[논문]Performance Analysis of Trading Strategy using Gradient Boosting Machine Learning and Genetic Algorithm

Jang, Phil-Sik

doi:10.9708/jksci.2022.27.11.147

Performance Analysis of Trading Strategy using Gradient Boosting Machine Learning and Genetic Algorithm 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.27 no.11, 2022년, pp.147 - 155

Jang, Phil-Sik (Dept. of Air Transportation and Logistics, Sehan University)

초록
AI-Helper

본 연구에서는 그래디언트 부스팅 기계학습과 유전 알고리즘을 이용하여 일별 주식 포트폴리오를 동적으로 구성하는 시스템을 구축하고 트레이딩 시뮬레이션을 통해 성능을 분석하였다. 이를 위해 유가증권시장과 코스닥시장에 상장된 종목들의 가격 데이터 및 투자자별 거래정보를 포함한 다양한 데이터를 수집하고, 전처리 과정과 변수가공을 통해 학습-예측에 이용될 변수들을 생성하였다. 첫 번째 실험에서는 예측정확도와 정밀도, 재현율 및 F1 점수 등 네 가지 지표를 활용하여 그래디언트 부스팅 기법들(XGBoost, LightGBM, CatBoost)의 성능을 비교 평가하였다. 두 번째 실험에서는 전 단계에서 선택된 LightGBM과 유전 알고리즘을 적용하여 상장 종목들의 일별 수익 여부를 학습-예측하였다. 그리고 예측된 수익 발생확률을 바탕으로 종목을 선별하여 트레이딩 시뮬레이션을 시행하고, CAGR, MDD, 사프지수 및 변동성 측면에서 코스피, 코스닥 지수와의 성능을 비교 평가하였다. 분석 결과, 제안된 전략들 모두 네 가지 성능평가 지표상에서 시장 평균을 넘어서는 것으로 나타났으며, 그래디언트 부스팅과 유전 알고리즘의 결합이 주식 가격 예측에 효과적으로 이용될 수 있음을 보여주었다.

Abstract ▼ AI-Helper

In this study, we developed a system to dynamically balance a daily stock portfolio and performed trading simulations using gradient boosting and genetic algorithms. We collected various stock market data from stocks listed on the KOSPI and KOSDAQ markets, including investor-specific transaction data. Subsequently, we indexed the data as a preprocessing step, and used feature engineering to modify and generate variables for training. First, we experimentally compared the performance of three popular gradient boosting algorithms in terms of accuracy, precision, recall, and F1-score, including XGBoost, LightGBM, and CatBoost. Based on the results, in a second experiment, we used a LightGBM model trained on the collected data along with genetic algorithms to predict and select stocks with a high daily probability of profit. We also conducted simulations of trading during the period of the testing data to analyze the performance of the proposed approach compared with the KOSPI and KOSDAQ indices in terms of the CAGR (Compound Annual Growth Rate), MDD (Maximum Draw Down), Sharpe ratio, and volatility. The results showed that the proposed strategies outperformed those employed by the Korean stock market in terms of all performance metrics. Moreover, our proposed LightGBM model with a genetic algorithm exhibited competitive performance in predicting stock price movements.

주제어

표/그림 (8)

그림 Fig. 1. Flowchart of the Standard Genetic Algorithm
표 Table 1. Technical Indicators Used for the Analysis
표 Table 2. Confusion Matrix and Four Measures
표 Table 3. Range of Values for Hyperparameter Tuning
그림 Fig. 2. Cross-validation Time Series Split (Unit: month)
표 Table 4. Evaluation of Gradient Boosting Classification Algorithms
그림 Fig. 3. Cumulative Return and Drawdown Chart of Strategies
표 Table 5. Performance Analysis

AI 본문요약
AI-Helper

문제 정의

실험 2는 유전 알고리즘을 적용하여 변수를 선별하는 경우, 모든 변수를 이용하였을 때와 비교하여 성능이 향상 되는지를 검증하는 것이 목적이다. 즉, 검증 데이터 (validation set)를 대상으로 118개의 변수 모두를 이용하고 하이퍼파라미터 튜닝 후 모델을 생성한 경우와 유전 알고리즘을 이용하여 변수를 선택하고, 파라메터 튜닝 후 모델을 생성한 경우를 비교하였다.

가설 설정

과도한 슬리피지(slippage) 발생을 방지하기 위해 일 거래금액 40억 미만 종목들과 관리종목을 제외한 당일 유가증권시장과 코스닥시장의 거래 종목들 데이터를 학습, 예측하고 트레이딩 시뮬레이션에 이용하였다. 트레이딩 시뮬레이션 시에는 증권거래세, 위탁수수료, 유관기관 수수료 및 슬리피지를 고려하여, 매수-매도마다 0.5% 비용이 발생하는 것으로 가정하였다.

제안 방법

본 실험에서는 당일 종가 매수 후 다음 날 시초가에 매도하는 전략과 당일 종가 매수 후 다음 날 종가에 매도하는 두 가지 전략을 대상으로 성능 비교평가를 시행하였다. 60개월 동안 매일 상장 종목들을 당일 종가 매수 후 다음날 시초가 매도 시(전략 1)와 종가 매도 시(전략 2) 각각의 수익 여부를 학습하고, 24개월간 매일 매수 가능 종목의 다음 날 시초가/종가 매도 시 수익 발생 여부를 예측하였다. 그리고 가장 확률이 높은 10개 종목을 매수, 다음 날 시초가/종가에 매도한다고 가정하였을 때, 실제 수익 여부의 정확도, F1 점수 등 지표를 측정하였다.
60개월 동안 매일 상장 종목들을 당일 종가 매수 후 다음날 시초가 매도 시(전략 1)와 종가 매도 시(전략 2) 각각의 수익 여부를 학습하고, 24개월간 매일 매수 가능 종목의 다음 날 시초가/종가 매도 시 수익 발생 여부를 예측하였다. 그리고 가장 확률이 높은 10개 종목을 매수, 다음 날 시초가/종가에 매도한다고 가정하였을 때, 실제 수익 여부의 정확도, F1 점수 등 지표를 측정하였다.
첫 단계 실험에서는 그래디언트 부스팅 기법들 중 가장 많이 활용되는 세 가지 기법(XGBoost, LightGBM, CatBoost)들의 성능 비교와 평가를 통해 본 연구에 적합한 그래디언트 부스팅 기법을 선택하였다. 두 번째 단계 실험에서는 선택된 그래디언트 부스팅 기법을 바탕으로, 유전 알고리즘을 적용하였을 때의 성능향상 여부를 실험하였다.
단, 2015년 6월 15일부터 기존 ±15%였던 가격변동 폭이 ±30%로 확대되었는데, 이 시점 전과 후는 주가 변동 양상에 차이를 보일것으로 판단되며, 과거 데이터 확충, 활용 시 이러한 점을 고려해야 할 것으로 생각된다. 둘째, 본 연구에서는 그래디언트 부스팅 기법들을 비교, 평가하고 유전 알고리즘의 결합이 효과적인가를 확인하는 데 초점을 두어, 비교적 적은 수의 단기 전략만을 대상으로 분석이 이루어졌다. 추후 중장기 투자 및 다양한 전략을 활용한 분석 및 트레이딩 시뮬레이션이 시행된다면 더 실무적으로 의미 있는 결과가 도출되리라 기대된다.
본 실험에서는 당일 종가 매수 후 다음 날 시초가에 매도하는 전략과 당일 종가 매수 후 다음 날 종가에 매도하는 두 가지 전략을 대상으로 성능 비교평가를 시행하였다. 60개월 동안 매일 상장 종목들을 당일 종가 매수 후 다음날 시초가 매도 시(전략 1)와 종가 매도 시(전략 2) 각각의 수익 여부를 학습하고, 24개월간 매일 매수 가능 종목의 다음 날 시초가/종가 매도 시 수익 발생 여부를 예측하였다.
본 연구는 앙상블 기계학습 기법 중 그래디언트 부스팅과 유전 알고리즘을 결합, 학습을 통해 KOSPI 및 KOSDAQ 종목들을 선별, 트레이딩 시뮬레이션을 시행하고, 그 성능을 비교 평가하였다. 실험을 위해 증권사 API등을 활용하여 2013년 7월에서 2022년 6월까지 KOSPI와 KOSDAQ 시장의 거래 종목(1,733~2,664개)의 일별, 분별가격, 비가격 데이터 및 투자자별 매수, 평균단가 데이터 등을 취합, 활용하였다.
본 연구에서는 일정 수준의 거래량이 수반되는 KOSPI와 KOSDAQ 시장의 모든 종목을 대상으로, 일별, 분별 가격·비가격 데이터 및 투자자별 매수, 평균단가 데이터 등 다양한 데이터를 조합하고 다수의 변수를 생성하였다
또한 일별로 종목별 시가총액 및 외 국인 투자 한도, 감리, 관리종목 여부, 유·무상증자 발표 등 종목 관련 정보를 수집하였다. 수집된 데이터들은 데이터 정제(결측, 이상, 중복데이터 처리) 과정을 거치고, feature engineering을 통해 학습-예측에 사용될 변수들로 가공, 생성되었다. 변수가공 및 생성에 활용한 기술적 지표들과 산출 방법은 다음 Table 1과 같으며, 위에서 언급한 일봉, 분봉 및 거래량, 투자자별 거래정보 등과 Table 1 지표들을 포함하여 총 118개의 변수를 생성하였다.
적용된 기본 전략은 실험 1에서 성능 우위를 보인 당일 종가 매수 후 다음 날 시초가 매도 전략이며, LightGBM을 이용하여 다음 날 수익 발생 여부를 학습, 예측하였다. 그리고 예측된 수익 가능성이 가장 큰 10개 또는 20개 종목을 매일 매수, 다음 날 매도하는 트레이딩 시뮬레이션을 시행하고, 그 결과를 KOSPI 및 KOSDAQ 지수의 수익률과 비교하였다.
실험 2는 유전 알고리즘을 적용하여 변수를 선별하는 경우, 모든 변수를 이용하였을 때와 비교하여 성능이 향상 되는지를 검증하는 것이 목적이다. 즉, 검증 데이터 (validation set)를 대상으로 118개의 변수 모두를 이용하고 하이퍼파라미터 튜닝 후 모델을 생성한 경우와 유전 알고리즘을 이용하여 변수를 선택하고, 파라메터 튜닝 후 모델을 생성한 경우를 비교하였다. 유전 알고리즘은 엘리트 보존 방식(elitism)을 이용하고, 모집단의 크기는 50개체, 교차(crossover) 확률과 돌연변이(mutation) 확률은 0.
본 연구에서는 두 단계에 걸쳐 실험을 진행하였다. 첫 단계 실험에서는 그래디언트 부스팅 기법들 중 가장 많이 활용되는 세 가지 기법(XGBoost, LightGBM, CatBoost)들의 성능 비교와 평가를 통해 본 연구에 적합한 그래디언트 부스팅 기법을 선택하였다. 두 번째 단계 실험에서는 선택된 그래디언트 부스팅 기법을 바탕으로, 유전 알고리즘을 적용하였을 때의 성능향상 여부를 실험하였다.

대상 데이터

그리고 예측된 수익 가능성이 가장 큰 10개 또는 20개 종목을 매일 매수, 다음 날 매도하는 트레이딩 시뮬레이션을 시행하고, 그 결과를 KOSPI 및 KOSDAQ 지수의 수익률과 비교하였다. 과도한 슬리피지(slippage) 발생을 방지하기 위해 일 거래금액 40억 미만 종목들과 관리종목을 제외한 당일 유가증권시장과 코스닥시장의 거래 종목들 데이터를 학습, 예측하고 트레이딩 시뮬레이션에 이용하였다. 트레이딩 시뮬레이션 시에는 증권거래세, 위탁수수료, 유관기관 수수료 및 슬리피지를 고려하여, 매수-매도마다 0.
그래디언트 부스팅 모델 간 예측성능 비교평가를 위해 전체 데이터 중 2013년 7월~2018년 6월까지 60개월 데이터를 학습데이터로, 2018년 7월~2020년 6월까지 24개월 데이터를 테스트용으로 사용하였다. 하이퍼파라미터 튜닝에는 R ver 4.
데이터는 증권사(크레온, 이베스트 투자증권)에서 제공하는 API(Application Programming Interface) 및 한국 거래소 웹사이트(www.krx.co.kr)를 활용하여 취합하였다. 취합된 데이터는 2013년 7월 1일부터 2022년 6월30일까지 유가증권(KOSPI)시장과 코스닥(KOSDAQ)시장에 상장되어 거래된 종목(시기에 따라 1,733~2,664개)의 일별 데이터와 분별데이터이다.
또한 일별로 종목별 시가총액 및 외 국인 투자 한도, 감리, 관리종목 여부, 유·무상증자 발표 등 종목 관련 정보를 수집하였다
취합된 데이터는 2013년 7월 1일부터 2022년 6월30일까지 유가증권(KOSPI)시장과 코스닥(KOSDAQ)시장에 상장되어 거래된 종목(시기에 따라 1,733~2,664개)의 일별 데이터와 분별데이터이다. 분별 취합된 데이터는 분봉(시고저종가), (누적) 거래량, (누적) 거래금액이며, 일별 데이터는 일봉(시고저종가), 거래량, 거래금액과 수급 정보(개인, 기관, 외국인, 증권사, 보험, 투신 등 10개 투자자별 순매수량, 평균단가) 등이다. 또한 일별로 종목별 시가총액 및 외 국인 투자 한도, 감리, 관리종목 여부, 유·무상증자 발표 등 종목 관련 정보를 수집하였다.
본 연구는 앙상블 기계학습 기법 중 그래디언트 부스팅과 유전 알고리즘을 결합, 학습을 통해 KOSPI 및 KOSDAQ 종목들을 선별, 트레이딩 시뮬레이션을 시행하고, 그 성능을 비교 평가하였다. 실험을 위해 증권사 API등을 활용하여 2013년 7월에서 2022년 6월까지 KOSPI와 KOSDAQ 시장의 거래 종목(1,733~2,664개)의 일별, 분별가격, 비가격 데이터 및 투자자별 매수, 평균단가 데이터 등을 취합, 활용하였다. 실험 1에서는 다양한 변수들을 생성하여, 그래디언트 부스팅 기법 중 XGboot, LightGBM 및 CatBoost의 성능을 비교 평가하였으며, 분석 결과 LightGBM이 가장 양호한 예측성능을 보이는 것으로 확인되었다.
2와 같이 시계열 교차검증(time series cross-validation)을 시행하였다. 즉, 학습 시작 시점은 2013년 7월 1일로 고정하였으며, 최근 데이터 2년을 2개월씩 분할하고 그 이전 기간을 학습 후 학습된 모델을 이용하여 순차적으로 테스트하였다.
본 연구의 제한점과 이를 바탕으로 한 후속 연구를 위한 제언은 다음과 같다. 첫째, 본 연구에서는 2013년에서 2022년 사이의 비교적 짧은 기간 내 데이터를 대상으로 분석이 이루어졌다. 이보다 더 긴 기간의 데이터가 취합, 축적되어 이를 대상으로 학습, 예측이 이루어진다면 좀 더 의미 있는 결과를 얻을 수 있을 것이다.
최종 성능 비교 및 평가를 위한 지표로는 연평균 복리수익률(CAGR), 최대 자본 인하액(MDD), 샤프지수(Sharpe ratio) 및 변동성(volatility)을 활용하였으며, 샤프지수 산출 시 무위험 수익률은 국고채 금리 3년물의 일별 데이터를 이용하였다. 또한 트레이딩 알고리즘의 검증과 성과분석을 위해 다음 Fig.
kr)를 활용하여 취합하였다. 취합된 데이터는 2013년 7월 1일부터 2022년 6월30일까지 유가증권(KOSPI)시장과 코스닥(KOSDAQ)시장에 상장되어 거래된 종목(시기에 따라 1,733~2,664개)의 일별 데이터와 분별데이터이다. 분별 취합된 데이터는 분봉(시고저종가), (누적) 거래량, (누적) 거래금액이며, 일별 데이터는 일봉(시고저종가), 거래량, 거래금액과 수급 정보(개인, 기관, 외국인, 증권사, 보험, 투신 등 10개 투자자별 순매수량, 평균단가) 등이다.

데이터처리

또한 트레이딩 알고리즘의 검증과 성과분석을 위해 다음 Fig. 2와 같이 시계열 교차검증(time series cross-validation)을 시행하였다. 즉, 학습 시작 시점은 2013년 7월 1일로 고정하였으며, 최근 데이터 2년을 2개월씩 분할하고 그 이전 기간을 학습 후 학습된 모델을 이용하여 순차적으로 테스트하였다.
적용된 기본 전략은 실험 1에서 성능 우위를 보인 당일 종가 매수 후 다음 날 시초가 매도 전략이며, LightGBM을 이용하여 다음 날 수익 발생 여부를 학습, 예측하였다. 그리고 예측된 수익 가능성이 가장 큰 10개 또는 20개 종목을 매일 매수, 다음 날 매도하는 트레이딩 시뮬레이션을 시행하고, 그 결과를 KOSPI 및 KOSDAQ 지수의 수익률과 비교하였다. 과도한 슬리피지(slippage) 발생을 방지하기 위해 일 거래금액 40억 미만 종목들과 관리종목을 제외한 당일 유가증권시장과 코스닥시장의 거래 종목들 데이터를 학습, 예측하고 트레이딩 시뮬레이션에 이용하였다.

이론/모형

정밀도는 전략 1의 경우, CatBoost가, 전략 2의 경우는 XGBoost가 우수한 것으로 나타났으며, 재현율과 F1 점수는 LightGBM이 높은 것으로 나타났다. 근소한 차이지만, 두 전략 모두 LightGBM이 전반적으로 우수한 것으로 평가되었으며, 이에 따라 LightGBM을 최종 모형으로 선정하였다. 그리고 당일 종가 매수 후 다음 날 시초가 매도 전략(전략 1)과 종가 매도 전략(전략 2)의 경우, 전략 1이 모든 지표상에서 성능 우위를 보여주었다.
즉, 검증 데이터 (validation set)를 대상으로 118개의 변수 모두를 이용하고 하이퍼파라미터 튜닝 후 모델을 생성한 경우와 유전 알고리즘을 이용하여 변수를 선택하고, 파라메터 튜닝 후 모델을 생성한 경우를 비교하였다. 유전 알고리즘은 엘리트 보존 방식(elitism)을 이용하고, 모집단의 크기는 50개체, 교차(crossover) 확률과 돌연변이(mutation) 확률은 0.5, 0.03을 사용하였으며, 40세대 동안 연속하여 개선되지 않거나 최대 70세대에 도달하면 종료하도록 하였다.

성능/효과

64) 것으로 평가되었다. KOSPI 및 KOSDAQ의 샤프지수가 각각 0.35, 0.14인 것에 비해 네 개 전략 모두 샤프 지수는 1 이상인 것으로 평가되었다.
96)가 네 개 전략 중 가장 높은 것으로 나타났다. KOSPI 지수 및 KOSDAQ 지수의 변동성은 각각 17.46, 22.06으로, 네 개 전략 모두 KOSPI 지수 및 KOSDAQ 지수에 비해 양호한 것으로 분석되었다.
실험 2에서는 실험 1의 결과를 바탕으로, 유전 알고리즘을 이용한 변수 선택 여부 × 일별 매수 종목 개수에 따른 네 개 전략들의 트레이딩 시뮬레이션을 수행하였으며, 이 전략들은 CAGR, MDD, 샤프지수 및 변동성 측면에서 KOSPI, KOSDAQ 시장 평균보다 우수한 투자성과를 보여주었다. 또한, 유전 알고리즘을 활용한 변수 선별이 투자성과 향상에 효과적임을 확인할 수 있었으며, 이는 유전 알고리즘과 그래디언트 부스팅기법이 효과적으로 결합, 활용될 수 있다는 사례를 보여주었다는 점에서 학문적 의의가 있다.
실험을 위해 증권사 API등을 활용하여 2013년 7월에서 2022년 6월까지 KOSPI와 KOSDAQ 시장의 거래 종목(1,733~2,664개)의 일별, 분별가격, 비가격 데이터 및 투자자별 매수, 평균단가 데이터 등을 취합, 활용하였다. 실험 1에서는 다양한 변수들을 생성하여, 그래디언트 부스팅 기법 중 XGboot, LightGBM 및 CatBoost의 성능을 비교 평가하였으며, 분석 결과 LightGBM이 가장 양호한 예측성능을 보이는 것으로 확인되었다. 실험 2에서는 실험 1의 결과를 바탕으로, 유전 알고리즘을 이용한 변수 선택 여부 × 일별 매수 종목 개수에 따른 네 개 전략들의 트레이딩 시뮬레이션을 수행하였으며, 이 전략들은 CAGR, MDD, 샤프지수 및 변동성 측면에서 KOSPI, KOSDAQ 시장 평균보다 우수한 투자성과를 보여주었다.
실험 2에서는 실험 1의 결과를 바탕으로, 유전 알고리즘을 이용한 변수 선택 여부 × 일별 매수 종목 개수에 따른 네 개 전략들의 트레이딩 시뮬레이션을 수행하였으며, 이 전략들은 CAGR, MDD, 샤프지수 및 변동성 측면에서 KOSPI, KOSDAQ 시장 평균보다 우수한 투자성과를 보여주었다
유전 알고리즘을 이용한 변수 선택 여부 × 일별 매수 종목 개수에 따른 네 개 전략들의 트레이딩 시뮬레이션 결과는 Table 5, Fig 3과 같다. 전략 5(유전 알고리즘 적용, 10개 종목 트레이딩)의 CAGR(27.32%)이 가장 높은 것으로평가 되었으며, 전략 3(모든 변수, 10개 종목 트레이딩)이 두 번째 높은 CAGR(15.06%)을 보였다. 네 개 전략의 CAGR은 모두 10% 이상이며, KOSPI 지수 및 KOSDAQ 지수의 CAGR(5.
평가 결과, 정확도는 전략 1의 경우, LightGBM이, 전략 2의 경우는 CatBoost와 LightGBM이 우수한 것으로 나타났다. 정밀도는 전략 1의 경우, CatBoost가, 전략 2의 경우는 XGBoost가 우수한 것으로 나타났으며, 재현율과 F1 점수는 LightGBM이 높은 것으로 나타났다. 근소한 차이지만, 두 전략 모두 LightGBM이 전반적으로 우수한 것으로 평가되었으며, 이에 따라 LightGBM을 최종 모형으로 선정하였다.
그래디언트 부스팅 알고리즘 별로 당일 종가에 매수하고, 다음 날 시초가에 매도하는 전략(전략 1)과 종가에 매도하는 전략(전략 2)을 대상으로 한 네 가지 예측 결과 평가지표는 Table 4와 같다. 평가 결과, 정확도는 전략 1의 경우, LightGBM이, 전략 2의 경우는 CatBoost와 LightGBM이 우수한 것으로 나타났다. 정밀도는 전략 1의 경우, CatBoost가, 전략 2의 경우는 XGBoost가 우수한 것으로 나타났으며, 재현율과 F1 점수는 LightGBM이 높은 것으로 나타났다.

후속연구

첫째, 본 연구에서는 2013년에서 2022년 사이의 비교적 짧은 기간 내 데이터를 대상으로 분석이 이루어졌다. 이보다 더 긴 기간의 데이터가 취합, 축적되어 이를 대상으로 학습, 예측이 이루어진다면 좀 더 의미 있는 결과를 얻을 수 있을 것이다. 단, 2015년 6월 15일부터 기존 ±15%였던 가격변동 폭이 ±30%로 확대되었는데, 이 시점 전과 후는 주가 변동 양상에 차이를 보일것으로 판단되며, 과거 데이터 확충, 활용 시 이러한 점을 고려해야 할 것으로 생각된다.
둘째, 본 연구에서는 그래디언트 부스팅 기법들을 비교, 평가하고 유전 알고리즘의 결합이 효과적인가를 확인하는 데 초점을 두어, 비교적 적은 수의 단기 전략만을 대상으로 분석이 이루어졌다. 추후 중장기 투자 및 다양한 전략을 활용한 분석 및 트레이딩 시뮬레이션이 시행된다면 더 실무적으로 의미 있는 결과가 도출되리라 기대된다.

참고문헌 (29)

D. W. Hah, Y. M. Kim, and J. J. Ahn, "A study on KOSPI 200 direction forecasting using XGBoost model," Journal of the Korean Data & Information Science Society, Vol. 33, No, 3, pp. 655-669, May 2019. DOI: 10.7465/jkdi.2019.30.3.655

상세보기
T. Kimoto, and K. Asakawa, "Stock market prediction system with modular neural networks," Proceedings of the international joint conference on neural networks, pp. 1-6, Jan. 1990. DOI: 10.1109/IJCNN.1990.137535
K. Kamijo., and T. Tanigawa., "Stock price pattern recognition-a recurrent neural network approach," In: Proceedings of the international joint conference on neural networks. pp. 211-5, June 1990. DOI: 10.1109/IJCNN.1990.137572
P. F. Pai, and C. S. Lin, "A hybird ARIMA and support vector machines model in stock price forecasting," Omega, Vol. 33, pp. 497-505, Dec. 2005. DOI: 10.1016/j.omega.2004.07.024

상세보기
H. J. Kim, and K. S. Shin, "A hybrid approach based on neural networks and genetic algorithms for detecting temporal patterns in stock markets," Applied Soft Computing, Vol. 7, pp. 569-576, Mar. 2007. DOI: 10.1016/j.asoc.2006.03.004

상세보기
Y. C. Yoon, N. R. Jo, and S. D. Lee, "Forecasting algorithm using an improved genetic algorithm based on backpropagation neural network model," Journal of the Korean Data & Information Science Society, Vol. 28, pp. 1327-1336, Nov. 2017. DOI: 10.7465/jkdi.2017.28.6.1327

원문보기 상세보기
S. Siami-Namini, N. Tavakoli and A. S. Namin, "A comparison of ARIMA and LSTM in forecasting time series," 17th IEEE International Conference on Machine Learning and Applications (ICMLA), pp. 1394-1401, 2018. DOI: 10.1109/ICMLA.2018.00227
S. R. Selvin, R. Vinayakumar, E. A. Gopalakrishnan, V. K. Menon and K. P. Soman, "Stock price prediction using LSTM, RNN and CNN-sliding window model," 2017 International Conference on Advances in Computing, Communications and Informatics, pp. 1643-1647, Apr. 2017. DOI: 10.1109/ICACCI.2017.8126078
S. O. Arik and P. Tomas, "Tabnet: Attentive interpretable tabular learning," Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 35. No. 8. May 2021. DOI: 10.48550/arXiv.1908.07442
Y. G. Lee, J. Y. Oh, and G. B. Kim, "Interpretation of Load Forecasting Using Explainable Artificial Intelligence Techniques," The Transactions of the Korean Institute of Electrical Engineers, Vol. 69, No. 3, pp. 480-485, Mar. 2020. DOI: 10.5370/KIEE.2020.69.3.480

상세보기
H. Kim, "The Prediction of PM2.5 in Seoul through XGBoost Ensemble," Journal of the Korean Data Analysis Society, Vol. 22, No. 4, pp. 1661-1671, Apr. 2020. DOI: 10.7780/kjrs.2021.37.2.11

원문보기 상세보기
S. B. Jha, R. F. Babiceanu, V. Pandey, and R. K. Jha, "Housing Market Prediction Problem using Different Machine Learning Algorithms: A Case Study," arXiv: 2006.10092v1, June 2020. DOI: 10.48550/arXiv.2006.10092
S. I. Jang and K. C. Kwak, "Comparison of Safety Driver Prediction Performance with XGBoost and LightGBM," in Proceeding of Korea Institute of Information Technology Conference, pp. 360-362, Jan. 2019.
J. S. Heo, D. H. Kwon, J. B. Kim, Y. H. Han and C. H. An, "Prediction of cryptocurrency price trend using gradient boosting," KIPS transactions on software and data engineering, Vol. 7, No. 10, pp. 387-396, Oct. 2018. DOI : 10.3745/KTSDE. 2018.7.10.387

원문보기 상세보기
D. Opitz, R. Maclin, "Popular ensemble methods: An empirical study," Journal of Artificial Intelligence Research, Vol. 11, pp. 169-198, Aug. 1999. DOI: 10.1613/jair.614

상세보기
R. Polikar, "Ensemble based systems in decision making," IEEE Circuits and Systems Magazine, Vol. 6, No. 3, pp. 21-45, Sept. 2006. DOI: 10.1109/MCAS.2006.1688199

상세보기
L. Rokach, "Ensemble-based classifiers," Artificial Intelligence Review, Vol. 33, No. 1, pp. 1-39, Nov. 2010. DOI: 10.1007/s10 462-009-9124-7.

상세보기
K. M. An, Y. C. Lee, "Corporate Innovation and Business Performance Prediction Using Ensemble Learning," The Journal of Information Systems, Vol. 30, No. 4, pp. 247-275, Dec. 2021. DOI: 10.5859/KAIS.2021.30.4.247

원문보기 상세보기
D. S. Siroky, "Navigating Random Forests and Related Advances in Algorithmic Modeling," Statistics Surveys, Vol. 3, pp. 147-163, Nov. 2009. DOI: 10.1214/07-SS033

상세보기
G. Creamer and Y. Freund, "Automated Trading with Boosting and Expert Weighting," Quantitative Finance, Vol. 10, No. 4, pp. 401-420, Dec. 2010. DOI: 10.1080/14697680903104113

상세보기
B. Gorman, "A Kaggle Master Explains Gradient Boosting," http://blog.kaggle.com/2017/01/23/a-kaggle-master-explains-grad ient-boosting, Jan. 2017.
S. Basak, S. Kar, S. Saha, L. Khaidem and S. R. Dey, "Predicting the direction of stock market prices using tree-based classifiers," The North American Journal of Economics and Finance, Vol. 47, pp. 552-567, Jan. 2019. DOI: 10.1016/j.najef.2018.06.013

상세보기
T. Chen, C. Guestrin, "XGBoost: A scalable tree boosting system," KDD '16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 785-794, Jun. 2016. DOI: 10.1145/2939672.2939785
G. Ke, Q. Meng, T. Finley, T. Wang, W. Chen, W. Ma and T. Y, Liu, "Lightgbm: A Highly Efficient Gradient Boosting Decision Tree," Advances in Neural Information Processing Systems, Vol. 30, pp. 3146-3154, Dec. 2017.
L. Prokhorenkova, G. Gusev, A. Vorobev, A. V. Dorogush, and A. Gulin, "CatBoost: unbiased boosting with categorical features," Advances in neural information processing systems, 31. 2018.
M. J. Cheon, H. J. Choi, J. W. Park, H. Choi, D. H. Lee and O. Lee, "A Study on the traffic flow prediction through Catboost algorithm," Journal of the Korea Academia-Industrial cooperation Society, Vol. 22, No. 3, pp. 58-64, Mar. 2021. DOI: 10.5762/KAIS.2021.22.3.58

원문보기 상세보기
S. H. Hong, and K. S. Shin, "Using GA based Input Selection Method for Artificial Neural Network Modeling:Application to Bankruptcy Prediction," Journal of Intelligence and Information Systems, Vol. 9, No. 1, pp. 227-247, Jun. 2003. UCI: G704-000721.2003.9.1.010
J. K. Ohk, and K. J. Kim, "Integrated Corporate Bankruptcy Prediction Model Using Genetic Algorithms," Journal of Intelligence and Information Systems, Vol. 15, No. 4, pp. 99-121, Dec. 2009. UCI: G704-000721.2009.15.4.011
M. A. Albadr, S. Tiun, M. Ayob, and F. Al-Dhief, "Genetic algorithm based on natural selection theory for optimization problems. Symmetry," Vol. 12, No 11, pp. 1758-1789, Oct. 2020. DOI: 10.3390/sym12111758.

상세보기

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