대량 금융데이터를 이용한 주가 종합지수 예측
- 주제(키워드) 금융시장 예측 , Deep learning , 과적합 , Mini-batch sampling , 데이터 증폭 , 컨브엘에스티엠
- 발행기관 아주대학교
- 지도교수 이슬
- 발행년도 2020
- 학위수여년월 2020. 8
- 학위명 석사
- 학과 및 전공 일반대학원 인공지능·데이터사이언스학과
- 실제URI http://www.dcollection.net/handler/ajou/000000030099
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
주식 시장 지수를 예측하는 것은 시장 참여자들에게 중요한 사안이다. 예측 정확도가 조금만 향상되더라도 다른 참여자들에 비해 더 나은 거래 결정을 내릴 수 있기 때문이다. 최근 딥러닝에 대한 관심이 높아지면서 주식시장 예측에도 적용하는 연구들이 등장하고 있으나 시장규모의 시계열 데이터를 사용하여 종합지수 가격을 예측하는 것은 여전히 어려운 문제다. 본 연구에서는 초고차원 시계열 데이터에서 High-level feature를 성공적으로 학습할 수 있는 새로운 주식시장 예측 프레임워크인 뉴넷을 제안한다. 뉴넷은Super-high dimensional market information feature extractor 모듈과 Target index feature extractor 모듈로 구성된 end-to-end 통합 신경망 프레임워크다. 또한, 모델을 훈련할 때 보다 최근의 데이터를 확률적으로 샘플링하는 mini-batch sampling 기술인 trend sampling을 제안한다. 더 나아가, 우리는 컬럼와이즈랜덤셔플링이라고 불리는 새로운 정규화 방법을 제안하는데, 이것은 CNN 계열에 적용할 수 있는 데이터 증강 기술이다. 실험은 S&P500, KOSPI200, FTSE100의 3가지 종합지수에 대해 실시한다. 첫째, 우리는 제안된 모델 뉴넷의 예측 성능을 다른 기준선 모델과 비교하여 그 타당성을 검증한다. 둘째, 바닐라 랜덤 샘플링 방식의 적용과 성능 비교를 통해 트렌드 샘플링의 효과를 측정한다. 마지막으로, 컬럼와이즈랜덤셔플링을 적용하지 않은 제안된 모델을 비교함으로써 제안된 데이터 증가 방법의 효과를 보여준다. 추가 분석을 위해 역추적 시뮬레이션, 이전 연구와의 비교 실험, 통계 분석을 채택한다. 실험 결과는 제안된 모델이 모든 기본 모델을 능가한다는 것을 입증한다.
more목차
제1장 서론 １
제2장 관련 연구 ４
제1절 금융시장 예측 방법론 ４
제2절 전통적 기계학습 접근법 ４
제3절 딥러닝을 이용한 접근법 ５
제3장 방법 ９
제1절 엘에스티엠과 컨브엘에스티엠 ９
제2절 데이터와 전처리 １２
제3절 제안하는 프레임워크: 뉴넷 １３
제4절 성능평가 ２２
제4장 실험 결과 ２３
제1절 다른 기준 모델과의 성능 비교 ２４
제2절 트렌드 샘플링효과 측정 ２８
제3절 데이터 증폭 효과 측정 ３８
제4절 트레이딩 시뮬레이션 ４６
제5절 선행 연구와의 성능 비교 ４９
제6절 통계테스트 ５１
참고 문헌 ５６
