메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학술저널
저자정보
김영진 (연세대학교) 김하영 (연세대학교)
저널정보
한국지식정보기술학회 한국지식정보기술학회 논문지 한국지식정보기술학회 논문지 제18권 제1호
발행연도
2023.2
수록면
141 - 155 (15page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색

초록· 키워드

오류제보하기
기존 주식 시장의 시계열 예측 연구의 상당수는 점 예측을 기반으로 한 통계적 또는 기계 학습 방법론이다. 그러나 일반적인 점 예측 방법은 데이터의 분포를 고려하지 못해 극단적인 시장 상황을 무시할 수 있다. 이는 주식 시장의 높은 변동성을 감안할 때, 장기 예측에 취약할 수 있다는 한계점을 갖는다. 이 문제를 해결하기 위해, 우리는 디노이징 확산 모델을 기반으로 한 주가 지수 확률 분포 예측 프레임워크인 StockGrad를 제안한다. 구체적으로 StockGrad는 예측 기간과 관련성이 낮은 기간에 대한 확률을 0으로 산출하기 위해 희소 트랜스포머 인코더를 특징 추출기로 채택한다. 확률 분포 예측을 위해, 본 프레임워크는 TimeGrad 시계열 생성 방법론을 사용하여 마르코프 체인을 통해 백색 잡음을 관심 분포로 변환한다. 우리가 제안한 방법론은 투자자들이 투자 또는 위험 관리에 대한 결정을 내리는 데 도움이 될 수 있다. 실험에 따르면 StockGrad는 S&P500, NIKKEI225, KOSPI200 주가 지수 데이터 세트에서 기존 딥러닝 시계열 확률 모델보다 각각 약 3.71%, 1.53%, 1.71% 성능이 좋게 나옴을 확인할 수 있다. 또한, 희소 트랜스포머 인코더를 특징 추출기로 사용하면 예측 구간과 관련된 과거 시점을 잘 포착하게 되어 장기 예측 성능이 향상된다는 것이 실험적으로 입증되었다.
#Deep learning #Time series forecasting #Stochastic differential equations #Financial time series #Stock market index #Probabilistic forecasting

목차

등록된 정보가 없습니다.

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0