LDA와 LSTM를 응용한 뉴스 기사 기반 선물가격 예측
Futures Price Prediction based on News Articles using LDA and LSTM
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
경제지표를 분석하는 방법으로 회귀 분석이나, 인공지능을 활용하여 미래의 데이터를 예측하는 연구가 발표되었다. 본 연구에서는 토픽모델링을 사용하여 과거 뉴스 기사로부터 얻은 주제 확률 데이터를 이용한 인공지능으로 미래 선물 가격을 예측하는 시스템을 구상하였다. 과거 뉴스 기사로부터 비지도학습을 통한 문서의 주제를 추출할 수 있는 LDA 방법으로 각뉴스 기사 주제 확률 분포 데이터를 얻을 수 있고, 해당 데이터를 인공지능의 RNN의 파생 구조인 LSTM의 입력 데이터로 활용함으로써 미래 선물 가격을 예측하였다. 본 연구에서 제안한 방법에서는 선물 가격의 추세를 예측할 수 있었고, 이를 활용하여 추후 옵션 상품 등의 파생 상품에 대한 가격 추세도 예측할 수 있을 것으로 보인다. 다만, 일부 데이터에 대해 오차가 발생하는 것이 확인되어 정확도 향상을 위한 추가적인 연구가 필요하다.
Abstract
As research has been published to predict future data using regression analysis or artificial intelligence as a method of analyzing economic indicators. In this study, we designed a system that predicts prospective futures prices using artificial intelligence that utilizes topic probability data obtained from past news articles using topic modeling. Topic probability distribution data for each news article were obtained using the Latent Dirichlet Allocation (LDA) method that can extract the topic of a document from past news articles via unsupervised learning. Further, the topic probability distribution data were used as the input for a Long Short-Term Memory (LSTM) network, a derivative of Recurrent Neural Networks (RNN) in artificial intelligence, in order to predict prospective futures prices. The method proposed in this study was able to predict the trend of futures prices. Later, this method will also be able to predict the trend of prices for derivative products like options. However, because statistical errors occurred for certain data; further research is required to improve accuracy.
참고문헌 (15)
- 양철원, "선물가격은 현물가격을 선도하는가?：중국 시장에 대한 실증분석", 산업연구, 43(1), pp.55~71 (2019), 미래산업연구소
- 고광이, "토픽 모델을 이용한 경기변동 토픽지수 개발 및 KOSPI200지수에 대한 토픽지수 회귀모형", 한국데이터정보과학회지, 31(4), pp.579~594 (2020), 한국데이터정보과학회[DOI]
- 김인한, "LDA 토픽 모델링을 활용한 건축주의 단독주택 주거요구 문장 분석", 한국CDE학회 논문집, 27(4), pp.435~445 (2022), 한국CDE학회
- 한동희, "다중 웹사이트 관리를 위한 동작 기반 웹 크롤러 설정 구조 설계", 정보과학회 컴퓨팅의 실제 논문지, 27(2), pp.98~103 (2021), 한국정보과학회[DOI]
- 최성철, "토픽모델링 연구동향 분석: 공학과 사회과학 분야 KCI 등재지를 중심으로", Journal of The Korean Data Analysis Society, 22(2), pp.815~826 (2020), 한국자료분석학회
- David M. Blei, "Latent dirichlet allocation", J. Mach. Learn. Res, 3, pp.993~1022 (2003)
- Supervised Topic Models, "Blei, D. M.", NIPS, ~ (2007)
- Roberts, M. E., "Structural Topic Models for Open-Ended Survey Responses", American Journal of Political Science, 58, pp.1064~1082 (2014)[DOI]
- David M. Blei, "Dynamic topic models", Proceedings of the 23rd international conference on Machine learning (ICML ‘06), pp.113~120 (2006), Association for Computing Machinery
- C. H. Kang, "A study on the trend of COVID-19 perception through dynamic topic modeling and semantic network analysis using tweeter text data", master, pp.2021
- Wang, X., "Topics over time", Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining - KDD ’06 (2006)
- S. W. Lee, "Introduction and Development trend of Artificial Neural Networks", The Korean Institute of Electrical Engineers, 66(8), pp.36~41 (2017)
- Kihwan Choi, "Recent Applications in Convolutional Neural Network", Communications of the Korean Institute of Information Scientists and Engineers, 36(2), pp.25~31 (2018)
- 김승재, "구글 모빌리티 정보를 고려한 LSTM 모델 기반의 국내 COVID-19 확진자 수 예측", 한국지능시스템학회 논문지, 32(4), pp.292~298 (2022), 한국지능시스템학회[DOI]
- 김선웅, "Long Short-Term Memory-based Prediction Performance of COVID-19 Fear Index on Asset Prices: Stocks vs Cryptocurrencies", 아시아태평양융합연구교류논문지, 8(8), pp.45~58 (2022), 사단법인 한국융합기술연구학회[DOI]