수리적 모델과 딥러닝을 이용한 코스피200 선물 변화
Prediction of KOSPI200 Future's Change Using Mathematical Model and Deep learning
초록/요약
The most talked-about thing in any fields ever since 2016 is machine learning. Attempts to apply machine learning along with the emergence of AlphaGo have been taking place all over the industry, and have also received much attention in the financial sector. In the financial sector, machine learning has begun to be studied in a variety of financial areas such as investment banking, trading, and credit evaluation, especially, in the prediction of future stock price trends, researches were actively carried out by methods other than existing methods. The past studies of predicting stock price were the making mathematical modeling or complex statistical modeling, but in this case, there were critical problem to apply in a real situation because the prediction rate is low or the model is too generalized not to explain a spot. This paper aims to predict the price change of KOSPI200 futures using LSTM method which is a one of the machine learning techniques. A total of 33 variables are used, and the VPIN model and the Rama Cont model, which were modeled for predicting and statistically superior, are included in the LSTM model. Prior to this, the data is used to generate transaction unit data, which is used in the HFT (High Frequency Trading) field, we designed a market microstructure model to meet the price change in a short period of time.
more초록/요약
2016년 이후 분야를 막론하고 가장 화두로 떠오른 학문은 기계학습이다. 알파고의 등장과 함께 기계학습을 응용하려는 시도는 산업 전 분야에 걸쳐서 일어났으며, 금융권에서도 마찬가지로 주목받기 시작하였다. 금융권에서 기계학습은 투자 은행, 트레이딩, 신용평가와 같은 다양한 금융 영역에서 연구되기 시작했으며, 특히 향후 주가의 흐름에 대한 예측하는데 있어서도 기존 방법들과 다른 방법으로써 활발히 연구가 이뤄졌다. 기존의 주가 예측은 수리적인 모델링을 통하거나 복잡한 통계적인 모델링을 통하여 연구하였는데, 이러한 경우 일반화된 모델을 설정하여 예측률이 떨어지거나, 응용하기가 어려워 실제 상황에서 투자하기 어려운 경우가 많았다. 본 논문은 기계 학습 기술 중 LSTM 방법을 이용하여 코스피200 선물의 가격 변화에 대한 예측을 목표로 한다. 총 33개의 변수가 이용되며, 사용되는 변수들 중에서 예측을 목표로 만들어지고, 수리, 통계적으로 우수한 모델링이었던 VPIN모델과 Rama Cont 모델을 LSTM의 변수를 포함한다. 이에 앞서, 데이터는 HFT(High Frequency Trading)분야에서 많이 사용하는 거래량단위 데이터를 만들어서, 단기간 하에서의 가격 변화를 맞추려는 시장미시구조 모델을 설계하였다. 본 논문은 다양한 타임 스텝과 변수들을 통하여 최적화된 예측률을 보이는 LSTM 모델을 설계하는 것을 목표로 한다.
more목차
1. Introduction 1
1.1. Background and Purpose of the Paper 1
1.2. Previous Research and Industry Trends 3
1.3. Configuration of the Paper 4
2. Artificial Neural Network 6
2.1. The Concept of RNN 6
2.2. The Concept of LSTM 8
3. Market Microstructure 11
3.1. Trading participants 11
3.2. Order Book Data 13
3.3. Probability of Informed Trading Model (PIN) 14
3.4. Volume-Synchronized Probability of Informed Trading(VPIN) Model 17
3.5. Rama Cont model (CST model) 19
4. Data and Model Design 24
4.1. Data Collection 24
4.2. Building Learning Data 28
4.3. The Experimental Design and The Evaluation ways 30
5. Experiments and Evaluation 34
5.1. Analysis of Data Properties 34
5.2. Experimental Results and Analysis 42
6. Conclusion and Future Analysis 49
Reference 52
Abstract 55
