해외지수와 투자자별 매매 동향에 따른 딥러닝 기반 주가 등락 예측
Deep Learning-Based Stock Fluctuation Prediction According to Overseas Indices and Trading Trend by Investors
2
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
주가 예측은 경제, 통계, 컴퓨터 공학 등 여러 분야에서 연구되는 주제이며, 특히 최근에는 기본적 지표나 기술적 지표 등 다양한 지표로부터인공지능 모델을 학습하여 주가의 변동을 예측하는 연구들이 활발해 지고 있다. 본 연구에서는 S&P500 등의 해외지수, 과거 KOSPI 지수, 그리고KOSPI 투자자별 매매 동향으로부터 KOSPI의 등락을 예측하는 딥러닝 모델을 제안한다. 제안 모델은 주가 등락 예측을 위하여 비지도 학습 방법인적층 오토인코더를 이용하여 잠재변수를 추출하고, 추출된 잠재변수로부터 시계열 데이터 학습에 적합한 LSTM 모델로 학습하여 당일 시가 대비종가의 등락을 예측하며, 예측된 값을 기반으로 매수 또는 매도를 결정한다. 본 연구에서 제안하는 모델과 비교 모델들의 수익률 및 예측 정확도를비교한 결과 제안 모델이 비교 모델들 보다 우수한 성능을 보였다.
Abstract
Stock price prediction is a subject of research in various fields such as economy, statistics, computer engineering, etc. In recent years, researches on predicting the movement of stock prices by learning artificial intelligence models from various indicators such as basic indicators and technical indicators have become active. This study proposes a deep learning model that predicts the ups and downs of KOSPI from overseas indices such as S&P500, past KOSPI indices, and trading trends by KOSPI investors. The proposed model extracts a latent variable using a stacked auto-encoder to predict stock price fluctuations, and predicts the fluctuation of the closing price compared to the market price of the day by learning an LSTM suitable for learning time series data from the extracted latent variable to decide to buy or sell based on the value. As a result of comparing the returns and prediction accuracy of the proposed model and the comparative models, the proposed model showed better performance than the comparative models.
참고문헌 (18)
- G. Hu, "Deep stock representation learning : From candlestick charts to investment decisions", arXiv preprint arXiv : 1709. 03803, ~ (2018)
- J. Patel, "Predicting stock market index using fusion of machine learning techniques", Expert Systems with Applications, 42(4), pp.2162~2172 (2015)
- R. Singh, "Stock prediction using deep learning", Multimedia Tools and Applications, 76(18), pp.18569~18584 (2016)
- R. M. I. Kusuma, "Using deep learning neural networks and candlestick chart representation to predict stock market", arXiv : 1903. 12258v1, ~ (2019)
- S. J. Guo, "Deep candlestick predictor : A framework toward forecasting the price movement from candlestick charts", Proceedings of 9th International Symposium on Parallel Architectures, Algorithms and Programming, pp.219~226 (2018)
- T. Kamo, "Hybrid approach to the Japanese candlestick method for financial forecasting", Expert Systems with Applications, 36(3), pp.5023~5030 (2009)
- 신동하, "RNN과 LSTM을 이용한 주가 예측율 향상을 위한 딥러닝 모델", 한국정보기술학회논문지, 15(10), pp.9~16 (2017), 한국정보기술학회[DOI]
- 이우식, "딥러닝분석과 기술적 분석 지표를 이용한 한국 코스피주가지수 방향성 예측", 한국데이터정보과학회지, 28(2), pp.287~295 (2017), 한국데이터정보과학회[DOI]
- C. Liu, "Forecasting S&P 500 stock index using statistical learning models", Open Journal of Statistics, 6(6), pp.1067~1075 (2016)
- 이형용, "한국 주가지수 등락 예측을 위한 유전자 알고리즘 기반 인공지능 예측기법 결합모형", Entrue Journal of Information Technology, 7(2), pp.33~43 (2008), 엘지씨엔에스
- W. Bao, "A deep learning framework for financial time series using stacked autoencoders and longshort term memory", PloS One, 12(7), pp.e0180944~ (2017)
- Y. H. Lee, "Value investing using deep neural networks", Master's, pp.2018
- 허준영, "SVM 기반의 재무 정보를 이용한 주가 예측", 정보과학회 컴퓨팅의 실제 논문지, 21(3), pp.167~172 (2015), 한국정보과학회
- B. Liao, "An arctanactivated WASD neural network approach to the prediction of dow jones industrial average", Preceedings of the 14th International Symposium on Neural Networks, pp.120~126 (2017)
- S. A. Hamid, "Using neural networks for forecasting volatility of S&P 500 Index futures prices", Journal of Business Research, 57(10), pp.1116~1125 (2004)
- G. J. Kim, "Stock fluctuation prediction based on news sentiment analysis and time series prediction", Master's, pp.2017
- S. K. Kim, "Stock price prediction neural network system based on financial ratio", Proceedings of the Korea Intelligent Information System Society, 1, pp.293~307 (1994)
- S. Sangsawad, "Extracting significant features based on candlestick patterns using unsupervised approach", Preceedings of 2th International Conference on Information Technology, pp.1~5 (2017)