국제 맥락정보와 변수 선택법을 강조한 코스피 주가 예측 최적화
Optimizing Stock Price Prediction via Macro context and Filter-DQN Framework
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
한국 종합주가지수는 수출 중심의 경제 구조로 인하여 글로벌 시장 변동성에 민감하게 반응한다. 그러나 대부분의 기존 주가 예측 연구는 두 가지 한계점이 있었다. 첫째, 국제와 국내 지표를통합적으로 충분히 활용하지 못하였으며, 둘째, 다량의 변수 중 중요한 정보를 효과적으로 선별하지 못해 데이터가 부족한 금융 분야에서 딥러닝 기반 모델의 예측 성능과 효율성에서 그 한계가있었다. 본 연구는 이러한 한계점들을 개선하기 위해 주요 수출 대상국의 시장 동향과 국제적인거시경제 변수를 포함한 확장된 데이터 셋과 상호 정보 이론과 강화 학습 알고리즘을 결합한Filter-DQN 방법을 제안한다. 제안된 방법은 전체 변수 집합 중에 유의미한 변수들만을 선별함으로써 계산 비용을 절감하고 예측 성능을 극대화시키고자 한다. 실험 결과, 제안된 방식은 전체 변수를 사용하여 예측하였을 때 대비 8.28%, 기본적인 상호 정보량 기반 방식 대비 45.28%의 성능향상을 달성했으며, 변수 차원의 축소로 계산 비용 또한 2.6% 절감하는 효과를 보였다.
Abstract
The Korea Composite Stock Price Index exhibits high sensitivity to global market conditions, as net exports form a conerstone of the economic structure in Korea. However, most existing studies on stock price prediction limited in two key aspects: First, they primarily focus on indicators within the domestic market, thereby omitted the influence of global market dynamics. Second, they lack of thorough consideration of feature selection methods, which hinders performance and efficiency of deep prediction models in data-hungry financial time series. In this paper, we propose extended stock data that integrates stock market indicators from major export destinations along with macroeconomic variables and Filter-DQN, a novel feature selection method that incorporates mutual information theory and reinforcement learning approach. The proposed method enhance both prediction performance and computational efficiency by effectively filtering out redundant variables. Experimental results demonstrate that the Filter-DQN method improved performance of baseline models by 8.28%, 45.28%, compared to full variables and naive mutual information based selection, respectively. Futhermore, the reduced dimensionality of variables leads to 2.6% reduction in computational cost.