빅데이터 텍스트 마이닝 기반 주식 예측 시스템
Big Data Text Mining-Based Stock Prediction System
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 다국어 금융 텍스트(한국어 뉴스 및 영어 포럼)를 정량화된 거래 신호로 변환하는엔드-투-엔드 시스템을 제안한다. 금융 도메인 특화 언어 모델인 FinBERT와 KR-FinBERT를 활용하여 문장 단위 감성 분석을 수행하고, 이를 일간 감성 지수로 집계한다. 핵심 혁신은 감성 지수의 5일 EWMA가 60일 롤링 표준편차(±1σ)의 동적 밴드를 교차할 때 거래 신호를 발생시키는 적응형 변동성 임계값 메커니즘이다. 이는 시장 변동성에 따라 민감도를 자동 조절하여 전략의 강건성을 확보한다. 2020년 1월부터 2025년 6월까지 KOSPI 주식과 Apple을 대상으로 현실적인 거래비용(편도 0.1%)과 실행 지연을 반영한 엄격한 백테스트 결과, 액티브 전략은 수동적 벤치마크 대비 우수한 성과를 보였다. 특히 Apple과 기아는 각각 샤프 비율 1.42, 1.13을 기록했으며, 이벤트연구 및 민감도 분석을 통해 본 전략의 통계적·경제적 유의성을 확인하였다.
Abstract
This study presents an end-to-end system that transforms multilingual financial texts (Korean news and English forums) into quantifiable trading signals using domain-specific language models FinBERT and KR-FinBERT. The key innovation is an adaptive volatility threshold mechanism where trading signals are triggered when the 5-day EWMA of sentiment indices crosses dynamic bands defined by ±1 standard deviation of a 60-day rolling window. This approach automatically adjusts sensitivity to market volatility, enhancing strategy robustness across diverse conditions. Through rigorous backtesting on KOSPI stocks and Apple (January 2020 - June 2025) with realistic transaction costs (0.1% one-way) and execution delays, the active strategy consistently outperforms passive buy-and-hold benchmarks. Notably, Apple and Kia achieved Sharpe ratios of 1.42 and 1.13, respectively, with significantly lower maximum drawdowns. Event studies and parameter sensitivity analysis confirm the statistical and economic significance of this NLP-based algorithmic trading approach.