• 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"

논문 상세정보

빅데이터를 활용한 인공지능 주식 예측 분석

Stock prediction analysis through artificial intelligence using big data


저금리 시대의 도래로 인해 많은 투자자들이 주식 시장으로 몰리고 있다. 과거의 주식 시장은 사람들이 기업 분석 및 각자의 투자기법을 통해 노동 집약적으로 주식 투자가 이루어졌다면 최근 들어 인공지능 및 데이터를 활용하여 주식 투자가 널리 이용되고 있는 실정이다. 인공지능을 통해 주식 예측의 성공률은 현재 높지 않아 다양한 인공지능 모델을 통해 주식 예측률을 높이는 시도를 하고 있다. 본 연구에서는 다양한 인공지능 모델에 대해 살펴보고 각 모델들간의 장단점 및 예측률을 파악하고자 한다. 이를 위해, 본 연구에서는 주식예측 인공지능 프로그램으로 인공신경망(ANN), 심층 학습 또는 딥 러닝(DNN), k-최근접 이웃 알고리즘(k-NN), 합성곱 신경망(CNN), 순환 신경망(RNN), LSTM에 대해 살펴보고자 한다.


With the advent of the low interest rate era, many investors are flocking to the stock market. In the past stock market, people invested in stocks labor-intensively through company analysis and their own investment techniques. However, in recent years, stock investment using artificial intelligence and data has been widely used. The success rate of stock prediction through artificial intelligence is currently not high, so various artificial intelligence models are trying to increase the stock prediction rate. In this study, we will look at various artificial intelligence models and examine the pros and cons and prediction rates between each model. This study investigated as stock prediction programs using artificial intelligence artificial neural network (ANN), deep learning or hierarchical learning (DNN), k-nearest neighbor algorithm(k-NN), convolutional neural network (CNN), recurrent neural network (RNN), and LSTMs.

참고문헌 (12)

  1. 1. M. J. Cheon and O. Lee, "A Study on the stock price prediction and influence factors through NARX neural network optimization," Journal of the Korea Academia-Industrial cooperation Society, vol. 21, no. 8, pp. 572-578, 2020. 
  2. 2. J. M. An and K. Yoon, "Intelligent Government in the Age of Artificial Intelligence: Opportunities and Challenges," in Proceeding of the 17th annual conference on The Korean Association For Regional Information Society, pp. 1-11, 2021. 
  3. 3. J. Choi and K. Nam, "The Theoretical Basis of Linguistics in the Age of Artificial Intelligence: The Legacy of Firth's(1957) Linguistic Theory in 21st-century Linguistics," Journal of East-West Humanities, vol. 15, no. 4, pp. 43-82, 2021. 
  4. 4. H. Y. Shin and S. H. Kweon, "An Evaluation of Determinants to Viewer Acceptance of Artificial Intelligence-based News Anchor," Journal of the Korea Contents Association, vol. 21, no. 4, pp. 205-219, 2021. 
  5. 5. Y. Bengio, A. Courville, and P. Vincent, "Representation Learning: A Review and New Perspectives," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 35, no. 8, pp. 1798-1828, 2013. 
  6. 6. D. H. Cho, H. S. Ryou, S. H. Jung, and K. J. Oh, "Using AI to develop forecasting model in IPO market," Journal of the Korean Data And Information Science Society, vol. 31, no.3, pp. 579-590, 2020. 
  7. 7. Y. J. Song, J. W. Lee, and J. W. Lee, "Performance Evaluation of Price-based Input Features in Stock Price Prediction using Tensorflow," KIISE Transactions on Computing Practices, vol. 23, no. 11, pp. 625-631, 2017. 
  8. 8. S. H. Chun, "The Effect of Data Size on the k-NN Predictability: Application to Samsung Electronics Stock Market Prediction," Journal of Intelligence and Information Systems, vol. 25, no. 3, pp. 239-251, 2019. 
  9. 9. M. S. Lee and H. C. Ahn, "A Time Series Graph based Convolutional Neural Network Model for Effective Input Variable Pattern Learning : Application to the Prediction of Stock Market," Journal of Intelligence and Information Systems, vol. 24, no. 1, pp.167-181, 2018. 
  10. 10. J. H. Cui and S. H. Kim, "Predicting Stock Prices Based on Neural Networks Around Earnings Announcements," Journal of The Korean Data Analysis Society, vol. 22, no. 6, pp. 2667-2678, 2020. 
  11. 11. I. T. Joo and S. H. Choi, "Stock Prediction Model based on Bidirectional LSTM Recurrent Neural Network," Journal of Korea Institute of Information, Electronics, and Communication Technology, vol. 11, no. 2, pp. 204-208, 2018. 
  12. 12. D. G. Kim, "Suggestion of a New Volatility Index(VIX) in Stock Market," in Proceeding of the 23th semi-annual conference on The Korea Institute of Information and Communication Engineering, pp. 283-285, 2019. 

DOI 인용 스타일

"" 핵심어 질의응답