Journal of Korea Society of Industrial Information Systems (한국산업정보학회논문지)

Korea Society of Industrial Information Systems (한국산업정보학회)
권호 표지
DOI QR코드

DOI QR Code

Development and Performance Analysis of Predictive Model for KOSPI 200 Index using Recurrent Neural Networks

순환 신경망 기술을 이용한 코스피 200 지수에 대한 예측 모델 개발 및 성능 분석 연구

  • 김성수 (숭실대학교 글로벌미디어학부) ;
  • 홍광진 (숭실대학교 글로벌미디어학부)
  • Received : 2017.10.20
  • Accepted : 2017.12.20
  • Published : 2017.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

Due to the success of Wealthfront, Betterment, etc., there is a growing interest in RoboAdvisor that is an automated asset allocation methodology globally. RoboAdvisor minimizes human involvement in managing assets, thereby reducing the costs of using services and eliminating human psychological factors. In this paper, we developed a predictive model for the KOSPI 200 Futures Index using deep learning, in order to replace the existing technical analysis technique. And the proposed model confirmed that When the KOSPI 200 Gift Index is small, it can be used to predict direction and price of index. In combination with the existing technical analysis, It is confirmed that the proposed models combining with existing technical analyses and can be applied to the RoboAdvisor Service in the future.

Wealthfront, Betterment 등의 성공에 힘입어 전세계적으로 알고리즘을 통한 자동적인 자산분배 시스템인 로보어드바이저에 대한 관심이 증가하고 있다. 로보 어드바이저는 자산을 관리하는데 있어 사람의 개입을 최소화 하기 때문에 서비스를 이용하는데 드는 비용을 줄일 수 있으며 사람의 심리적 요인을 배제할 수 있다는 장점을 지닌다. 본 논문에서는 기존의 기술적 분석 기법을 대체하기 위하여 딥러닝 기술을 이용한 코스피 200 선물지수 예측 모델을 개발하고 그 성능을 분석하였다. 모델의 성능 분석 결과 제안하는 모델은 보합세에 놓인 종목의 방향성과 주가를 예측하는 문제에 활용 될 수 있음을 확인하였고, 향후 본 연구에서 제안하는 모델을 기존의 기술적 분석과 결합하여 로보어드바이저 서비스에 적용할 수 있음을 확인하였다.

Keywords

References

  1. Kim Y., Kim N., Jeong S., “Stock-Index Invest Model using News Big Data Opinion Mining,” Journal of Intelligence and Information System, Vol. 28, No. 2, pp. 143-156, 2012.
  2. Kim S. and Ahn H., “Development of an Intelligent Trading System Using Support Vector Machines and Genetic Algorithms,” Journal of Intelligence and Information System, Vol. 16, No. 1, pp. 71-92, 2010.
  3. Lee W., “A deep learning analysis of the KOSPI’s directions,” Journal of the Korean Data and Information Science Society, Vol. 28, No. 2, pp. 287-295, 2017. https://doi.org/10.7465/jkdi.2017.28.2.287
  4. Kim Y., Shin E., Hong T., “Comparison of Stock Price Index Prediction Performance Using Neural Networks and Support Vector Machine,” The Journal of Internet Electronic Commerce Resarch, Vol. 4, No. 3, pp. 221-243, 2004.
  5. Kim H., Kim K., Jeong D., “A Study on the Price Determination of KOSPI 200 Futures using Artificial Neural Network Model,” Korea Insurance Research Institute, Insurance Financial Research, Vol. 13, No. 3, pp. 155-176, 2003.
  6. Hochreiter S. and Schmidhuber. J., "Long Short-Term Memory," Neural Computation, pp. 1735-1780, 1997.
  7. Ban J., Kim M., Jeon Y., “Search Frequency in Internet Portal Site and the Expected Stock Returns,” Journal of the Korea Industrial Information Systems Research, Vol. 21, No. 5, pp. 73-83, 2016. https://doi.org/10.9723/jksiis.2016.21.5.073
  8. Hwang R., Kim S., Lee D., Nam D., “A Directional Distance Function Approach on the Efficiency of Chinese Commercial Banks,” Journal of the Korea Industrial Information Systems Research, Vol. 17, No. 2, pp. 81-94, 2017. https://doi.org/10.9723/jksiis.2012.17.2.081
  9. Ahn H., "A Study on Compression of Connections in Deep Artificial Neural Networks," Journal of the Korea Industrial Information Systems Research, Vol. 22, No. 5, pp. 17-24 ,2017. https://doi.org/10.9723/JKSIIS.2017.22.5.017