• 응용통계연구
• /
• 제36권6호
• /
• pp.561-571
• /
• 2023

본 논문에서는 비대칭 변동성을 다루고 있다. 대표적인 비대칭 모형인 분계점-ARCH에서 원점이 영(zero)에서 이동한 모형을 제안하고 있다. 제안된 모형은 변동성의 최소값이 비-영(non-zero)에서 생기는 특수한 구조의 비대칭 모형이며 AIC 등의 모형선택기준과 더불어 모수적-붓스트랩을 통한 예측분포를 이용하여 원점으로부터의 이동량을 결정할 수 있다. 팬데믹 기간의 국내 종합주가지수(KOSPI) 자료 분석을 통해 모형의 응용 절차를 예시하였다.

• 한국컴퓨터정보학회논문지
• /
• 제28권8호
• /
• pp.67-75
• /
• 2023

주가 예측은 금융시장에서 중요하게 다뤄지고 있는 주제이지만 영향을 미칠 수 있는 다수의 요소들로 인해 어려운 주제로 고려되고 있다. 본 논문에서는 시계열 예측 모델 (LSTM, GRU)과 데이터의 시간적 의존성을 고려하지 않는 비 시계열 예측 모델 (RF, SVR, KNN, LGBM)을 주가 예측에 적용하여 성능을 비교하고 분석하였다. 또한 주가 데이터와 기술적 분석 보조지표, 재무제표 지표, 매수매도 지표, 공매도, 외국인 지표 등 다양한 데이터를 조합 및 활용하여 최적의 예측 요소를 찾아내고 업종별로 주가 예측에 영향을 미치는 주요 요소들을 분석했다. 하이퍼파라미터 최적화 과정을 통해 알고리즘별 예측 성능을 향상 시키는 과정도 진행하여 성능에 영향을 주는 요인을 분석하였다. 변수 선택과 하이퍼 파라미터 최적화 과정을 거친 결과, 시계열 예측 알고리즘인 GRU, 그리고 LSTM+GRU의 예측 정확도가 가장 높은 것으로 나타났다.

• International Journal of Computer Science & Network Security
• /
• 제22권2호
• /
• pp.185-192
• /
• 2022

Forecasting and time series modelling plays a vital role in the data analysis process. Time Series is widely used in analytics & data science. Forecasting stock prices is a popular and important topic in financial and academic studies. A stock market is an unregulated place for forecasting due to the absence of essential rules for estimating or predicting a stock price in the stock market. Therefore, predicting stock prices is a time-series problem and challenging. Machine learning has many methods and applications instrumental in implementing stock price forecasting, such as technical analysis, fundamental analysis, time series analysis, statistical analysis. This paper will discuss implementing the stock price, forecasting, and research using prophet and LSTM models. This process and task are very complex and involve uncertainty. Although the stock price never is predicted due to its ambiguous field, this paper aims to apply the concept of forecasting and data analysis to predict stocks.

• 한국지능정보시스템학회:학술대회논문집
• /
• 한국지능정보시스템학회 2003년도 춘계학술대회
• /
• pp.329-337
• /
• 2003

Stock market prediction is regarded as a challenging task of financial time-series prediction. There have been many studies using artificial neural networks in this area. Recently, support vector machines (SVMs) are regarded as promising methods for the prediction of financial time-series because they me a risk function consisting the empirical ewer and a regularized term which is derived from the structural risk minimization principle. In this study, I apply SVM to predicting the Korea Composite Stock Price Index (KOSPI). In addition, this study examines the feasibility of applying SVM in financial forecasting by comparing it with back-propagation neural networks and case-based reasoning. The experimental results show that SVM provides a promising alternative to stock market prediction.

• 재무관리연구
• /
• 제24권3호
• /
• pp.63-89
• /
• 2007

본 연구는 금융시계열자료의 특징적 속성을 관찰하고자 하는 연구시도의 일환으로, 실제자료 뿐만 아니라 이론자료를 이용하여 장기기억속성의 존재와 장기기억속성의 정도에 영향을 미칠 수 있는 가능한 요인을 수익률 및 변동성차원에서 체계적으로 검증하는 것이 목적이다. 검증결과의 견고함을 위하여, 이론자료 뿐만 아니라 24개국 주식시장의 지수자료, KOSPI 시장지수를 구성하는 430개 개별주식자료를 함께 사용하였다. 관찰된 검증결과를 요약 정리하면 다음과 같다. 첫째, 이론자료와 실제자료를 이용하여 장기기억속성의 존재여부를 체계적으로 검증한 결과에 의하면, 분석자료에 관계없이 수익률차원에서는 장기기억속성의 존재를 확인할 수 있는 긍정적인 증거를 발견하지 못하였으나, 변동성차원에서는 강한 장기기억속성의 증거를 지지하는 증거를 발견할 수 있었다. 둘째, 관찰된 변동성의 장기기억속성 정도에 영향을 미칠 수 있는 가능한 요인으로는, 분석자료에 관계없이, 금융시계열자료에서 일반적으로 관찰되는 변동성 군집효과의 속성이 가능한 것으로 확인되었다.

• 한국경영과학회지
• /
• 제21권3호
• /
• pp.197-214
• /
• 1996

Financial analysis of stock data usually involves extensive computation of large amount of time series data sets. To handle the large size of the data sets and complexity of the analyses, database management systems have been increasingly adaopted for efficient management of stock data. Specially, relational database management system is employed more widely due to its simplistic data management approach. However, the normalized two-dimensional tables and the structured query language of the relational system turn out to be less effective than expected in accommodating time series stock data as well as the various computational operations. This paper explores a new data management approach to stock data management on the basis of an object-oriented database management system (ODBMS), and proposes a data model supporting times series data storage and incorporating a set of financial analysis functions. In terms of functional stock data analysis, it specially focuses on a primitive set of operations such as variance of stock data. In accomplishing this, we first point out the problems of a relational approach to the management of stock data and show the strength of the ODBMS. We secondly propose an object model delineating the structural relationships among objects used in the stock data management and behavioral operations involved in the financial analysis. A prototype system is developed using a commercial ODBMS.

• 한국콘텐츠학회논문지
• /
• 제15권10호
• /
• pp.457-467
• /
• 2015

최근 전세가격 상승과 저금리 저성장 시대에도 불구하고 금융 및 보험업의 산업 생산지수는 전 산업생산지수 대비 지속적으로 상승폭을 유지하면서 일반적인 상식에 반하는 현상이 나타나고 있다. 이에 본 연구에서는 금융업 산업생산지수와 전세가격 상승의 동태적 상관관계를 분석함으로써 전세가격 상승이 금융업 산업생산지수에 미치는 영향에 대해 분석하고자 했다. 이를 위해 전세가격지수와 거시경제 변수인 전 산업생산지수, 금융 및 보험업 생산지수의 변수를 정의하고, 공적분 관계가 없는 벡터자기회귀모형(VAR)을 이용하여 연구를 진행하였다. 2000년 1월부터 2015년 5월말까지 총 183개월의 시계열 데이터 분석결과 전세가격상승이 직접적으로 금융업 생산지수에 인과 관계를 나타내지는 않았으나 금융업 산업생산지수의 상승이 전세가격 상승에 영향을 미치는 것으로 나타났다. 이는 곧 전세가격의 구조적 변화와 주택금융의 관계 분석을 통해 실질적인 주택 관련 정책이 금융산업에 직접적인 영향을 줄 수 있음을 시사한다.

• 한국수학교육학회지시리즈B:순수및응용수학
• /
• 제19권1호
• /
• pp.7-21
• /
• 2012

The fuzzy time series is introduced by Song and Chissom([8]) to construct a pattern for time series with vague or linguistic value. Many methods using the interval and fuzzy logical relationship related with historical data have been suggested to enhance the forecasting accuracy. But they do not fully reflect the fluctuation of historical data. Therefore, we propose the interval rearranged method to reflect the fluctuation of historical data and to improve the forecasting accuracy of fuzzy time series. Using the well-known enrollment, the proposed method is discussed and the forecasting accuracy is evaluated. Empirical studies show that the proposed method in forecasting accuracy is superior to existing methods and it fully reflects the fluctuation of historical data.

• Communications for Statistical Applications and Methods
• /
• 제26권1호
• /
• pp.27-34
• /
• 2019

We study the effect of detrending on the coherency between two time series processes. Many economic and financial time series variables include nonstationary components; however, we analyze the two most popular cases of stochastic and deterministic trends. We analyze the asymptotic behavior of coherency under incorrect detrending, which includes the cases of first-differencing the deterministic trend process and, conversely, the time trend removal of the unit root process. A simulation study is performed to investigate the finite sample performance of the sample coherency due to incorrect detrending. Our work is expected to draw attention to the possible distortion of coherency when the series are incorrectly detrended. Further, our results can extend to various specification of trends in aggregate time series variables.

• 한국정보시스템학회지:정보시스템연구
• /
• 제29권1호
• /
• pp.241-265
• /
• 2020

Purpose Various machine learning techniques are used to implement for predicting corporate credit. However, previous research doesn't utilize time series input features and has a limited prediction timing. Furthermore, in the case of corporate bond credit rating forecast, corporate sample is limited because only large companies are selected for corporate bond credit rating. To address limitations of prior research, this study attempts to implement a predictive model with more sample companies, which can adjust the forecasting point at the present time by using the credit score information and corporate information in time series. Design/methodology/approach To implement this forecasting model, this study uses the sample of 2,191 companies with KIS credit scores for 18 years from 2000 to 2017. For improving the performance of the predictive model, various financial and non-financial features are applied as input variables in a time series through a sliding window technique. In addition, this research also tests various machine learning techniques that were traditionally used to increase the validity of analysis results, and the deep learning technique that is being actively researched of late. Findings RNN-based stateful LSTM model shows good performance in credit rating prediction. By extending the forecasting time point, we find how the performance of the predictive model changes over time and evaluate the feature groups in the short and long terms. In comparison with other studies, the results of 5 classification prediction through label reclassification show good performance relatively. In addition, about 90% accuracy is found in the bad credit forecasts.