[논문]코스피 방향 예측을 위한 하이브리드 머신러닝 모델

황희수

doi:10.15207/jkcs.2021.12.6.009

코스피 방향 예측을 위한 하이브리드 머신러닝 모델
Hybrid Machine Learning Model for Predicting the Direction of KOSPI Securities 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.12 no.6, 2021년, pp.9 - 16

초록
AI-Helper

과거 주가 데이터와 금융 관련 빅 데이터를 사용해 머신러닝 기법으로 주식시장을 예측하는 연구는 다양하게 있어 왔지만, HTS와 MTS를 통해 거래가 가능한 주가지수 연동 ETF가 생기면서 주가지수를 예측하는 연구가 최근 주목받고 있다. 본 논문에서는 KOSPI 연동 ETF를 거래할 목적으로 KOSPI의 상승 예측을 위한 머신러닝 모델과 하락예측을 위한 모델을 각각 구현한다. 이들 모델은 매개변수의 그리드 탐색을 통해 최적화 된다. 또한 정밀도를 개선해 ETF 거래 수익률을 높일 수 있도록 개별 모델들을 조합한 하이브리드 머신러닝 모델을 제안한다. 예측 모델의 성능은 정확도와 ETF 거래 수익률에 큰 영향을 미치는 정밀도로 평가된다. 하이브리드 상승 예측 모델의 정확도와 정밀도는 72.1 %와 63.8 %이고 하락 예측 모델은 79.8 %와 64.3 %이다. 하이브리드 하락 예측 모델에서 정밀도는 개별 모델보다 최소 14.3 %, 최대 20.5 % 개선되었다. 테스트 기간에 하이브리드 모델은 하락에서 10.49 %, 상승에서 25.91 %의 ETF 거래 수익률을 보였다. 인버스×2와 레버리지 ETF로 거래하면 수익률을 1.5 ~ 2배로 높일 수 있다. 하락예측 머신러닝 모델에 대한 추가 연구로 수익률을 더 높일 수 있을 것으로 기대한다.

Abstract ▼ AI-Helper

In the past, there have been various studies on predicting the stock market by machine learning techniques using stock price data and financial big data. As stock index ETFs that can be traded through HTS and MTS are created, research on predicting stock indices has recently attracted attention. In this paper, machine learning models for KOSPI's up and down predictions are implemented separately. These models are optimized through a grid search of their control parameters. In addition, a hybrid machine learning model that combines individual models is proposed to improve the precision and increase the ETF trading return. The performance of the predictiion models is evaluated by the accuracy and the precision that determines the ETF trading return. The accuracy and precision of the hybrid up prediction model are 72.1 % and 63.8 %, and those of the down prediction model are 79.8% and 64.3%. The precision of the hybrid down prediction model is improved by at least 14.3 % and at most 20.5 %. The hybrid up and down prediction models show an ETF trading return of 10.49%, and 25.91%, respectively. Trading inverse×2 and leverage ETF can increase the return by 1.5 to 2 times. Further research on a down prediction machine learning model is expected to increase the rate of return.

주제어

표/그림 (15)

그림 Fig. 1. Autocorrelation of KOSPI_t
$Fig. 2. Autocorrelation of log<TEX>$\frac{KOSPI_t}{KOSPI_{t-1}}$</TEX>$ 그림 Fig. 2. Autocorrelation of log$\frac{KOSPI_t}{KOSPI_{t-1}}$
그림 Fig. 3. Machine learning models for predicting the daily direction of KOSPI
그림 Fig. 4. Hybrid machine learning models for predicting the direction of KOSPI
그림 Fig. 5. Days when the KOSPI rose above 0.7 % in 2018
그림 Fig. 6. Days when the KOSPI fell below -0.7 % in 2018
표 Table 1. Grid search ranges for optimal parameters of machine learning models
표 Table 2. Accuracy and precision of up prediction
표 Table 3. Accuracy and precision of down prediction
그림 Fig. 7. Cumulative return from ETF trading in 2018
그림 Fig. 8. Cumulative return from ETF trading in 2019
그림 Fig. 9. Cumulative return from ETF trading in 2020
표 Table 4. No. of predicted days for trading ETF
표 Table 5. Accuracy and precision of hybrid prediction
표 Table 6. Return expected by ETF trading

참고문헌 (17)

H. Amin, H. M. Moein & E. Morteza. (2016). Stock market index prediction using artificial neural network, Journal of Economics, Finance and Administrative Science. DOI : 10.1016/j.jefas.2016.07.002.

상세보기
H. S. Hwang. (2019). ETF Trading Based on Daily KOSPI Forecasting Using Neural Networks, Journal of the Korea Convergence Society, 10(1), 7-12. DOI : 10.15207/JKCS.2019.10.4.001

원문보기 상세보기
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, Y. Zhang, T. Liu & J. Duan. (2015). Deep Learning for Event-driven Stock Prediction, Proc. of the 24th Int. Joint Conf. on Artificial Intelligence, (pp. 2327-2333).
O. Ican & T. B. Celik. (2017). Stock Market Prediction Performance of Neural Networks: A Literature Review, International Journal of Economics and Finance, 9(11), 100-108.

상세보기
M. Qiu & Y. Song. (2016). Predicting the Direction of Stock Market Index Movement Using an Optimized Artificial Neural Network Model. PloS one, 11(5), e0155133. DOI : 10.1371/journal.pone.0155133

상세보기
Y. Jiao & J. Jakubowicz. (2017). Predicting Stock Movement Direction with Machine Learning: An Extensive Study on S&P 500 Stocks. DOI: 10.1109/BigData.2017.8258518
J. K. S. Liew & B. Mayster. (2017). Forecasting ETFs with Machine Learning Algorithms. The Journal of Alternative Investments, 20(3), 58-78. DOI : 10.2139/ssrn.2899520.
H. S. Hwang. (2019). Predicting The Direction of The Daily KOSPI Movement Using Neural Networks For ETF Trades, Journal of the Korea Convergence Society, 10(4), 1-6. DOI : 10.15207/JKCS.2019.10.4.001

원문보기 상세보기
I. K. Nti, A. F. Adekoya & B. A. Weyori. (2020). A comprehensive evaluation of ensemble learning for stock-market prediction, Journal of Big Data, 7(20), 1-40. DOI : 10.1186/s40537-020-00299-5

상세보기
S. Mehta, P. Rana, S. Singh, A. Sharma & P. Agarwal. (2019). Ensemble Learning Approach for Enhanced Stock Prediction, 12th Int. Conf. on Contemporary Computing(IC3). (pp. 1-5). DOI : 10.1109/IC3.2019.8844891.
Z. Xiao & E. David. (2019). Predicting the daily return direction of the stock market using hybrid machine learning algorithms, Financial Innovation. 5, 5-24. DOI : 10.1186/s40854-019-0138-0.

상세보기
G. Samuel, N. Philip & I. Dennis. (2019). On Stock Market Movement Prediction Via Stacking Ensemble Learning Method, IEEE Conf. on Computational Intelligence for Financial Engineering & Economics. (pp. 1-8). DOI : 10.1109/CIFEr.2019.8759062.
Y. Li & Y. Pan. (2020). A Novel Ensemble Deep Learning Model for Stock Prediction Based on Stock Prices and News. arXiv:2007.12620
B. Weng, L. Lu, X. Wang, F. M. Megahed & W. Martinez. (2018). Predicting Short-Term Stock Prices using Ensemble Methods and Online Data Sources, Expert Systems with Applications, 112, 258-273. DOI : 10.1016/j.eswa.2018.06.016

상세보기
A. Singh. (2018). A Comprehensive Guide to Ensemble Learning (with Python codes). https://medium.com/analytics-vidhya/a-comprehensive-guide-to-ensemble-learning-with-python-codes-5261650bb531
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

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