본문 바로가기
[학술저널]

  • 학술저널
  • Top 1%

신동하(가천대학교) 최광호(에이치티원) 김창복(가천대학교)

DOI : 10.14801/jkiit.2017.15.10.9

UCI(KEPA) : I410-ECN-0101-2018-004-001348344

표지

북마크 8

리뷰 0

초록

최근 딥러닝을 이용한 주가예측은 기본적으로 보조지표를 예측요소로 사용하고 있으나, 보조지표는 분석가의 주관적인 관점이기 때문에, 예측요소에 대한 적합여부에 대한 검토가 필요하다. 본 연구는 R의 신경망 패키지를 통해, 기존의 보조지표에 대해서 다양한 조합으로 예측요소 적합여부를 검토하고, 예측율 향상을 위해 최적의 보조지표 조합과 환율, 환율 이동평균, 전산업생산지수 등 환경 예측요소들에 대해서 연구하였다. 또한, 추출된 예측요소를 입출력 패턴으로 DNN, RNN, LSTM 등의 딥러닝 모델을 제안하였다. 연구결과 대부분의 보조지표는 예측율을 저하하는 현상이 있었으며, 추가 환경 예측요소를 통해, 예측율이 향상되었다. 또한, DNN에 비해 시계열 딥러닝 네트워크인 RNN과 LSTM이 빠르고 안정적으로 학습하였으며, 종목별로 차이는 있으나 대략 15% 정도의 예측율 향상을 보였다.

Recently, stock price prediction using deep learning has basically used assistance index as a prediction factors. However assistance index is necessary to examine whether it is suitable as prediction factors because it is subjective viewpoint of researcher. In this study, we examine the suitability as prediction factors with various combinations of existing assistance indexes through the R neural network package, and studied the optimal combinations of assistance indexes and environmental prediction factors like exchange rate, exchange rate moving average, and whole industrial production index in order to improve the prediction rate. In addition, we proposed a deep learning model like DNN, RNN, LSTM which have input-output with extracted prediction factors. As a result, most of the assistance indexes decreased the prediction rate and the prediction rate was improved through additional environmental prediction factors. Also, RNN and LSTM, which are time series deep learning networks, were learned quickly and steadily compared to DNN. Although there is a difference by items, the prediction rate improvement is about 15%.

목차

요약
Abstract
Ⅰ. 서론
Ⅱ. 기술분석
Ⅲ. 주가예측 제안 딥러닝
Ⅳ. 실험 및 결과
Ⅴ. 결론
References

리뷰(0)

도움이 되었어요.0

도움이 안되었어요.0

첫 리뷰를 남겨주세요.
DBpia에서 서비스 중인 논문에 한하여 피인용 수가 반영됩니다.
인용된 논문이 DBpia에서 서비스 중이라면, 아래 [참고문헌 신청]을 통해서 등록해보세요.
Insert title here