인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김재광
- 발행연도
- 2023
- 저작권
- 성균관대학교 논문은 저작권에 의해 보호받습니다.
이용수11
초록· 키워드
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
금융 시계열은 정치, 경제, 사회 등에서 발생하는 다양한 사건에 의해서 영향을 받는다. 특히 예상치 못한 사건은 금융 시장에 충격을 주어 금융 시계열의 추세가 변하게 된다. 이러한 추세 변동은 미래 예측을 어렵게 만드는 요인 중 하나로 금융 시장에 불확실성을 불러일으킨다. 최근에는 COVID-19 발생으로 인하여 금융 시장에 불확실성이 확대되고 있으며, 미래의 불확실성에서 오는 위험을 줄이기 위해서 향후를 정확히 예측할 필요가 있다.
이에 본 논문에서는 충격을 포함하는 단변량 금융 시계열, 특히 KOSPI와 원/달러 환율 데이터의 예측에 있어서, 기존에 존재하는 단일 통계적 모형과 단일 인공 신경망 모델보다 성능을 개선하는 것을 목표로 한다. 이를 위하여 Prophet으로 시계열을 추세와 시계열에서 추세를 제거한 잔차로 분해한 다음, 추세는 통계적 모형인 ARIMA로 학습 및 예측하고 나머지 잔차는 인공 신경망 모델인 N-BEATS로 학습 및 예측하여 최종 예측값을 도출하는 하이브리드 모델을 제안한다. 제안된 모델을 평가하기 위해서 금융 시계열인 월별 KOSPI와 월별 원/달러 환율 데이터를 사용하였다. 실험 결과, MAPE 및 RMSE 척도에서 제안한 모델의 성능이 실험에서 사용된 통계 기반 모형 및 인공 신경망 모형보다 향상되었음을 확인하였다.
이에 본 논문에서는 충격을 포함하는 단변량 금융 시계열, 특히 KOSPI와 원/달러 환율 데이터의 예측에 있어서, 기존에 존재하는 단일 통계적 모형과 단일 인공 신경망 모델보다 성능을 개선하는 것을 목표로 한다. 이를 위하여 Prophet으로 시계열을 추세와 시계열에서 추세를 제거한 잔차로 분해한 다음, 추세는 통계적 모형인 ARIMA로 학습 및 예측하고 나머지 잔차는 인공 신경망 모델인 N-BEATS로 학습 및 예측하여 최종 예측값을 도출하는 하이브리드 모델을 제안한다. 제안된 모델을 평가하기 위해서 금융 시계열인 월별 KOSPI와 월별 원/달러 환율 데이터를 사용하였다. 실험 결과, MAPE 및 RMSE 척도에서 제안한 모델의 성능이 실험에서 사용된 통계 기반 모형 및 인공 신경망 모형보다 향상되었음을 확인하였다.
목차
- 제 1 장 서 론 1제 2 장 배경 이론 32.1. 전통적인 통계 기반 예측 방법 32.1.1. ARIMA 32.1.2. Holt-Winters Exponential Smoothing 42.2. 인공 신경망 기반 모형 52.2.1. Prophet 52.2.2. N-BEATS 72.2.3. N-HiTS 8제3장 제안 모델 103.1. 예측 문제 정의 103.1.1. 단변량 시계열 예측 103.1.2. 대상 문제의 소개 113.2. 학습 데이터 소개 113.3. ARIMA-NBEATS 하이브리드 모델 123.3.1. 정규화 133.3.2. 시계열 분해 143.3.2.1. 시계열 성분 143.3.2.2. Prophet을 이용한 시계열 분해 153.3.3. 통계적 모형 ARIMA를 사용한 추세 예측 163.3.4. 딥러닝 모델 N-BEATS를 사용한 잔차 예측 163.3.5. 최종 예측값 173.4. 평가 173.4.1. 교차 검증 173.4.2. 평가 지표 18제4장 실험 결과 204.1. KOSPI 데이터 204.1.1. 6개월 예측 204.1.2. 12개월 예측 214.2. 환율 데이터 214.2.1. 6개월 예측 214.2.2. 12개월 예측 224.3. 결과 종합 22제5장 결 론 24참 고 문 헌 27부 록 32< 부록 1 > 추가실험 32< 부록 2 > 하이퍼파라미터 36
최근 본 자료
