The KIPS Transactions:PartB (정보처리학회논문지B)

Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

Integrated Multiple Simulation for Optimizing Performance of Stock Trading Systems based on Neural Networks

통합 다중 시뮬레이션에 의한 신경망 기반 주식 거래 시스템의 성능 최적화

  • 이재원 (성신여자대학교 컴퓨터정보학부) ;
  • 오장민 (MIN 데이터마이닝랩)
  • Published : 2007.04.30
Download PDF
⟨ Previous Next ⟩

Abstract

There are many researches about the intelligent stock trading systems with the help of the advance of the artificial intelligence such as machine learning techniques, Though the establishment of the reasonable trading policy plays an important role in the performance of the trading systems most researches focused on the improvement of the predictability. Also some previous works, which treated the trading policy, treated the simplified versions dependent on the predictors in less systematic ways. In this paper, we propose the integrated multiple simulation' as a method of optimizing trading performance of stock trading systems. The propose method is adopted in the NXShell a development environment for neural network based stock trading systems. Under the proposed integrated multiple simulation', we simulate the multiple tradings for all combinations of the neural network's outputs and the trading policy parameters, evaluate the learning performance according to the various metrics and establish the optimal policy for a given prediction module based on the resulting performance. In the experiment, we present the trading policy comparison results using the stock value data from the KOSPI and KOSDAQ.

기계 학습 등 인공 지능 기법의 발전에 힘입어 지능형 주식 거래 시스템에 관한 많은 연구가 이루어져 왔다. 그러나 현실 주식 거래에서 적절한 거래 정책의 수립이 거래의 결과에 커다란 영향을 미치는 중요 요소로 작용하고 있음에도 불구하고, 기존의 연구에서는 예측 모듈의 예측 성능 향상에 주력하였거나, 거래 정책을 다룬 경우라도 예측 모듈에 종속적인 단순한 정책만을 제시하였다. 본 논문에서는 이러한 문제를 개선하기 위한 방안의 하나로, 신경망 기반 주식 거래 시스템의 구축을 위한 통합 개발 도고인 NXShell에서 채택하고 있는 ‘통합 다중 시뮬레이션‘ 기법을 제안한다. 통합 다중 시뮬레이션 기법에서는 신경망의 출력 값과 거래 정책 인자들 간의 모든 주어진 예측기의 특성에 맞는 고유의 최적 거래 정책을 수립한다. 제안된 기법의 효용성을 검증하기 위해, 한국 거래소 시장 및 코스닥 시장에서 수집한 데이터를 사용하여 수행한 거래 성능 비교 실험 결과를 제시한다.

Keywords

References

  1. S. Cottle, R. F. Murray, F. E. Block, and D. L. Dodd, Graham and Dodd's Security Analysis(5th edition), McGraw-Hill, 1988
  2. R. D. Edwards and J. Magee, Technical Analysis of Stock Trends, John Magee, Inc., 1974
  3. A. W. Lo, Long Term Memory in Stock Market Prices, Econometrica 59(5) https://doi.org/10.2307/2938368
  4. S. M, Kendall and K. Ord, Time Series, Oxford, New York, 1997
  5. G. Armano, M. Marchesi, A. Murru, A Hybrid Genetic-neural Architecture for Stock Indexes Forecasting, Information Sciences 170(1), pp.3-33, 2005 https://doi.org/10.1016/j.ins.2003.03.023
  6. R. S. T. Lee, 'iJADE Stock Advisor: An Intelligent Agent based Stock Prediction System using Hybrid RBF Recurrent Networks,' IEEE Transactions on Systems, Man, and Cyberneties, Part A:Systems and Humans 34(3), pp. 421-428, 2004 https://doi.org/10.1109/TSMCA.2004.824871
  7. A. Fan, M. Palaniswami, 'Stock Selection using Support Vector Machines,' Proceedings of the Internation Joint Conference on Xeural Networks, pp. 1793-1798, 2001 https://doi.org/10.1109/IJCNN.2001.938434
  8. J. O. J. Lee, J. W. Lee, and B. Zhang, 'Adaptive Stock Trading with Dynamic Asset Allocation using Reinforcement Learning,' Information Sciences 176, pp.2121-2147, 2006 https://doi.org/10.1016/j.ins.2005.10.009
  9. J. W. Lee, S. D. Kim, J. Lee, J. Chae, 'An Intelligent Stock Trading System based on Reinforcement Learning, IEICE Transactions on Information and Systems E86-D(2), pp. 296-305, 2003
  10. J. Moody and M. Saffell, 'Learning to Trade via Direct Reinforcement', IEEE Transactions on Neural Networks, 12(4), pp.875-889, 2001 https://doi.org/10.1109/72.935097
  11. J. W. Lee, J. O, 'A Multi-agent Q-learning framework for Optimizing Stock Trading Systems,' Proceedings of the International Conference on Database and Expert Systems Applications, pp. 153-162, 2002
  12. J. S. Zirilli, Financial Prediction using Neural Networks, Thomson Computer Press, 1997