• 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.

• 한국콘텐츠학회논문지
• /
• 제22권3호
• /
• pp.81-93
• /
• 2022

주식 투자는 가장 널리 알려진 재테크 방법들 중 하나지만 실제 투자를 통해 수익을 얻기는 쉽지 않기 때문에 과거부터 효과적이고 안정적인 투자 수익을 얻기 위한 다양한 투자 전략들이 고안되고 시도되어 왔다. 그중 변동성 돌파 전략(Volatility Breakout)은 일일 단위로 일정 수준 이상의 범위를 뛰어넘는 강한 상승세를 돌파 신호로 파악하여 상승하는 추세를 따라가며 일 단위로 빠르게 수익을 실현하는 전략으로 널리 쓰이고 있는 단기 투자 전략들 중 하나이다. 그러나 주식 종목마다 가격의 추이나 변동성의 정도가 다르며 동일한 종목이라도 시기에 따라 주가의 흐름이 일정하지 않아 주가를 예측하고 정확한 매매 시점을 찾아내는 것은 매우 어려운 문제이다. 본 논문에서는 단순히 종가 또는 장기간에 걸친 수익률을 예측하는 기존 연구 방법들과는 달리 단기간에 수익을 실현할 수 있는 주식과 같은 시계열 데이터 분석에 적합한 양방향 장단기 메모리 심층 신경망을 이용하여 변동성 돌파 전략 기반 매매 시의 수익률을 예측하여 주식을 매매하여 방법을 제안한다. 이렇게 학습된 모델로 테스트 데이터에 대하여 실제 매매를 가정하여 실험한 결과 기존의 장단기 메모리 심층 신경망을 이용한 종가 예측 모델보다 수익률과 안정성을 모두 상회하는 결과를 확인할 수 있다.

• 지능정보연구
• /
• 제29권1호
• /
• pp.377-396
• /
• 2023

암호화폐시장이 지속해서 성장함에 따라 하나의 새로운 금융시장으로 발전하였다. 이러한 암호화폐시장에 관한 투자전략 연구의 필요성 또한 대두되고 있다. 본 연구에서는 단기매매전략과 딥러닝을 결합한 암호화폐 투자 방법론에 대해 실증분석을 진행하였다. 투자 대상의 암호화폐를 이더리움으로 설정하고, 과거 데이터를 기반으로 최적의 파라미터를 찾아 이를 활용하여 실험 모델의 투자 성과를 분석하였다. 실험 모델은 변동성돌파전략, LSTM(Long Short Term Memory)모델, 이동평균 교차 전략, 그리고 단일 모델들을 결합한 결합 모델이다. 변동성돌파전략은 일 단위로 변동성이 크게 상승할 때 매수하고 당일 종가에 매도하는 단기매매전략이며, LSTM모델은 시계열 데이터에 적합한 딥러닝 모델인 LSTM을 활용하여 얻은 예측 종가를 이용한 매매방법이다. 이동평균 교차 전략은 단기 이동평균선이 교차할 때 매매를 결정하는 방법이다. 결합 모델은 변동성돌파전략의 매수 조건과 변동성돌파전략의 목표 매수가보다 LSTM의 예측 종가가 큰 경우 매수하는 조건이 동시에 만족하면 매수하는 규칙이다. 결합 모델은 변동성돌파전략과 LSTM모델의 파생 변수를 활용해 매수 조건에 AND와 OR를 사용하여 만든 매매 규칙이다. 실험 결과, 단일 모델보다 결합 모델에서 투자 성과가 우수함을 확인하였다. 특히, 데일리 트레이딩과 매수 후 보유의 누적수익률은 -50%이하인 것에 비해 결합 모델은 +11.35%의 높은 누적수익률을 달성하여 하락이 지속되던 투자 기간에도 기술적으로 방어하며 수익을 낼 수 있음을 확인하였다. 본 연구는 기존의 딥러닝기반 암호화폐 가격 예측에서 나아가 변동성이 큰 암호화폐시장에서 딥러닝과 단기매매전략을 결합하여 투자 성과를 개선하였다는 점에서 학술적 의의가 있으며, 실제 투자 시 적용 가능성을 보여주었다는 점에서 실무적 의의가 있다.