대규모 외생 변수 및 Deep Neural Network 기반 금융 시장 예측 및 성능 향상

• 영문명: Financial Market Prediction and Improving the Performance Based on Large-scale Exogenous Variables and Deep Neural Networks
• 발행기관: 한국스마트미디어학회
• 저자명: 천성길(Sung Gil Cheon) 이주홍(Ju Hong Lee) 최범기(Bum Ghi Choi) 송재원(Jae Won Song)
• 간행물 정보: 『스마트미디어저널』Vol9, No.4, 26~35쪽, 전체 10쪽
• 주제분류: 공학 > 컴퓨터학
• 파일형태: PDF
• 발행일자: 2020.12.30

국문 초록

미래의 주가를 예측하기 위한 시도는 과거부터 꾸준히 연구되어왔다. 그러나 일반적인 시계열 데이터와 달리 금융 시계열 비정상성(non-stationarity)과 장기 의존성(long-term dependency), 비선형성(non-linearity) 등 예측을 하는 것에 있어서 여러 가지 방해 요인이 존재한다. 또한, 광범위한 데이터의 변수는 기존에 사람이 직접 선택하는 것에 한계가 있으며 모델이 변수를 자동으로 잘 추출할 수 있도록 하여야 한다. 본 논문에서는 비정상성 데이터를 정규화할 수 있는 슬라이딩 타임스텝 정규화(sliding time step normalization) 방법과 LSTM 형태의 오토인코더(AutoEncoder)를 사용하여 모든 변수로부터 압축된 변수로 미래 주가를 예측하는 방법, 기간을 나누어 전이 학습을 하는 이동 전이 학습(moving transfer learning)을 제안한다. 또한, 실험을 통하여 100개의 주요 금융 변수들만을 사용하는 것보다 뉴럴 네트워크를 통해서 가능한 많은 변수를 사용하였을 때 성능이 우수함을 보이며, 슬라이딩 타임스텝 정규화 방법을 사용하여 모든 구간에서 데이터의 비정상성에 대해 정규화를 수행함으로써 성능 향상에 효과적임을 보인다. 이동 전이 학습 방법은 스텝 별 테스트 구간에서 모델의 성능을 평가하고 전이학습을 함으로써 긴 테스트 구간에서 성능 향상에 효과적임을 보인다.

영문 초록

Attempts to predict future stock prices have been studied steadily since the past. However, unlike general time-series data, financial time-series data has various obstacles to making predictions such as non-stationarity, long-term dependence, and non-linearity. In addition, variables of a wide range of data have limitations in the selection by humans, and the model should be able to automatically extract variables well. In this paper, we propose a ‘sliding time step normalization’ method that can normalize non-stationary data and LSTM autoencoder to compress variables from all variables. and ‘moving transfer learning’, which divides periods and performs transfer learning. In addition, the experiment shows that the performance is superior when using as many variables as possible through the neural network rather than using only 100 major financial variables and by using sliding time step normalization to normalize the non-stationarity of data in all sections, it is shown to be effective in improving performance. moving transfer learning shows that it is effective in improving the performance in long test intervals by evaluating the performance of the model and performing transfer learning in the test interval for each step.

목차

Ⅰ. 서론

Ⅱ. 관련 연구

Ⅲ. 정규화, 전이학습, 변수추출방법 제안

Ⅳ. 예측 시스템

Ⅴ. 실험

Ⅵ. 결론

REFERENCES

키워드

시장예측 딥러닝 오토인코더 전이 학습 시계열 정규화 Market prediction Deep learning AutoEncoder Trainsfer learning Time series normalization