기술적 지표와 기계학습을 이용한 KOSPI 주가지수 예측
Predicting KOSPI Stock Index using Machine Learning Algorithms with Technical Indicators
2
조회
0
다운로드
17
인용
0
참고문헌
키워드
초록
최근 다양한 분야에서 기계 학습에 대한 관심이 높아지고 있는 가운데 금융 분야에서도 로보어드바이저(robo-advisor) 등 기계 학습을 현업에 접목시키려는 시도가 많아지고 있다. 특히 이러한 기계적이고 정량적인 의사결정은 수수료와 같은 비용 절감은 물론 효과적인 의사결정을 가능하게 한다는 점에서 큰 장점이 있다. 본 연구에서는 SVM(support vector machines)와 라쏘 회귀분석(lassoregression) 그리고 인공신경망(Artificial Neural Network; ANN) 등의 기계학습 기법들을 이용하여 KOSPI 지수를 예측하는 모형을 개발하고 제시한 기계학습 기법들의 예측력을 비교, 분석한다. 실험은 학습 데이터(in sample)와 실험 데이터(out of sample)로 나눠서 진행하였는데, 전자는 2000년1월 1일부터 2009년 12월 31일까지이며 후자는 2010년 1월 1일부터 2015년 9월 15일까지이다. 실험을 진행한 결과 학습 데이터에서는 SVM이 ANN에 비해서 더 높은 예측력을 보인 반면에 실험 데이터에서는 ANN의 예측력이 더 우수했다. 한편 라쏘 회귀분석의 경우에는 학습 데이터와 실험 데이터 모두에서 예측력이 우수하지 않았다.
Abstract
Recently, there have been many attempts to employ the machine learning methodologiessuch as Robo-Advisor in the financial sector with growing interest in machine learning in varioussectors. Especially, these mechanical and quantitative decision making have some bigadvantages not only reduces the costs such as fees but also enable us to make effective decision. Inthis research, we developed a machine learning model to forecast the KOSPI index and analyze theaccuracy of the prediction. We use three machine learning model : SVM(support vector machines),Lasso regression, and ANN(Artificial Neural Network). We divided our data into two parts : 'insample' data and 'out of sample' data. The 'in sample' data is from January 1st, 2000 to December31st, 2010. And the 'out of sample' data is from January 1st, 2011 to September 15th, 2015. Theresult of the experiment, the 'in sample' data, the SVM showed higher accuracy compare to theANN. On the other hand, in the 'out of sample' data, ANN was superior than SVM. For the Lasso Regression analysis, it showed worst predictive accuracy in both 'in sample' and 'out of sample'data.
참고문헌 (15)
- 이석준, "선물시장의 시스템트레이딩에서 동적시간와핑 알고리즘을 이용한 최적매매빈도의 탐색 및 거래전략의 개발", 한국데이터정보과학회지, 22(2), pp.255~267 (2011), 한국데이터정보과학회
- 김정래, "전화통화 빅데이터 분석에 관한 연구", 정보기술아키텍처 연구, 10(3), pp.387~397 (2013), 한국엔터프라이즈아키텍처학회
- 김선웅, "Support Vector Machines와 유전자 알고리즘을 이용한 지능형 트레이딩 시스템 개발", 지능정보연구, 16(1), pp.71~92 (2010), 한국지능정보시스템학회
- 유재필, "시계열의 역상관관계를 이용한 KOSPI200 지수선물 매매 전략", 선물연구, 22(4), pp.723~746 (2014), 한국파생상품학회
- 유재필, "빅테이터 트렌드를 이용한 섹터 투자 전략", 정보기술아키텍처 연구, 13(1), pp.111~121 (2016), 한국엔터프라이즈아키텍처학회
- 허준영, "SVM 기반의 재무 정보를 이용한 주가 예측", 정보과학회 컴퓨팅의 실제 논문지, 21(3), pp.167~172 (2015), 한국정보과학회
- Amilon, H., "GARCH estimation and discrete stock prices : an application to low-priced Australian stocks", Economics Letters, 81(2), pp.215~222 (2003)
- Bekiros, S., "Direction-of-Change Forecasting using a Volatility-Based Recurrent Neural Network", Journal of Forecasting, 27, pp.407~417 (2008)
- Jeantheau, T., "A link between complete models with stochastic volatility and ARCH models", Finance Stochast, 8, pp.111~131 (2004)
- Kanas A., "Non-linear forecasts of stock returns", Journal of Forecasting, 22(4), pp.299~315 (2003)
- Jae Yeon Park, "Predicing Stock Returns using Machine Learning Algorithms", New York University, ~ (2015)
- Tay, F. E. H., "Application of support vector machines in financial time series forecasting", Omega, 29(4), pp.309~317 (2001)
- Yang, B., "An early warning system for loan risk assessment using artificial neural networks", Knowledge-Based Systems, 14, pp.303~306 (2001)
- Yoon, "Predicting stock price performance : a neural network approach", System Sciences, 4(5), pp.156~162 (1991)
- Wong, L. K., "An Improved Lyapunov Function Based Stability Analysis Method for Fuzzy Logic Control Systems", Electronics Letters, 36, pp.1085~1086 (2000)