가중치 손실 함수를 가지는 순환 컨볼루션 신경망 기반 주가 예측
A Stock Price Prediction Based on Recurrent Convolution Neural Network with Weighted Loss Function
1
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
본 논문에서는 RCNN (recurrent convolution neural network) 계층 모델을 채택한 인공 지능에 기반을 둔 주가 예측을 제안한다. LSTM (long-term memory model) 기반 신경망은 시계열 데이터의 예측에 사용된다. 다른 한편, 컨볼루션 신경망은 데이터 필터링, 평균화 및 데이터 확장을 제공한다. 제안된 주가 예측에서는 위에서 언급 한 장점들을 RCNN 모델에서 결합하여 적용함으로써 다음날의 주가 종가를 예측한다. 그리고 최근의 시계열의 데이터를 강조하기 위해 커스텀 가중치 손실 함수가 채택되었다. 또한 시장의 상황을 반영하기 위해 주가 인덱스에 관련된 데이터를 입력으로 포함하였다. 제안된 주가 예측 방식은 실제 주가를 대상으로 한 실험에서 3.19%로 테스트 오차를 줄였으며, 다른 방법보다 약 19%의 성능 향상을 거둘 수 있었다.
Abstract
This paper proposes the stock price prediction based on the artificial intelligence, where the model with recurrent convolution neural network (RCNN) layers is adopted. In the motivation of this prediction, long short-term memory model (LSTM)-based neural network can make the output of the time series prediction. On the other hand, the convolution neural network provides the data filtering, averaging, and augmentation. By combining the advantages mentioned above, the proposed technique predicts the estimated stock price of next day. In addition, in order to emphasize the recent time series, a custom weighted loss function is adopted. Moreover, stock data related to the stock price index are adopted to consider the market trends. In the experiments, the proposed stock price prediction reduces the test error by 3.19%, which is over other techniques by about 19%.
참고문헌 (15)
- S. Russell, "Artificial Intelligence: A Modern Approach" (2009), Prentice Hall
- 오유진, "2단계 하이브리드 주가 예측 모델:공적분 검정과 인공 신경망", 정보처리학회 논문지, 14(7), pp.531~540 (2007), 한국정보처리학회
- Rafal Jozefowicz, "An empirical exploration of recurrent network architectures", Proceedings of the 32nd International Conference on Machine Learning, pp.2342~2350 (2015)
- "Lecture of Machine Learning and Deep Learning"[URL]
- "Convolution network"[URL]
- "Stock Price Prediction using Recurrent Neural Network (RNN) Algorithm on Time-Series Data"[URL]
- 신동하, "RNN과 LSTM을 이용한 주가 예측율 향상을 위한 딥러닝 모델", 한국정보기술학회논문지, 15(10), pp.9~16 (2017), 한국정보기술학회[DOI]
- Qun Zhuge, "LSTM Neural Network with Emotional Analysis for Prediction of Stock Price", Engineering Letters, 25(2) (2017)
- Baoguang Shi, "An end-to-end trainable neural network for image-based sequence recognition and its application to scene text recognition", IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(11), pp.2298~2304 (2017)
- Jaeho Chang, "Topic mining using time axis weighting", Proceedings of the Korea Data mining Society Spring Conference (2012)
- "Yahoo finance"[URL]
- "Tensorflow"[URL]
- "Pandas"[URL]
- "Anaconda"[URL]
- "Predict Stock Prices Using RNN"[URL]