기술적 지표에 기반한 주가 움직임 예측 시스템을 위한 학습 모델 분석
An Analysis of Learning Models for Stock Price Movements Prediction System based on Technical Indicators
초록/요약
시장은 너무 효율적이므로 우리가 얻을 수 있는 그리고 앞으로 얻게 될 모든 정보들이 이미 주가에 반영되어 있으며, 매 순간의 주가 변동은 술에 취한 사람의 걸음과 같아서 예측할 수 없다고 여겨진다. 그럼에도 불구하고 오늘날 분석가들은 주식 시장을 예측하기 위해 노력하고 있으며 일부 기업들은 전문가를 고용하여 주식 시장 예측을 위한 통계 모델을 구축하기 위해 막대한 돈을 투자하고 있다. 지금까지 주가 움직임을 예측하기 위한 많은 연구에서는 기술적 분석을 통해 단순히 대중적인 기술적 지표들을 학습 모델에 적용하여 분류 결과를 도출하고 있었다. 하지만 수많은 기술적 지표들 중 마땅한 선별 기준 없이 단순히 대중적인 지표들을 선택하는 것은 적절한 특징을 사용했다고 볼 수 없으며, 학습 모델의 분류 결과에 큰 도움을 줄 수 있는 특징들이 무시될 수 있다는 문제점이 있다. 이에 본 연구에서는 주가 움직임을 예측하기 위한 적절한 기술적 지표를 선택하기 위한 특징 선택 방법을 제안한다. 피어슨의 상관 계수를 바탕으로 강한 상관 관계를 갖는 중복 특징들을 제거하였고 정보이득이 낮은 순서대로 하나씩 특징을 제거해나가며 가장 높은 분류 정확도를 보이는 특징 집합들을 선택하였다. 선택된 6개의 특징들을 바탕으로 향후 1, 3, 5, 7, 10, 15, 20, 25, 30거래일 후의 주가 움직임 예측을 위해 세 가지 학습 모델, 서포트 벡터 머신, 다층 퍼셉트론, 장단기 메모리에 적용한 결과 장단기 메모리를 적용할 때 상대적으로 더 좋은 성능을 보인다는 것을 확인할 수 있었고, 예측 기간이 더 길수록 높은 분류 정확도를 도출할 수 있었다.
more목차
1. 서 론 1
1.1. 연구 배경 . 1
1.2. 관련 연구 . 3
1.3. 연구 문제 . 3
1.4. 연구 목표 . 4
1.5. 논문 구성 . 5
2. 본 론 6
2.1. 사용한 학습 모델. 6
2.1.1. 서포트 벡터 머신 6
2.1.2. 다층 퍼셉트론 . 7
2.1.3. 장단기 메모리 . 9
2.2. 연구 방법 . 11
2.3. 데이터 세트 12
2.3.1. 데이터 수집 13
2.3.2. 데이터 레이블링 . 17
2.3.3. 데이터 변환 18
2.3.4. 데이터 분리 및 정규화 . 21
2.4. 실험 및 분석 23
2.4.1. 특징 선택 23
2.4.2. 학습 모델 적용 . 28
2.4.3. 결과 분석 및 비교 29
3. 결 론 31
