The Journal of Information Systems (한국정보시스템학회지:정보시스템연구)

Korea Association of Information Systems (한국정보시스템학회)
권호 표지
DOI QR코드

DOI QR Code

Selecting Stock by Value Investing based on Machine Learning: Focusing on Intrinsic Value

머신러닝 기반 가치투자를 통한 주식 종목 선정 연구: 내재가치를 중심으로

  • 김윤승 (중소벤처기업진흥공단 정보관리실) ;
  • 유동희 (경상국립대학교 경영정보학과 및 경영경제연구소)
  • Received : 2023.03.06
  • Accepted : 2023.03.30
  • Published : 2023.03.31
Download PDF
⟨ Previous Next ⟩

Abstract

Purpose This study builds a prediction model to find stocks that can reach intrinsic value among KOSPI and KOSDAQ-listed companies to improve the stability and profitability of the stock investment. And investment simulations are conducted to verify whether stock investment performance is improved by comparing the prediction model, random stock selection, and the market indexes. Design/methodology/approach Value investment theory and machine learning techniques are applied to build the model. Various experiments find conditions such as the algorithm with the best predictive performance, learning period, and intrinsic value-reaching period. This study selects stocks through the prediction model learned with inventive variables, does not limit the holding period after buying to reach the intrinsic value of the stocks, and targets all KOSPI and KOSDAQ companies. The stock and financial data are collected for 21 years (2001-2021). Findings As a result of the experiment, using the random forest technique, the prediction model's performance was the best with one year of learning period and within one year of the intrinsic value reaching period. As a result of the investment simulation, the cumulative return of the prediction model was up to 1.68 times higher than the random stock selection and 17 times higher than the KOSPI index. The usefulness of the prediction model was confirmed in that the number of intrinsic values reaching the predicted stock was up to 70% higher than the random selection.

Keywords

References

  1. 구승환, 장성용, "최적 투자 포트폴리오 구성전략에 관한 연구", 산업공학 (IE interfaces), 제23권, 제4호, 2010, pp. 300-310.
  2. 김현영, "기계학습 기법에 기반한 가치투자를 위한 투자시점 추천 및 뉴스텍스트 분석", 한국과학기술원 석사학위논문, 2016.
  3. 김형규, "한국주식시장에서의 역행투자 성과에 관한 실증적 연구", 재무관리연구, 제16권, 제2호, 1999, pp. 157-178.
  4. 송현정, 이석준, "딥러닝을 활용한 실시간 주식거래에서의 매매 빈도 패턴과 예측 시점에 관한 연구: KOSDAQ 시장을 중심으로", 정보시스템연구, 제27권, 제3호, 2018, pp. 123-140.
  5. 이관영, "주식시장에서 가치투자전략의 성과와 위험요인에 관한 연구: 국내 주식시장을 중심으로", 재무관리연구, 제36권, 제2호, 2019, pp. 107-150. https://doi.org/10.22510/KJOFM.2019.36.2.005
  6. 이광현, "머신러닝 방법론을 통한 자산가격결정모형에 대한 실증 연구 - 한국 시장을 중심으로", 한국과학기술원 석사학위논문, 2021.
  7. 이요섭, 문필주, "딥 러닝 프레임워크의 비교 및 분석", 한국전자통신학회 논문지, 제12권, 제1호, 2017, pp. 115-122.
  8. 이윤한, 박근수, "딥 러닝을 이용한 가치투자 기법", 한국정보과학회 학술발표논문집, 2017, pp. 1608-1610.
  9. 이장형, 성백춘, "EPS 를 이용한 주식 투자", 전산회계연구, 제10권, 제1호, 2012, pp. 1-17.
  10. 양윤석, 오경주, "인공신경망과 HMM (은닉 마르코프 모델) 을 이용한 가치투자의 비선형성에 대한 연구", 대한산업공학회 춘계공동학술대회 논문집, 2018. pp. 520-530.
  11. 양정우, "다양한 딥 러닝 모델을 활용한 미국 주식시장에서의 가치투자 분석", 서울대학교 석사학위논문, 2021.
  12. 장영광, 김종택, "한국주식시장에서 가치투자 전략의 투자성과와 그 원천", 한국증권학회지, 제32권, 제2호, 2003, pp. 165-208.
  13. 장옥화, 최현돌, "가치주와 장기투자성과의 관련성", 경영연구, 제25권, 제3호, 2010, pp. 1-33. https://doi.org/10.22903/JBR.2010.25.3.1
  14. 정동균, 이종화, 이현규, "머신러닝을 이용한 국내 수입 자동차 구매 해약 예측 모델 연구: H 수입차 딜러사 대상으로", 정보시스템연구, 제30권, 제2호, 2021, pp.105-126.
  15. 조희연, 김영민, "유전자 알고리즘을 이용한 주식투자 수익률 향상에 관한 연구", 정보시스템연구, 제12권, 제2호, 2003, pp. 1-20.
  16. 채명수, 고동균, 김준수, 한창세, 윤완철, "의사결정나무와 업종의 특성을 고려한 가치 투자 관점에서의 우량종목 선별방법 연구", 한국정보과학회 학술발표논문집, 2014, pp. 503-505.
  17. 채명수, "가치투자 관점에서의 우량종목 선별 방법 및 최적 투자전략의 지속성에 관한 연구", 한국과학기술원 석사학위논문, 2015.
  18. 홍동현, 황재호, 정경석, "결합가치투자전략 성과: KOSPI 200 기업을 중심으로", 금융공학연구, 제10권, 제4호, 2011, pp. 59-80. https://doi.org/10.35527/KFEDOI.2011.10.4.003
  19. Basu, S., "Investment performance of common stocks in relation to their price earnings ratios: A test of the efficient market hypothesis", The journal of Finance, Vol. 32, No. 3, 1977, pp. 663-682. https://doi.org/10.1111/j.1540-6261.1977.tb01979.x
  20. Fama, E. F., "Efficient capital markets: A review of theory and empirical work", The journal of Finance, Vol. 25, No. 2, 1970, pp. 383-417. https://doi.org/10.2307/2325486
  21. Fama, E. F., and French, K. R., "Common risk factors in the returns on stocks and bonds", Journal of Financial Economics, Vol. 33, No. 1, 1993, pp. 3-56. https://doi.org/10.1016/0304-405X(93)90023-5
  22. Hargreaves, C., and Hao, Y., "Does the use of technical & fundamental analysis improve stock choice?: A data mining approach applied to the Australian stock market", In 2012 International Conference on Statistics in Science, Business and Engineering, 2012, pp. 1-6.
  23. Huang, C. F., "A hybrid stock selection model using genetic algorithms and support vector regression", Applied Soft Computing, Vol. 12, No. 2, 2012, pp. 807-818. https://doi.org/10.1016/j.asoc.2011.10.009
  24. Kedia, V., Khalid, Z., Goswami, S., Sharma, N., and Suryawanshi, K., "Portfolio generation for Indian stock markets using unsupervised machine learning", In 2018 Fourth International Conference on Computing Communication Control and Automation, 2018, pp. 1-5.
  25. Lakonishok, J., Shleifer, A., and Vishny, R. W., "Contrarian investment, extrapolation, and risk", The journal of finance, Vol. 49, No. 5, 1994, pp. 1541-1578. https://doi.org/10.1111/j.1540-6261.1994.tb04772.x
  26. Mattos, D. L., "Comparing machine learning algorithm performance for automated trading based on fundamentals", The Escola de Economia de Sao Paulo Doctoral dissertation, 2019.
  27. Zhou, C., Yu, L., Huang, T., Wang, S., and Lai, K. K., "Selecting valuable stock using genetic algorithm", In Asia-Pacific conference on simulated evolution and learning, 2006, pp. 688-694.