후 전체 출현 일수로 나눈 값을 각각 긍정, 부정, 혹은 중립점수로 계산하여 각 단어의 감성점수를 구한다.
82개 종목들의 네트워크 구성 방법으로는 각각의 종목들을 노드로 나타내고 종목들 간의 관계를 나타내는 엣지의 가중치로는 각 종목들 간의 로그수익률의 상관계수 ρ를 거리 d = 10(1 − ρ)로 변환하여 사용하였다.
이때 사용되는 예측변수로는 기존에 많이 사용되는 51개의 기술적 변수들과 온라인 뉴스에 기초하여 만들어진 두 개의 감성변수이다. 감성변수를 만들기 위해서는 먼저 소셜 네트워크 분석(social network analysis; SNA)에 의하여 KOSPI 100 종목들을 동질적인 산업군으로 분류한 후, 산업군의 온라인 뉴스들에 기초한 감성사전을 구축한다. 두 개의 감성변수 중 하나는 산업군 감성사전에 기초한 감성분석(sentimental analysis)을 통하여 만든 개별 기업의 감성변수이고 다른 하나는 산업군에 속하는 개별 기업들의 감성변수를 평균한 산업군 감성변수이다.
감성사전 구축 후 특정 뉴스 기사에 출현한 단어들의 감성사전 내의 감성점수를 가중평균하여 뉴스 기사의 감성점수를 구한다. 이때 ‘것’, ‘년’, ‘수’, ‘때’ 등과 같이 의미 없는 불용 단어의 감성점수가 뉴스의 감성 값을 왜곡할 수 있다.
심층 신경망모형을 학습시킬 때 사용자는 기본적으로 활성함수의 종류, 은닉층 수, 은닉노드 수, Epoch, L1 및 L2 정규화 등의 옵션을 설정해야 한다. 기본적인 6개 옵션 조합의 수는 매우 방대하므로 옵션값을 결정할 때 몇 단계의 시뮬레이션을 통하여 옵션 값을 정해 나갔다. 선행적인 시뮬레이션 결과로서 활성함수는 RELU, 은닉층의 개수는 3개로 고정하였다.
네트워크 구성에서 모든 노드들이 서로 연결이 된다면 매우 복잡한 네트워크가 형성되므로 해석의 간결성을 위하여 각 종목에서 상위 2개의 상관계수를 갖는 종목들을 선정하여 네트워크를 구성한다. 네트워크를 구성한 후 탐욕 알고리즘(Greedy algorithm)을 이용하여 군집을 분류한다.
이때 하나의 뉴스 기사에 특정 단어가 매우 높은 빈도로 출현하는 경우 그 뉴스 기사로 인해 단어의 감성점수가 왜곡될 수 있다. 따라서 기사에 특정 단어가 여러 번 등장하여도 한번으로 카운팅하여 계산하였다. 긍정점수와 부정점수는 다음과 같이 정의된다.
개별 기업만의 감성변수를 만들 때 문제점은 인지도가 높지 않은 기업의 경우는 관련된 뉴스량이 매우 적었다. 따라서 비교적 인지도가 높고 기사량이 많다고 생각되는 종목인 기아차와 신세계를 선택하여 분석하였다. 그러나 기사량이 많지 않은 종목을 주가 예측할 경우에는 산업군에 기초한 감성변수를 사용해도 좋은 결과를 줄 수 있다는 것을 자료분석 결과로부터 기대할 수 있다.
본 논문에서는 82개 종목을 주가 흐름이 비슷한 산업군으로 분류하기 위하여 소셜 네트워크 분석을 이용하였다. 소셜 네트워크 분석이란 독립적인 개념들간의 대칭 혹은 비대칭적인 관계를 각 구성원을 나타내는 노드(node)와 구성원들 간의 관계를 나타내는 엣지(edge)라는 두 개의 요소로 이루어진 네트워크 그래프로 표현한 분석기법으로 정보통신기술의 발달과 더불어 최근 다양한 분야에서 많은 관심을 받고 있다.
본 논문에서는 심층 신경망모형에 의한 주가예측을 위해서 R 프로그램의 h2o 패키지를 사용하여 분석하였다. 심층 신경망모형은 기존의 인공 신경망모형의 단점으로 지적되던 속도가 느리다는 점과 과적합 문제를 해결하면서 높은 예측 정확도를 보이는 기계학습법이다.
본 논문에서는 심층 신경망모형을 사용하여 KOSPI 100에 속하는 개별 종목 중 기아차(Kia Motors)와 신세계(Shinsegae)의 주가예측 및 수익률 계산을 하였다. 사용된 데이터는 2015년부터 2018년까지 총 4년간의 일별 주가 데이터와 온라인 뉴스 데이터이다.
기본적인 6개 옵션 조합의 수는 매우 방대하므로 옵션값을 결정할 때 몇 단계의 시뮬레이션을 통하여 옵션 값을 정해 나갔다. 선행적인 시뮬레이션 결과로서 활성함수는 RELU, 은닉층의 개수는 3개로 고정하였다. 정규화의 경우 L1, L2 정규화를 혼합하여 사용하는 Elastic Net 정규화를 이용하였다.
이 절에서는 5.2절에서 설명한 절차에 의해 선정된 심층 신경망모형을 이용하여 기아차 및 신세계 주가의 예측 정확도 및 수익률을 비교해보기로 한다.
rvest 패키지를 이용하여 온라인 뉴스 데이터를 수집하면 특수문자나 html 관련 명령어들이 함께 추출된다. 이러한 불필요한 문자들이 문서에 섞이게 되면 뜻을 가지고 있는 가장 작은 말의 단위인 형태소를 분리할 때 잘못된 분리가 이루어질 가능성이 있을 뿐만 아니라 불필요한 문자들이 감성사전에 포함되게되므로 특수문자, 숫자, 영단어 등을 제거해주는 전처리 과정을 거쳤다. 또한 대부분 뉴스 데이터의 마지막 3문장은 광고나 작성 기자의 이름, 이메일 주소 등이 포함되는 경우가 많으므로 마지막 3문장을 일괄적으로 제거하는 처리 과정을 거쳤다.
투자자는 8시 30분부터 시작되는 장 시작 동시호가에 참여하게 되므로 온라인 뉴스 기사에 대한 분석이나 주가예측이 그 전에 완료되어야 현실적으로 예측이 의미가 있을 것이다. 장 시작 동시호가에 참여하기 전 실제로 자료 분석에 필요한 시간을 고려하여 8시까지의 뉴스 기사를 수집하여 분석에 이용하도록 하였다. 따라서 뉴스 데이터는 익일 주가예측을 위해 당일의 시가가 형성된 후인 9시부터 익일 시가가 형성되기 1시간 전인 8시까지의 시간 동안 인터넷에 업로드된 온라인 뉴스 기사를 수집하였다.
예측변수로는 기존 연구들에서 사용되던 51개 기술적 변수들과 온라인 뉴스로부터 도출한 감성변수를 사용하였다. 특히 KOSPI 100에 속한 종목들의 산업군을 소셜 네트워크 분석방법을 이용하여 분류하고 각각의 산업군에 특화된 감성사전을 구축하여 종목이 속한 산업군의 온라인 뉴스 감성변수를 생성하였다.
학습용 데이터는 소셜 네트워크 분석을 통한 산업군 분류, 감성사전 구축, 그리고 심층 신경망모형의 학습 등에 사용되었고, 평가용 데이터는 심층 신경망모형의 시뮬레이션에서 최적의 옵션을 선택하는데 이용되었다. 학습용 및 평가용 데이터로 최적 옵션을 가지는 하나의 모형을 추정한 후, 이 추정모형으로 검증용 데이터의 매 시점에서 익일 시가 대비 종가의 상승 혹은 하락을 예측하여 정확도 평가와 수익률 계산에 사용하였다.

대상 데이터

동질한 산업군으로 분류하기 위한 대상이 되는 주식 종목은 현재 KOSPI 100에 속한 100개 종목 중에서 분석 기간(2015년 1월부터 2018년까지 12월) 중에 상장된 종목 혹은 상장폐지된 종목을 제외한 총 82개 종목이다.
네이버는 2017년 기준 뉴스/미디어 부분에서 가장 높은 점유율 60%를 차지한다. 따라서 네이버 형식으로 되어있는 기사들만 선정하여 뉴스 추출을 진행하였다. 또한 네이버에서 종목 이름으로 검색한 뉴스 기사들은 너무 방대하여 2017년 네이버 뉴스에서 가장 높은 점유율을 보이는 ‘연합뉴스’, 그리고 경제신문사 중 가장 점유율이 높은 ‘머니투데이’와 ‘아시아경제’의 총 3개 언론사를 선정하여 뉴스 데이터를 수집하였다.
장 시작 동시호가에 참여하기 전 실제로 자료 분석에 필요한 시간을 고려하여 8시까지의 뉴스 기사를 수집하여 분석에 이용하도록 하였다. 따라서 뉴스 데이터는 익일 주가예측을 위해 당일의 시가가 형성된 후인 9시부터 익일 시가가 형성되기 1시간 전인 8시까지의 시간 동안 인터넷에 업로드된 온라인 뉴스 기사를 수집하였다. 공휴일의 경우, 예를 들어 당일이 금요일인 경우에는 익일인 월요일의 주가를 예측하게 되는데 이 경우에는 금요일 9시부터 월요일 8시까지의 뉴스 기사를 모두 수집해주었다.
또한 네이버에서 종목 이름으로 검색한 뉴스 기사들은 너무 방대하여 2017년 네이버 뉴스에서 가장 높은 점유율을 보이는 ‘연합뉴스’, 그리고 경제신문사 중 가장 점유율이 높은 ‘머니투데이’와 ‘아시아경제’의 총 3개 언론사를 선정하여 뉴스 데이터를 수집하였다.
본 논문에서는 기아차 및 신세계 종목에 대하여 2015년 1월부터 2017년까지 12월까지의 일별 주가 시계열 데이터로 심층 신경망모형을 학습시킨 후, 2018년 7월부터 6개월 동안의 시가 대비 종가의 상승 혹은 하락을 예측하였다. 예측변수로는 기존 연구들에서 사용되던 51개 기술적 변수들과 온라인 뉴스로부터 도출한 감성변수를 사용하였다.
본 논문에서는 심층 신경망모형을 사용하여 KOSPI 100에 속하는 개별 종목 중 기아차(Kia Motors)와 신세계(Shinsegae)의 주가예측 및 수익률 계산을 하였다. 사용된 데이터는 2015년부터 2018년까지 총 4년간의 일별 주가 데이터와 온라인 뉴스 데이터이다.
수집된 데이터는 시간 순서에 따라 학습용(training), 평가용(validation), 그리고 검증용(test) 데이터로 분할하여 분석에 사용하였다. 즉, 2015년 1월부터 2017년 12월까지 3년 동안의 데이터를 학습용, 2018년 1월부터 6월까지 6개월간 데이터를 평가용, 그리고 2018년 7월부터 12월까지 6개월간의 데이터를 검증용 데이터로 분할하였다.
심층 신경망모형에서 목표변수는 기아차(신세계)의 익일 시가 대비 종가가 상승인 경우는 1의 값을 하락인 경우는 0의 값을 갖는 이항변수이다. 예측변수로 사용된 51개의 기술적 변수(http://stat.jnu.ac. kr/dext5editordata/20200601 161839846 00748.pdf에서 51개 기술적 변수들에 대한 설명과 계산식을 참조한다)들과 온라인 뉴스에 기초하여 생성된 두 개의 감성변수가 Table 2.1에 정의되어 있다. 실제 자료분석에서는 Table 2.
본 논문에서는 기아차 및 신세계 종목에 대하여 2015년 1월부터 2017년까지 12월까지의 일별 주가 시계열 데이터로 심층 신경망모형을 학습시킨 후, 2018년 7월부터 6개월 동안의 시가 대비 종가의 상승 혹은 하락을 예측하였다. 예측변수로는 기존 연구들에서 사용되던 51개 기술적 변수들과 온라인 뉴스로부터 도출한 감성변수를 사용하였다. 특히 KOSPI 100에 속한 종목들의 산업군을 소셜 네트워크 분석방법을 이용하여 분류하고 각각의 산업군에 특화된 감성사전을 구축하여 종목이 속한 산업군의 온라인 뉴스 감성변수를 생성하였다.
수집된 데이터는 시간 순서에 따라 학습용(training), 평가용(validation), 그리고 검증용(test) 데이터로 분할하여 분석에 사용하였다. 즉, 2015년 1월부터 2017년 12월까지 3년 동안의 데이터를 학습용, 2018년 1월부터 6월까지 6개월간 데이터를 평가용, 그리고 2018년 7월부터 12월까지 6개월간의 데이터를 검증용 데이터로 분할하였다.
1에서 정의한 모형 번호에 따른 평가용 데이터의 정확도(accuracy) 그리고 학습용 데이터 정확도와 평가용 데이터 정확도의 차이(diff) 값을 나타내는 그래프이다. 최적의 모형을 선정하는 기준으로 과적합을 막기 위해서 하위 10% diff 값을 갖는 모형 중에서 평가용 데이터에서 가장 높은 정확도인 64.46%를 갖는 모형을 선정하였다. 이 모형은 Epoch = 30, hidden node = 20, L1 및 L2 정규화 옵션이 0.
학습용 데이터는 소셜 네트워크 분석을 통한 산업군 분류, 감성사전 구축, 그리고 심층 신경망모형의 학습 등에 사용되었고, 평가용 데이터는 심층 신경망모형의 시뮬레이션에서 최적의 옵션을 선택하는데 이용되었다. 학습용 및 평가용 데이터로 최적 옵션을 가지는 하나의 모형을 추정한 후, 이 추정모형으로 검증용 데이터의 매 시점에서 익일 시가 대비 종가의 상승 혹은 하락을 예측하여 정확도 평가와 수익률 계산에 사용하였다.

데이터처리

2에서 두개의 수직선은 전체 데이터를 시간 순서대로 학습용, 평가용, 그리고 검증용 데이터로 구분한다. 마지막 6개월 간의 검증용 데이터에 대하여 주가예측의 정확도와 수익률을 계산하였다.

이론/모형

네트워크 구성에서 모든 노드들이 서로 연결이 된다면 매우 복잡한 네트워크가 형성되므로 해석의 간결성을 위하여 각 종목에서 상위 2개의 상관계수를 갖는 종목들을 선정하여 네트워크를 구성한다. 네트워크를 구성한 후 탐욕 알고리즘(Greedy algorithm)을 이용하여 군집을 분류한다. 탐욕 알고리즘이란 최적의 해를 구하는데 사용되는 근사적 방법으로 여러 경우 중 하나의 선택을 해야 할 때마다 그 중 최적이라고 생각되는 것을 선택하며 진행하여 최종적인 결론에 도달하는 알고리즘이다.
또한 네이버에서 종목 이름으로 검색한 뉴스 기사들은 너무 방대하여 2017년 네이버 뉴스에서 가장 높은 점유율을 보이는 ‘연합뉴스’, 그리고 경제신문사 중 가장 점유율이 높은 ‘머니투데이’와 ‘아시아경제’의 총 3개 언론사를 선정하여 뉴스 데이터를 수집하였다. 뉴스 데이터 수집에는 R 프로그램의 rvest 패키지를 사용하였다.
이때 ‘것’, ‘년’, ‘수’, ‘때’ 등과 같이 의미 없는 불용 단어의 감성점수가 뉴스의 감성 값을 왜곡할 수 있다. 따라서 뉴스 기사의 감성점수를 가중평균하여 계산할 때 불용 단어의 감성점수 계산에 끼치는 영향력을 줄이기 위해 Manning 등 (2009)의 TF-IDF 값을 가중치로 사용하였다.
본 연구에서는 인공지능 분야에서 널리 활용되는 심층 신경망모형(deep neural network model)을 사용하여 KOSPI 100에 속하는 개별 종목인 기아차와 신세계의 주가예측 및 수익률 계산을 수행하였다. 이때 사용되는 예측변수로는 기존에 많이 사용되는 51개의 기술적 변수들과 온라인 뉴스에 기초하여 만들어진 두 개의 감성변수이다.
선행적인 시뮬레이션 결과로서 활성함수는 RELU, 은닉층의 개수는 3개로 고정하였다. 정규화의 경우 L1, L2 정규화를 혼합하여 사용하는 Elastic Net 정규화를 이용하였다. Elastic Net 정규화는 변수와 분산을 동시에 줄이고 싶을 때 사용하는 정규화 기법으로 h2o 패키지 내에서는 L1 및 L2 정규화 값을 동일하게 설정하여 적용할 수 있다.
뉴스 데이터 전처리 과정을 마친 후에는 형태소 분리를 진행하였다. 형태소 분리는 R 프로그램의 KoNLP 패키지를 이용하였고, 패키지에 내장되어 있는 NIADic 사전을 사용하였다. 형태소 분리를 마친 단어들은 여러 품사를 가지게 되는데 문서의 감성을 잘 나타낼 것이라고 생각되는 5가지 품사로서 보통명사, 고유명사, 동사, 형용사, 그리고 보조용언을 감성사전 구축에 사용하였다.

성능/효과

23%의 가장 높은 수익률을 보였다. 51개 기술적 변수(TI)와 KSIC에 따라 분류된 운수장비 산업군에 기초한 산업군 감성변수(KSIC-g)를 사용하였을 때는 두 번째로 높은 정확도 57.72%를 보였으나 수익률은 1.05%로 은행 수익률 1.5%보다도 더 낮았다. 이 모형의 결과는 51개 기술적 변수(TI)만을 예측변수로 사용하였을 때의 결과와 비슷하다.
51개 기술적 변수(TI)와 KSIC에 따라 분류된 유통업 산업군에 기초한 산업군 감성변수(KSIC-g)를 사용하였을 때는 두 번째로 높은 정확도 58.54%를 보였으나 수익률은 −18.49%로 원금을 손해보는 결과를 준다.
이 모형의 결과는 51개 기술적 변수(TI)만을 예측변수로 사용하였을 때의 결과와 비슷하다. 51개 기술적 변수(TI)와 함께 SNA 분류법에 의한 운수장비 산업군에 기초한 기아차만의 감성변수(SNA-c)를 예측변수로 사용하였을 때는 수익률은 20.82%로 높지만 정확도는 52.03%로 다소 낮은 편이다.
기아차 및 신세계 종목의 예측변수 조합에 따른 예측 정확도와 수익률을 비교해보았을 때, 두 종목 모두 기술적 변수와 SNA 분류법에 의한 산업군의 감성변수를 예측변수로 활용했을 때 가장 높은 정확도와 수익률을 나타냈다. 기아차와 신세계 종목의 수익률은 평균적으로 많은 차이를 보이는데 이는 신세계 종목의 경우 Figure 5.
document frequency (DF)는 특정 단어가 나타난 뉴스 기사의 수이며 inverse DF (IDF)값은 DF 값의 역수에 로그를 취한 값으로 IDF 값이 클수록 DF 값은 작으므로 특정 단어가 나타난 뉴스 기사의 수는 적다. 따라서 TF-IDF 값이 클수록 현재 뉴스 기사에서는 자주 언급되면서 다른 뉴스 기사에서는 잘 언급되지 않음을 의미하고, 값이 작을수록 다른 뉴스 기사에서는 많이 언급되면서 현재 뉴스 기사와는 관련성이 작음을 의미한다 따라서 TF-IDF 값을 이용하면 특정 뉴스 기사에만 중요하게 생각되는 단어를 찾아낼 수 있을 뿐만 아니라 모든 뉴스 기사에 흔히 나타나는 불용 단어를 걸러내는 효과를 얻을 수 있다.
본 논문에서 사용한 예측 절차의 성능을 확인하기 위하여 다양한 예측변수 조합을 갖는 심층 신경망모형에 대하여 시뮬레이션을 통해 찾아낸 최적의 옵션 값으로 학습시켰을 때 기술적 변수와 소셜 네트워크 분석방법을 이용하여 분류한 산업군에 기초한 감성변수를 함께 예측변수로 사용한 모형이 가장 높은 예측 정확도와 수익률을 주었다.
1을 참고한다. 예측 결과는 51개 기술적 변수(TI)와 함께 SNA 분류법에 의한 운수장비 산업군에 기초한 산업군 감성변수(SNA-g)를 예측변수로 사용하였을 때 59.35%의 가장 높은 정확도와 22.23%의 가장 높은 수익률을 보였다. 51개 기술적 변수(TI)와 KSIC에 따라 분류된 운수장비 산업군에 기초한 산업군 감성변수(KSIC-g)를 사용하였을 때는 두 번째로 높은 정확도 57.
1을 참고한다. 예측 결과는 51개 기술적 변수(TI)와 함께 SNA 분류법에 의한 유통업 산업군에 기초한 산업군 감성변수(SNA-g)를 예측변수로 사용하였을 때 60.16%의 가장 높은 정확도와 2.36%의 가장 높은 수익률을 보였다. 산업군 감성변수 대신 신세계 개별 기업의 감성변수(SNA-c)를 사용하였을 때는 수익률은 2.
그래서 개별 기업의 뉴스뿐만 아니라 K-평균 군집 분석에 의해 주가의 흐름이 비슷한 동질적인 산업군에 속하는 종목들을 통합한 온라인 뉴스를 함께 예측변수로 사용할 때 보다 향상된 정확도를 보인다는 것을 밝혔다. 음식료품, 제약, 소재 산업군에 속하는 종목들의 주가예측에서 다중커널학습법을 적용하여 평균적으로 약 60%의 정확도를 보였다.
9%) 증가하였다. 전체 실질주주가 보유한 주식 수는 약 868억 주로 주주 1인당 평균 약 15,463주로 전년 대비 4.9% 증가하였으며, 1인당 평균 보유종목은 4.27종목으로 전년 대비 8.4% 증가하였다. 또한 실질주주 연령별로 40대가 153만 명(27.
두 개의 감성변수 중 하나는 산업군 감성사전에 기초한 감성분석(sentimental analysis)을 통하여 만든 개별 기업의 감성변수이고 다른 하나는 산업군에 속하는 개별 기업들의 감성변수를 평균한 산업군 감성변수이다. 정확도 및 수익률의 관점에서 기술적 변수와 SNA에 의한 산업군 감성변수를 예측변수로 사용했을 때가 다른 경우들보다 더 우수하였다.
마지막으로 본 연구에서 한계점은 다음과 같다. 첫 번째, 단기의 주가를 예측하기 때문에 변동성이 큰 종목은 예측 정확도가 높더라도 수익률 면에서는 큰 손해를 볼 수 있다. 두 번째, 주가예측을 위해 전날 뉴스 데이터를 이용하기 때문에 주식 시장이 열린 이후 등장하는 뉴스를 즉각적으로 반영하지 못한다는 한계를 갖는다.

후속연구

두 번째, 주가예측을 위해 전날 뉴스 데이터를 이용하기 때문에 주식 시장이 열린 이후 등장하는 뉴스를 즉각적으로 반영하지 못한다는 한계를 갖는다. 세 번째, 뉴스 데이터에 오탈자나 띄어쓰기가 잘못되어 있는 경우에 형태소 분리가 잘 이루어지지 않아 불용어가 감성사전에 포함될 수 있다는 한계를 갖는다.
후속 연구로 주가의 등락 폭을 예측하여 매매 기준을 정함으로서 수익률을 극대화 할수 있는 다양한 딥러닝 기법을 적용해보는 연구를 진행할 수 있을 것이며 텍스트 처리 기능을 보완하여 문서의 감성을 정밀하게 추출할 수 있는 텍스트마이닝 기법 연구도 진행할 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	주가는 무엇에 의해 가격이 형성되는가?	주가는 투자자들의 수요와 공급에 의하여 가격이 형성된다. 투자자의 수요 및 공급에 영향을 미치는 요인은 다양하지만 초고속 인터넷 시대에 투자자들이 쉽게 접근할 수 있는 온라인 뉴스도 그 중 하나일 것이다.
	RELU 함수의 계산 속도가 빠른 이유는 무엇인가?	RELU 함수는 시그모이드 계열과는 다른 활성함수이며, 입력신호의 총합이 0 이하이면 0을 출력하고, 0 이상이면 입력 신호의 총합을 그대로 출력하는 함수이다. 따라서 0 이상인 곳에서는 수렴하는 구간이 없다는 특징을 가지고 입력 값을 그대로 출력해주기 때문에 계산 속도가 빠르다는 특징이 있다. 입력신호의 총합 α에 대한 RELU 함수의 식은 아래와 같다.
	기술적 분석은 무엇을 예측하는 방법인가?	기본적 분석이란 주식의 가치를 분석하여 미래의 주가 흐름을 예측하는 방법으로 해당 기업의 재무제표나 관련 업종의 통계 및 산업자료들을 활용한다. 기술적 분석이란 주식의 가격이나 거래량 등으로부터 파생된 다양한 기술적 지표들로부터 미래 주가의 등락을 예측하는 방법이다. 즉, 기본적 분석이 기업의 가치 위주로 분석을 한다면 기술적 분석은 주가 시계열 차트에 내포된 정보를 분석하는 기법이다.

참고문헌 (9)

Choi, I. J. (2016). Prediction of stock fluctuation using web news text mining, Pukyong National University Master's Thesis.
Jeong, J. S., Kim, D. S., and Kim, J. W. (2015). Influence analysis of internet buzz to corporate performance:individual stock price prediction using sentiment analysis of online news, Journal of Intelligence and Information Systems, 21, 37-51.
Kim, D. Y. and Lee, Y. I. (2018). News based Stock Market Sentiment Lexicon Acquisition UsingWord2Vec, The Korean Journal of Bigdata, 3, 13-20.
Kim, J. B. and Kim, H. J. (2017). A domain-specific sentiment lexicon construction method for stock index directionality, Journal of Digital Contents Society, 18, 585-592.
Kim, Y. S. (2012). News big data opinion mining model for predicting KOSPI movement, Kookmin University Master's Thesis.
Lee, M. and Lee, H. J. (2017). Stock price prediction by utilizing category neutral terms: text mining approach, Journal of Intelligence and Information Systems, 23, 123-138.
Manning, C. D., Raghavan, P., and Schutze, H. (2009). Introduction to Information Retrieval: Scoring, term weighting, and the vector space model, Cambridge University Press.
Seong, N. and Nam, K. (2018). Online news-based stock price forecasting considering homogeneity in the industrial sector, Journal of Intelligence and Information Systems, 24, 1-19.
Shynkevich, Y., McGinnity, T. M., Coleman, S. A., and Belatreche, A. (2016). Forecasting movements of health-care stock prices based on different categories of news articles using multiple kernel learning, Decision Support Systems, 85, 74-83.

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