한국정보시스템학회지:정보시스템연구 (The Journal of Information Systems)

  • 제27권3호
  • /
  • Pages.123-140
  • /
  • 2018
  • /
  • 1229-8476(pISSN)
  • /
  • 2733-8770(eISSN)
한국정보시스템학회 (Korea Association of Information Systems)
권호 표지
DOI QR코드

DOI QR Code

딥러닝을 활용한 실시간 주식거래에서의 매매 빈도 패턴과 예측 시점에 관한 연구: KOSDAQ 시장을 중심으로

A Study on the Optimal Trading Frequency Pattern and Forecasting Timing in Real Time Stock Trading Using Deep Learning: Focused on KOSDAQ

  • 투고 : 2018.07.03
  • 심사 : 2018.09.26
  • 발행 : 2018.09.30
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

Purpose The purpose of this study is to explore the optimal trading frequency which is useful for stock price prediction by using deep learning for charting image data. We also want to identify the appropriate time for accurate forecasting of stock price when performing pattern analysis. Design/methodology/approach In order to find the optimal trading frequency patterns and forecast timings, this study is performed as follows. First, stock price data is collected using OpenAPI provided by Daishin Securities, and candle chart images are created by data frequency and forecasting time. Second, the patterns are generated by the charting images and the learning is performed using the CNN. Finally, we find the optimal trading frequency patterns and forecasting timings. Findings According to the experiment results, this study confirmed that when the 10 minute frequency data is judged to be a decline pattern at previous 1 tick, the accuracy of predicting the market frequency pattern at which the market decreasing is 76%, which is determined by the optimal frequency pattern. In addition, we confirmed that forecasting of the sales frequency pattern at previous 1 tick shows higher accuracy than previous 2 tick and 3 tick.

키워드

참고문헌

  1. 고광은, 심귀보, "딥러닝을 이용한 객체 인식 및 검출 기술 동향," 제어로봇시스템학회지, 제23권, 제3호, 2017, pp. 17-24.
  2. 김범준, 신민규, 박종훈, 이용준, "기술지표를 이용한 주가예측," 경영경제 데이터 분석 사례집, 제8권, 2005, pp. 199-215.
  3. 김상환, 조태근, "기술적 거래전략의 예측력 검정," 재무연구, 제16권, 제2호, 2003, pp. 67-93.
  4. 김유일, 신은경, 홍태호, "신경망과 SVM 을 이용한 주가지수예측의 비교," 인터넷전자상거래연구, 제4권, 제3호, 2004, pp. 221-243.
  5. 김종선, 윤세헌, 김철중, "고성장 코스닥시장 벤처기업의 개별특성이 IR공시 효과에 미치는 영향," 벤처창업연구, 제9권, 제4호, 2014, pp. 97-109.
  6. 김지원, 표현아, 하정우, 이찬규, 김정희, "다양한 딥러닝 알고리즘과 활용," 정보과학회지, 제33권, 제8호, 2015, pp. 25-31.
  7. 김진백, 김유일, "인공 신경망의 학습에 있어 가중치 변화방법과 은닉층의 노드수가 예측정확성에 미치는 영향," 정보시스템연구, 제9권, 제1호, 2000, pp. 27-44.
  8. 김현지, 장우진, "지수 이동 평균선을 이용한 거래 전략," 대한산업공학회 춘계공동학술대회 논문집, 2010, pp. 1124-1130.
  9. 김현호, 오경주, "러프집합을 활용한 캔들스틱 트레이딩 최적화 전략," 한국데이터정보과학회지, 제23호, 제5호, 2012, pp. 881-893.
  10. 남주하, 윤기향, "미국 주식시장에서 한국 주식시장으로의 변동성 이전효과 분석," 공동학술대회 발표논문, 2001, 한국금융학회.
  11. 박강희, 신현정, "시계열 네트워크에 기반한 주가예측," 경영과학, 제28권, 제1호, 2011, pp. 53-60.
  12. 박상민, 김바다, 원태연, 허준영, "딥러닝을 이용한 이미지 기반 주가예측," 한국정보과학회 학술발표논문집, 2018, pp. 1212-1213.
  13. 성노윤, 남기환, "온라인 뉴스 및 거시경제 변수를 활용한 주가예측," Entrue Journal of Information Technology, 제16권 제2호, 2017, pp. 41-54.
  14. 손동우, 이웅규, "약체연결뉴런 제거법에 의한 부도예측용 인공신경망 모형에 관한 연구," 한국정보시스템학회 학술대회 논문, 2000, pp. 115-121.
  15. 송유정, 이재원, 이종우, "텐서플로우를 이용한 주가 예측에서 가격-기반 입력 피쳐의 예측 성능 평가," 정보과학회 컴퓨팅의 실제 논문지, 제23권 제11호, pp. 625-631. https://doi.org/10.5626/KTCP.2017.23.11.625
  16. 송유정, 이종우, "텐서플로우를 이용한 주가 변동 예측 딥러닝 모델 설계 및 개발," 한국정보과학회 학술발표논문집, 2017, pp. 799-801.
  17. 신동백, "몬테카를로 시뮬레이션방법을 이용한 환율예측분석," 산업경제연구, 제20권, 제5호, 2007, pp. 2075-2093.
  18. 신동하, 최광호, 김창복, "RNN 과 LSTM 을 이용한 주가 예측율 향상을 위한 딥러닝 모델," 한국정보기술학회논문지, 제15권, 제10호, 2017, pp. 9-16.
  19. 안성만, "딥러닝의 모형과 응용사례," 지능정보연구, 제22권, 제2호, 2016, pp. 127-142. https://doi.org/10.13088/JIIS.2016.22.2.127
  20. 안성원, 조성배, "뉴스 텍스트 마이닝과 시계열분석을 이용한 주가예측," 한국정보과학회 학술발표논문집, 2010, pp. 364-369.
  21. 양유영, 박상성, 신영근, 장동식, "데이터 특성에 따른 예측모형 개발 동향에 관한 연구," Proceedings of KIIT Summer Conference, 2009, pp. 591-597.
  22. 오성민, 김성집, "주식의 상한가시 잔량과 일일 거래량의 관계를 통한주가의 단기예측에 관하여-kospi 200 종목올 중심으로," 한국경영과학회 학술대회논문집, 2000, 457-460.
  23. 오세창, "기술적 분석에 의한 주식투자에서 유전 알고리즘을 이용한 최적화 방법," 한국인터넷정보학회 학술발표대회 논문집, 2014, pp. 319-320.
  24. 유재필, 신현준, 김미희, 백종관, (2017). 기계학습과 데이터 시각화 기법을 이용한 주가 패턴 분석. 정보기술아키텍처연구, 14(2), 189-197.
  25. 유제훈, 고광은, 심귀보, "컨볼루셔널 신경망과 케스케이드 안면 특징점 검출기를 이용한 얼굴의 특징점 분류," 제어로봇시스템학회 논문지, 제22권, 제3호, 2016, pp. 241-246.
  26. 유진, "가격제한 존재 시 VaR 추정 방법론: 몬테카를로 시뮬레이션," 선물연구, 제10권, 제1호, 2002, pp. 81-111.
  27. 이강희, 양인실, 조근식, "캔들스틱 분석을 이용한 주식 매매 타이밍 예측을 위한 전문가 시스템," 한국전문가시스템학회지, 제3권, 제2호, 1997, pp. 57-70.
  28. 이모세, 안현철, "효과적인 입력변수 패턴 학습을 위한 시계열 그래프 기반 합성곱 신경망 모형," 지능정보연구, 제24권, 제1호, 2018, pp. 167-181. https://doi.org/10.13088/JIIS.2018.24.1.167
  29. 이석준, 오경주, "선물시장의 시스템트레이딩에서 동적시간와핑 알고리즘을 이용한 최적매매빈도의 탐색 및 거래전략의 개발," 한국데이터정보과학회지, 제22권, 제2호, pp. 2011, 255-267.
  30. 이우식, "딥러닝분석과 기술적 분석 지표를 이용한 한국 코스피주가지수 방향성 예측," 한국데이터정보과학회지, 제28권, 제2호, 2017, pp. 287-295.
  31. 이우영, 박승민, 장인훈, 김태형, 심귀보, "CNN기반 신발갑피 패턴인식 및 점착제 도포를 위한 경로점 생성," 제어로봇시스템학회 논문지, 제23권, 제9호, 2017, pp. 725-731.
  32. 이윤선, "시간흐름을 반영하는 캔들스틱과 거래량차트," 금융공학연구, 제5권, 제1호, 2006, pp. 113-127.
  33. 이윤선, "주가이동평균선을 이용한 기술적 분석의 효과," 한국금융공학회 학술발표 논문집, 제2002권, 제2호, 2002, pp. 1-13.
  34. 이윤선, "한국증권시장에서 기술적 분석의 경제적 효과-주가이동평균선을 중심으로," 금융공학연구, 제2권, 제2호, 2003, pp. 1-21.
  35. 이재원, "Monte Carlo 알고리즘에 의한 주가 추세의 평가," 한국정보과학회 학술발표 논문집, 제27권, 제1호, 2000, pp. 235- 237.
  36. 이재원, "고변동 주가 패턴의 감독 학습에 기반한 주식 거래 시스템," 정보과학회논문지, 2013.
  37. 이종우, 김유섭, 김성동, 이재원, 채진석, "인공지능: 패턴 매칭과 자동 규칙 생성에 기반한 2 단계 주식 트레이딩 시스템," 정보처리학회논문지 B, 제10권, 제3호, 2003, pp. 257-264.
  38. 조희연, 김영민, "유전자 알고리즘을 이용한 주식투자 수익률 향상에 관한 연구," 정보시스템연구, 제12권, 제2호, 2003, pp. 1-20.
  39. 황희수, "퍼지 모델을 이용한 일별 주가 예측," 정보처리학회논문지 B, 제15-B권, 제6호, 2008, pp. 603-608.
  40. Chen, M., and Lin, H., "Order Imbalance, Individual Stock Returns and Volatility: Evidence from China," JCIT: Journal of Convergence Information Technology, Vol. 7, No. 2, 2012, pp. 101-107.
  41. Chiu, D. Y., and Chian, S. Y., "Exploring stock market dynamism in multi-nations with genetic algorithm, support vector regression, and optimal technical analysis," In Networked Computing and Advanced Information Management (NCM), 2010 Sixth International Conference on (pp. 694-699). IEEE.
  42. Deboeck, G. J., "Trading on the Edge," Wiley, Canada, 1994.
  43. Deng, J., Dong, W., Socher, R., Li, L. J., Li, K., and Fei-Fei, L., "Imagenet: A large-scale hierarchical image database," In Computer Vision and Pattern Recognition, 2009, pp. 248-255.
  44. Kataoka, H., Iwata, K., and Satoh, Y., "Feature Evaluation of Deep Convolutional Neural Networks for Object Recognition and Detection," arXiv preprint, 2015, arXiv:1509.07627.
  45. Krizhevsky, I. Sutskever and G. E. Hinton, "ImageNet Classification with Deep Convolutional Neural Network," in Proceeding of the Neural Information Processing Systems 25(NIPS), 2012, pp. 1097-1105.
  46. LeCun, Y., Bottou, L., Bengio, Y., and Haffner, P., "Gradient-based learning applied to document recognition," Proceedings of the IEEE, 1998, Vol. 86, pp. 2278-2324.
  47. Lee, S. J., Ahn, J. J., Oh, K. J., and Kim, T. Y., "Using rough set to support investment strategies of real-time trading in futures market," Applied Intelligence, Vol. 3, 2010, pp. 364-377.
  48. Lee, S. J., and Jeong, S. J., "Trading Strategies based on Pattern Recognition in Stock Futures Market using Dynamic Time Warping Algorithm," Journal of Convergence Information Technology, Vol. 7, No. 10, 2012, pp. 185-196. https://doi.org/10.4156/jcit.vol7.issue10.22
  49. McNelis, P. D., "Neural networks in finance: gaining predictive edge in the market," Academic Press, 2005.
  50. Nelson, D. M., Pereira, A. C., and de Oliveira, R. A., "Stock market's price movement prediction with LSTM neural networks," In Neural Networks (IJCNN), International Joint Conference, 2017, pp. 1419-1426.
  51. Nison S., "Japanese Candlestick charting techniques: A contemporary guide to the ancient investment technique of the far east Institute of Finance," New York, 1991.
  52. Shih, M. L., Hsiao, S. H., and Chen, F. S., "The association of China stock index with Japan and US," Journal of Convergence Information Technology, Vol. 3, No. 2, 2008, pp. 13-22.
  53. Simonyan, K., and Zisserman, A., "Very deep convolutional networks for large-scale image recognition," arXiv preprint, 2014, arXiv:1409.1556.
  54. Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., and Rabinovich, A., "Going deeper with convolutions," in Proceeding of the Computer Vision and Pattern Recognition (CVPR), 2015, pp. 1-9.