• 지능정보연구
• /
• 제24권1호
• /
• pp.167-181
• /
• 2018

지난 10여 년간 딥러닝(Deep Learning)은 다양한 기계학습 알고리즘 중에서 많은 주목을 받아 왔다. 특히 이미지를 인식하고 분류하는데 효과적인 알고리즘으로 알려져 있는 합성곱 신경망(Convolutional Neural Network, CNN)은 여러 분야의 분류 및 예측 문제에 널리 응용되고 있다. 본 연구에서는 기계학습 연구에서 가장 어려운 예측 문제 중 하나인 주식시장 예측에 합성곱 신경망을 적용하고자 한다. 구체적으로 본 연구에서는 그래프를 입력값으로 사용하여 주식시장의 방향(상승 또는 하락)을 예측하는 이진분류기로써 합성곱 신경망을 적용하였다. 이는 그래프를 보고 주가지수가 오를 것인지 내릴 것인지에 대해 경향을 예측하는 이른바 기술적 분석가를 모방하는 기계학습 알고리즘을 개발하는 과제라 할 수 있다. 본 연구는 크게 다음의 네 단계로 수행된다. 첫 번째 단계에서는 데이터 세트를 5일 단위로 나눈다. 두 번째 단계에서는 5일 단위로 나눈 데이터에 대하여 그래프를 만든다. 세 번째 단계에서는 이전 단계에서 생성된 그래프를 사용하여 학습용과 검증용 데이터 세트를 나누고 합성곱 신경망 분류기를 학습시킨다. 네 번째 단계에서는 검증용 데이터 세트를 사용하여 다른 분류 모형들과 성과를 비교한다. 제안한 모델의 유효성을 검증하기 위해 2009년 1월부터 2017년 2월까지의 약 8년간의 KOSPI200 데이터 2,026건의 실험 데이터를 사용하였다. 실험 데이터 세트는 CCI, 모멘텀, ROC 등 한국 주식시장에서 사용하는 대표적인 기술지표 12개로 구성되었다. 결과적으로 실험 데이터 세트에 합성곱 신경망 알고리즘을 적용하였을 때 로지스틱회귀모형, 단일계층신경망, SVM과 비교하여 제안모형인 CNN이 통계적으로 유의한 수준의 예측 정확도를 나타냈다.

• 산업경영시스템학회지
• /
• 제18권33호
• /
• pp.173-183
• /
• 1995

The Objective of the study was to determine the usefulness of human resource accounting(HRA) information in assisting financial analysis in their investment decisions. The objective achieved by an investigation through which the reporting of HRA, combined with demographic factors that are independent or interactive, affects the decisions of financial analysts regarding the estimation of the market price of a hypothetical company's common stocks. Two kinds of research were conducted to increase the reliability of the study at the same time. Two or three sets of financial statement were prepared. Each consists of balance sheet and income statement. The actual financial statement was modified to exclude personal bias and opinion.

• 아태비즈니스연구
• /
• 제10권4호
• /
• pp.1-30
• /
• 2019

The involuntary delisting of public companies has a detrimental effect on economies caused by the loss of stock value and confidence in the capital market. Previous studies have focused on prediction or prevention models for firm delisting events using various financial and accounting information. However, the timely disclosure of companies, another important indicator, has not been investigated before in connection with companies that have been delisted. To address this gap, this study investigates the timely disclosure behavior of companies prior to delisting using sample firms listed on the Korean stock market between 2000 and 2014. The results show a significant correlation between the frequency of timely disclosure and delisted firms prior to their delisting on the Korean stock market. The delisted companies appear to increase their timely disclosure to deliver specific information to the public. Furthermore, these companies are likely to increase the frequency of timely disclosure as they get closer to their delisting. Notably, the timely disclosure of delisted firms has a capital market effect; namely, timely disclosure increases trading volume while decreasing the market value of the shares, reflecting price efficiency. This study appears to be the first that considers timely disclosure in the involuntary delisting literature.

• 한국융합학회논문지
• /
• 제10권4호
• /
• pp.1-6
• /
• 2019

신경회로망은 과거 데이터로부터 유용한 정보를 추출해서 주가지수의 이동 방향을 예측하는데 사용되어 왔다. 주가 지수의 상승 또는 하락 방향을 예측하는 기존 연구는 지수의 작은 변화에도 상승이나 하락을 예측하므로 이를 기반으로 지수 연동 ETF를 매매 하면 손실이 발생할 가능성이 높다. 본 논문에서는 ETF 매매 손실을 줄이고 매매 당 일정 이상의 수익을 내기 위한 일별 KOrea composite S0tock Price Index (KOSPI)의 이동 방향을 예측하는 신경회로망 모델을 제안한다. 제안된 모델은 이동 방향 예측을 위해 전일 대비 지수 변동률이 상승(변동률${\geq}{\alpha}$), 하락(변동률${\leq}-{\alpha}$)과 중립($-{\alpha}$<변동률<${\alpha}$)을 표시하는 출력을 갖는다. 예측이 상승이면 레버리지 Exchange Traded Fund (ETF)를, 하락이면 인버스 ETF를 매수한다. 본 논문에서 구현된 신경회로망 모델 중 PNN1의 Hit ratio (HR)은 학습에서 0.720, 평가에서 0.616이다. 평가용 데이터로 ETF 매매를 시뮬레이션하면 수익률은 8.39 ~ 16.32 %를 보인다. 또한 제안된 이동 방향 예측 신경회로망 모델이 주가지수 예측 신경회로망 모델 보다 ETF 매매 성공률과 수익률에서 더 우수하다.

• 산업경영시스템학회지
• /
• 제46권1호
• /
• pp.32-41
• /
• 2023

Recently, many studies are being conducted to extract emotion from text and verify its information power in the field of finance, along with the recent development of big data analysis technology. A number of prior studies use pre-defined sentiment dictionaries or machine learning methods to extract sentiment from the financial documents. However, both methods have the disadvantage of being labor-intensive and subjective because it requires a manual sentiment learning process. In this study, we developed a financial sentiment dictionary that automatically extracts sentiment from the body text of analyst reports by using modified Bayes rule and verified the performance of the model through a binary classification model which predicts actual stock price movements. As a result of the prediction, it was found that the proposed financial dictionary from this research has about 4% better predictive power for actual stock price movements than the representative Loughran and McDonald's (2011) financial dictionary. The sentiment extraction method proposed in this study enables efficient and objective judgment because it automatically learns the sentiment of words using both the change in target price and the cumulative abnormal returns. In addition, the dictionary can be easily updated by re-calculating conditional probabilities. The results of this study are expected to be readily expandable and applicable not only to analyst reports, but also to financial field texts such as performance reports, IR reports, press articles, and social media.

• 디지털융복합연구
• /
• 제10권9호
• /
• pp.357-362
• /
• 2012

본 논문에서는 분산이 각각 다른 이분산성을 갖는 비선형 시계열 자료를 가지고, 비선형 시계열 모형중 1차 일반화 확률계수 자기회귀모형(GRCA(1))과 자료의 형태에 상관없이 적용할 수 있는 신경망 모형을 이용하여 예측을 해서 어느 모형이 최소 평균예측오차제곱의 기준에서 비선형 시계열 자료의 예측에 적합한지를 비교 분석 하는 것이다. 조건부 이분산 모형에 따르는 자료로 확인된 종합주가지수 변동율에 대한 사례 분석 결과를 보면 신경망 모형은 단기 예측에서 좋은 예측 결과를 보였고, 비선형 모형인 GRCA(1) 모형은 장기 예측에서 좋은 예측 결과를 보여 주었다.

• 한국산학기술학회논문지
• /
• 제21권8호
• /
• pp.572-578
• /
• 2020

주식 시장은 기업 실적 및 경기 상황뿐만 아니라 정치, 사회, 자연재해 등 예기치 못한 요소들에 영향을 받는다. 이런 요소들을 고려한 정확한 예측을 위해서 다양한 기법들이 사용된다. 최근 인공지능 기술이 화두가 되면서 이를 활용한 주가 예측 시도 또한 이루어지고 있다. 본 논문은 단순히 주식 관련 데이터뿐만 아닌, 거시 경제적 지표 등을 활용한 여러 종류의 데이터를 이용하여 주가에 영향을 미치는 요소에 관한 연구를 제안한다. KOSDAQ을 대상으로 1년 치 종가, 외국인 비율, 금리, 환율 데이터를 다양하게 조합한 후에 딥러닝의 Nonlinear AutoRegressive with eXternal input (NARX) 모델을 활용한다. 이 모델을 통해 1달 치 데이터를 생성하고 각 데이터 조합을 통해 만들어진 예측값을 RMSE를 통해 실제값과 비교, 분석한다. 또한, 은닉층에서 뉴런의 수, 지연 시간을 다양하게 설정하여 RMSE를 비교한다. 분석 결과 뉴런은 10개, 지연 시간은 2로 설정하고, 데이터는 미국, 중국, 유럽, 일본 환율의 조합을 사용할 때 RMSE 0.08을 보이며 가장 낮은 오차를 기록하였다. 본 연구는 환율이 주식에 가장 영향을 많이 미친다는 점과 종가 데이터만 사용했을 때의 RMSE 값인 0.589에서 오차를 낮췄다는 점에 의의가 있다.

• Communications for Statistical Applications and Methods
• /
• 제16권2호
• /
• pp.287-297
• /
• 2009

일반적으로 일반화 자기회귀 조건부 이분산(GARCH)모형 하에서, 우도함수에 기반한 자료의 예측구간의 추정은 오차항의 분포에 민감하게 반응하고 더욱이 조건부분산의 경우 구간추정이 현실적으로 쉽게 풀리지 않는 문제이다. 이를 해결하기 위해 붓스트랩방법(bootstrap method)이 적용될 수 있음을 최근 연구들을 통해 밝혀졌다. 본 논문에서는 GARCH모형 하에서 자료와 변동성(조건부 분산)의 예측구간 추정을 위해 최근 소개된 Pascual 등 (2006)의 논문을 토대로 붓스트랩 방법를 정리하였다 실제 사례분석을 위해 국내 주가수익률자료를 이용하였다.

• 스마트미디어저널
• /
• 제11권1호
• /
• pp.38-45
• /
• 2022

주식 시장에서 안정적으로 높은 수익을 얻기 위하여 많은 트레이딩 알고리즘에 대한 연구들이 이루어졌다. 트레이딩 알고리즘들이 미국 주식시장의 거래량에서 차지하는 비율은 80 프로가 넘을 정도로 많이 사용된다. 많은 연구에도 불구하고 항상 좋은 성능을 나타내는 트레이딩 알고리즘은 존재하지 않는다. 즉, 과거에 좋은 성능을 보이는 알고리즘이 미래에도 좋은 성능을 보인다는 보장이 없다. 그 이유는 주가에 영향을 주는 요인은 매우 많고, 미래의 불확실성도 존재하기 때문이다. 따라서 본 논문에서는 알고리즘들의 수익률에 대한 과거 기록을 바탕으로 미래의 수익률을 잘 예측하고 수익률도 높을 것으로 추정되는 알고리즘을 선택하는 TimeGAN을 활용한 모델을 제안한다. LSTM기법은 미래 시계열 데이터의 예측이 결정론적임에 반하여 TimeGAN은 확률적이다. TimeGAN의 확률적인 예측의 이점은 미래에 대한 불확실성을 반영하여 줄 수 있다는 점이다. 실험 결과로써, 본 논문에서 제안한 방법은 적은 변동성으로 높은 수익률을 달성하고, 여러 다수의 비교 알고리즘에 비해 우수한 결과를 보인다.

• 사물인터넷융복합논문지
• /
• 제9권6호
• /
• pp.57-62
• /
• 2023

본 연구는 미국 S&P 500 지수를 변동성 돌파 전략을 활용하여 Buy and Hold 방식과 비교 분석한 연구이다. 변동성 돌파 전략은 시장의 상대적 안정 또는 집중된 시기 후의 가격 움직임을 활용하는 거래 전략이다. 특히, 낮은 변동성 기간 후에 큰 가격 움직임이 더 자주 발생한다는 것이 관찰된다. 주식이 한동안 좁은 가격 범위에서 움직이다가 가격이 갑작스레 상승 또는 하락하는 경우, 그 주식이 해당 방향으로 계속 움직일 것으로 예상된다. 이러한 움직임을 활용하기 위해 거래자들은 변동성 돌파 전략을 채택한다. 'k' 값은 최근 시장 변동성의 측정값에 곱하는 배수로서 활용된다. 변동성의 측정 방법 중 하나로는 최근 거래일의 최고가와 최저가 차이를 나타내는 평균 진정 범위(ATR)가 있다. 'k' 값은 거래자들이 거래 임계값을 설정하는 데 중요한 역할을 한다. 본 연구는 'k' 값을 일반적인 값으로 연산하여 Buy and Hold 전략과 수익률을 비교 하여, 변동성 돌파전략을 사용한 알고리즘 트레이딩이 약간은 높은 수익률을 이룩하였다. 추후에는 인공 지능 딥러닝 기법을 이용하여 S&P 500 지수의 자동 거래를 위한 최적의 K 값을 구하고, 이를 통해 수익률을 극대화하기 위한 시뮬레이션 결과를 제시할 예정이다.