본문 바로가기
[학술저널]

  • 학술저널

곽내원(경상대학교) 임동훈(경상대학교)

DOI : 10.7465/jkdi.2021.32.2.267

표지

북마크 0

리뷰 0

이용수 0

피인용수 0

초록

일반적으로 금융 시계열 (financial time series) 예측은 비선형성 (non-linearity)과 불규칙성(irregularity)으로 인해 매우 어려운 일이다. 본 논문에서는 금융 시계열 예측을 위해 AdaBoost 알고리즘과 GRU 모형을 결합한 하이브리드 앙상블 학습 방법 (hybrid ensemble learning approach)을 제안하고자 한다. 여기서 GRU 모형은 LSTM (long short term memory) 모형과 함께 시계열 예측에 널리 사용되는 RNN (recurrent neural network)의 변형 모형이다. 우리는 KOSPI 데이터와 원/달러 환율과 같은 금융 시계열 데이터를 가지고 제안된 모델을 평가하고자 한다. 성능실험 결과 제안된 AdaBoost-GRU 앙상블은 3가지 척도 즉, MAE, MSE 및 RMSE 척도에서 기존의 ARIMA 모형, LSTM 모형, GRU 모형, 그리고 Adaboost-LSTM 앙상블보다 좋은 성능을 보였다. 그리고 Adaboost-LSTM 모형과의 처리속도 면에서 제안된 AdaBoost-GRU 모형이 빠름을 알 수 있었다.

In general, forecasting an financial time series is very difficult due to non-linearity and irregularity. In this paper, we propose a hybrid ensemble learning approach that combines the AdaBoost algorithm and GRU model for financial time series forecasting. Here, the GRU model is a modified structure of a recurrent neural network (RNN) widely used for time series forecasting along with a long short term memory (LSTM) model. We evaluated the proposed model with two financial time series data: KOSPI data, and won/dollar exchange rate data. As a result of performance tests, the proposed AdaBoost-GRU ensemble showed better performance than ARIMA model, single LSTM model, single GRU model, and Adaboost-LSTM ensemble in three scales: MAE, MSE and RMSE. In addition, the proposed AdaBoost-GRU ensemble was found to be fast in terms of processing speed with the Adaboost-LSTM model.

목차

요약
1. 서론
2. 관련연구
3. AdaBoost-GRU 앙상블에 의한 예측 방법
4. 성능 실험 및 논의사항
5. 결론 및 향후 연구
References
Abstract

참고문헌(0)

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