[논문]주가 예측 모델에서의 분할 예측을 통한 성능향상 탐구

여태건우; 유도희; 남정원; 오하영

doi:10.6109/jkiice.2022.26.4.503

주가 예측 모델에서의 분할 예측을 통한 성능향상 탐구
Exploring performance improvement through split prediction in stock price prediction model 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.26 no.4, 2022년, pp.503 - 509

여태건우 (Web Programming, Korea Digital Media High School) , 유도희 (Web Programming, Korea Digital Media High School) , 남정원 (Web Programming, Korea Digital Media High School) , 오하영 (College of Computing & Informatics, Sungkyunkwan University)

초록
AI-Helper

본 논문의 연구 취지는 예측하고자 하는 다음 날과 이전 날의 시가 사이 변동률을 예측값으로 두고 시가를 예측하는 기존 논문들과는 다르게 예측하고자 하는 다음날의 주가 순위를 일정한 간격으로 분할하여 생성된 각 구간마다의 시가 변동률을 예측값으로 하는 모델을 통하여 최종적인 다음날의 시가 변동률을 예측하는 새로운 시계열 데이터 예측 방식을 제안하고자 한다. 예측값의 세분화 정도와 입력 데이터의 종류에 따른 모델의 성능 변화를 분석했으며 연구 결과 예측값의 세분화 정도에 따른 모델의 예측값과 실제값의 차이가 예측값의 세분화 개수가 3일 때 큰 폭으로 감소한다는 사실도 도출해 낼 수 있었다.

Abstract ▼ AI-Helper

The purpose of this study is to set the rate of change between the market price of the next day and the previous day to be predicted as the predicted value, and the market price for each section is generated by dividing the stock price ranking of the next day to be predicted at regular intervals, which is different from the previous papers that predict the market price. We would like to propose a new time series data prediction method that predicts the market price change rate of the final next day through a model using the rate of change as the predicted value. The change in the performance of the model according to the degree of subdivision of the predicted value and the type of input data was analyzed.

주제어

표/그림 (13)

그림 Fig. 1 Data Preprocessing of the proposed scheme
그림 Fig. 2 Stock price data period infographic of the created candle chart image
표 Table. 1 Type of stock price data and Crawling Date
그림 Fig. 3 Overview of proposed DNN model
그림 Fig. 4 Graph illustration for calculating the percentage change in stock price
표 Table. 2 DataFrame Column Table
그림 Fig. 5 Loss value graph of input value format diversification experiment
표 Table. 3 Input subdivision type Table
표 Table. 4 Presenting graphs from a total of 4 perspectives (Fig.5-8 Table of the x and y axes of the graph)
표 Table. 5 Fig.6, 8 Graph Color Type Table
표 Table. 6 Fig.5, 7 Graph Color Type Table
그림 Fig. 6 Loss value graph of output value format diversification experiment
그림 Fig. 7 Accuracy graph of input value format diversification experiment

참고문헌 (9)

B. Li and S. Kim "LSTM artificial neural network prediction of stock prices in China," Journal of Northeast Asian Studies, vol. 32, no. 2, pp. 61-84, 2020.
S. Selvin, R. Vinayakumar, E. A. Gopalakrishnan, V. K. Menon and K. P. Soman, "Stock price prediction using LSTM, RNN and CNN-sliding window model," in International Conference on Advances in Computing, Communications and Informatics (ICACCI), Udupi, pp. 1643-1647, 2017.
S. Bae and B. Choi, "Chart-based Stock Price Prediction by Combing Variation Autoencoder and Attention Mechanisms," Information Systems Review, vol. 23, no. 1, pp. 23-43, Feb. 2021.

원문보기 상세보기
Y. Oh and Y. Kim, "A Two-Phase Hybrid Stock Price Forecasting Model: Cointegration Tests and Artificial Neural Networks," The KIPS Transactions:PartB, vol. 14B, no. 7, pp. 531-540, Dec. 2007.

원문보기 상세보기
X. Zhou, Z. Pan, G. Hu, S. Tang, and C. Zhao, "Stock Market Prediction on High-Frequency Data Using Generative Adversarial Nets," Mathematical Problems in Engineering, pp. 1-11, Apr. 2018.
J. Lee, R. Kim, Y. Koh, and J. Kang, "Global Stock Market Prediction Based on Stock Chart Images Using Deep Q-Network," IEEE Access, vol. 7, pp. 167260-167277, Nov. 2019.

상세보기
W. Bao, J. Yue, and Y. Rao, "A deep learning framework for financial time series using stacked autoencoders and long-short term memory," PloS one, vol. 12, no. 7, p. e0180944, Jul. 2017.

상세보기
H. -J. Song and S. -J. Lee, "A Study on the Optimal Trading Frequency Pattern and Forecasting Timing in Real Time Stock Trading Using Deep Learning: Focused on KOSDAQ," The Journal of Information Systems, vol. 27, no. 3, pp. 123-140, Sep. 2018.

원문보기 상세보기
Github/YouTube of Author-https://youtu.be/y8CM_OsbpVg, https://github.com/doch2/AE-DNN-model-data, https://github.com/ytgw0/AE_dnn-and-DNN_experiment, https://youtu.be/fBZ8UDx8VZY

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