Abstract
This study develops a deep learning-based methodology for predicting Crude Palm Oil (CPO) prices. Palm oil is an essential resource across various industries due to its yield and economic efficiency, leading to increased industrial interest in its price volatility. While numerous studies have been conducted on palm oil price prediction, most rely on time series forecasting, which has inherent accuracy limitations. To address the main limitation of traditional methods-the absence of stationarity-this research introduces a novel model that uses the ratio of future prices to current prices as the dependent variable. This approach, inspired by return modeling in stock price predictions, demonstrates superior performance over simple price prediction. Additionally, the methodology incorporates the consideration of lag values of independent variables, a critical factor in multivariate time series forecasting, to eliminate unnecessary noise and enhance the stability of the prediction model. This research not only significantly improves the accuracy of palm oil price prediction but also offers an applicable approach for other economic forecasting issues where time series data is crucial, providing substantial value to the industry.
본 연구에서는 딥러닝 기반의 팜유(Crude Palm Oil: CPO) 가격 예측 방법론을 개발하였다. 팜유는 그 생산 수율과 경제적 효율성으로 인해 다양한 산업에서 중요한 자원으로 활용되고 있으며, 이로 인해 팜유 가격 변동성에 대한 산업계의 관심이 증가하고 있다. 따라서, 팜유 가격 예측을 위한 연구가 활발히 진행되고 있으나, 많은 연구가 시계열 예측 기반으로 정확도에 한계점을 가지고 있다. 본 연구는 기존 방법론의 주요 한계인 정상성 부재 문제를 해결하기 위해 현재 가격 대비 미래 가격의 비율을 종속변수로 사용하는 새로운 모델을 제시한다. 이 접근법은 주식 가격 예측에서의 수익(return) 모델링에 착안하여 개발되었으며, 단순 가격 예측보다 더 높은 성능을 나타낸다. 또한, 다변량 시계열 예측에서 중요한 요소인 독립변수의 지연 값(lag)을 고려하여, 불필요한 잡음을 제거하고 예측 모델의 안정성을 높이는 방법론을 채택했다. 이 연구는 팜유 가격 예측의 정확도를 향상시키는데 중요한 기여를 하며, 시계열 데이터가 중요한 다른 경제적 예측 문제에도 적용 가능한 접근법을 제시한다는 점에서 산업계에 큰 의미가 있다.