AI의 LSTM기법을 이용한 금융시계열 데이터 변동성 예측방법 연구
A Study on Financial Time Series Data Volatility Prediction Method Using AI's LSTM Method
1
조회
0
다운로드
9
인용
0
참고문헌
키워드
초록
본 연구의 목적은 인공지능 기법 중 하나인 LSTM(Long Short Term Memory)을 사용하여 금융상품들에 대한 미래 변동성을 보다 효과적으로 예측하고자 하는 것이다. 기존의 주식, 채권 등 금융상품에 대한 미래값 예측은 기본적 분석과 기술적 분석을 통하여 이루어져 왔다. 그 중에서 본 연구는 기술적 분석의 한 방법으로 과거 데이터를 기초로 한 미래 전망치를 예측하는 방법에 집중하였다. LSTM 기법을 통해 보다 미래 전망치의 예측률을 높이는 것을 목적으로 하였다. 금융상품의 미래가격 전망치는 그 상품의 미래 변동성의 크기에 반비례한다. 즉, 내일의 주가변동성이 커지면 내일의 주가는 하락할 가능성이 크다는 것이다. 따라서 대상 금융상품에 대한 미래의 변동성을 예측할 수 있다면 그 상품의 미래가격 등락을 보다 효과적으로 전망할 수 있다. 본 논문은 LSTM 기법을 활용하여 어떤 금융상품의 과거데이터(변동성 크기와 가격)를 인공지능으로 학습시켜서 미래의 가격 변동성을 예측하였으며, 그 결과 인공지능이 예측한 검증 기간의 변동성 움직임이 동 기간의 실제 변동성 값과 매우 유사한 결과를 도출했다. 이를 통해 본 연구결과를 활용하여 향후 금융상품 (주식, 채권 등)에 대한 미래 가격전망을 보다 효과적으로 할 수 있을 것으로 본다. 또한 기존의 다른 변동성 예측방법과 더불어서 본 연구결과를 활용할 경우 미래의 변동성 예측 정확성에 보다 기여할 수 있을 것으로 기대하며, 궁극적으로는 펀드를 포함한 금융투자 상품의 투자수익률 개선에 기여할 것으로 기대한다.
Abstract
The purpose of this study is to predict the future volatility of financial instruments more effectively by utilizing Long Short Term Memory (LSTM) which is one of the artificial intelligence (AI) techniques. This study focused on the method of predicting the future forecasts based on the historical data through the LSTM technique. The future price of a financial instrument is inversely proportional to the instrument’s size of future volatility. Therefore, if future volatility can be predicted for the targeted financial instrument, the fluctuation in the instrument’s price in the future can be projected more effectively. This paper predicts the future price volatility by making the historical data of a financial instrument to learn by using AI technique. As a result, the volatility movement predicted by AI was significantly similar to the actual volatility value during the same period. Through this, the results of this study are expected to be used to forecast the price of financial products more effectively. In addition, it is expected that the results of this study, together with other existing methods for volatility prediction, will further contribute to the accuracy of projecting the future volatility, and ultimately contribute to the improvement in investment returns of financial investments products including funds.
참고문헌 (15)
- C. H. Won, "Predicting stock index volatility using LSTM and GARCH-type models", Master, pp.2019
- J-B. Moon, "A study on VKOSPI volatility trading strategy using VIX index", Master, pp.2016
- J. Ilonen, "Differential evolution training algorithm for feed-forward neural networks", Neural Processing Letters, 17, pp.93~105 (2003)
- W. Jang, "A study to solve trailing problem in the financial time series forecasting model using LSTM", Master, pp.2017
- Y-M. Seo, "Analysis of prediction accuracy of fine dust concentration for Seoul region using LSTM model", Master, Dept. of Geoinformation Engineering, pp.2019
- J-H. Lee, "A comparative study on stock price forecasting models using LSTM and bidirectional neural networks", Master, Science and Technology, pp.2019
- G. Lee, "A study on the lead", lag relationship among VIX, VIX futures, and S&P500, Pusan National University, 2015
- C-B. Lee, "An empirical study of the Korean stock return volatility using the GARCH models", Master, pp.1999
- S. H. Park, "The weather effect on stock returns, volatility, and trading behavior", Master, pp.2015
- Y. J. Yoon, "A study on relation between bond yields and equity volatility", Master’, pp.2014
- 박병기, "Regime Switching GARCH 모형을 이용한 한국주식 시장의 변동성 분석", 박사, 경영학과, pp.2013
- C. Kim, "A study on dynamic asset allocation using momentum and development of ETF asset allocation system", Master, pp.2018
- T. Bollerslev, "Generalized autoregressive conditional heteroskedasticity", Journal of Econometrics, 31(3), pp.307~327 (1986)
- Y-W. Choo, "A study on the comparison of forecasting volatility of stock return between the GARCH model and the stochastic volatility model", Master, pp.2000
- S-P. Hong, "Performance and fitness of risk forecasting about characteristics of stock with GARCH and VaR", Master, pp.2016