자본시장 IT시스템 효율적 용량계획 모델: 심리지수 활용을 중심으로 = Effective Capacity Planning of Capital Market IT System: Reflecting Sentiment Index

국문 초록 (Abstract)

최근 COVID-19, 동학개미운동 등 투자환경의 변화로 시스템 처리 허용 수준을 상회하는 트랜잭션이 발생하고 이로 인해 전산장애가 자본시장에서 빈번하게 나타나고 있다. 자본시장 IT시스템들은 장애 영향도가 매우 큰 시스템들로서, 2020년에 예측하지 못한 큰 규모의 트랜잭션이 상당한 기간 유입되어 전산장애가 급증하였다. 다수의 기업들이 높은 수 준의 IT시스템 용량계획 정책을 유지하고 있던 상황임에도 불구하고, 이를 상회하는 트랜잭션이 유입된 것은 용량계획에 대한 새로운 접근 방법이 필요함을 시사하고 있다. 이에 본 연구는 다양한 머신러닝 기법을 활용하여 자본시장 IT시스템 용량계획 모델들을 개발하고 성능을 비교 분석한다. 또한, 동학개미운동과 같이 예측하기 힘든 투자자의 행동을 반영할 수 있는 심리지수를 예측에 활용함으로써 용량계획 모델의 성능을 높인다. COVID-19 기간을 포함한 실증데이터를 이용 하여 본 연구에서 개발한 용량계획 모델은 실무에서 활용 가능한 수준의 높은 성능과 안정성을 가질 수 있다. 본 연구는 기업의 비용 효율성과 IT시스템 용량 변경에 수반되는 운영상의 제약을 모두 고려한 최적의 파라미터를 제시하였는데, 이것은 자본시장 도메인에서 유용하게 사용될 수 있다. 또한, 본 연구는 투자자의 심리를 반영하는 심리지수가 IT 시스 템 용량계획에 중요한 예측요인이 될 수 있는 것을 입증함으로써, 심리지수가 다양한 수요예측에 적극적으로 활용될 수 있음을 보여준다.

참고문헌 (Reference)

• 1 원종관 ; 홍태호, "텍스트 마이닝과 딥러닝을 활용한 암호화폐 가격 예측 : 한국과 미국시장 비교" 한국지식경영학회 22 (22): 1-17, 2021
• 2 나종회 ; 최광돈, "정보시스템 용량산정방식에 관한 탐색적 연구 : 공공부문 H/W 규모산정을 중심으로" 한국IT서비스학회 3 (3): 9-23, 2004
• 3 KRX, "변동성지수(VKOSPI) 상품의 이해" KRX 2009
• 4 홍승빈, "먹통, 또 먹통...비대면 시대 무색한증권사 거래시스템"
• 5 임현욱 ; 정승환 ; 이희수 ; 오경주, "국고채, 금리 스왑 그리고 통화 스왑 가격에 기반한 외환시장 환율예측 연구: 인공지능 활용의 실증적 증거" 한국지식경영학회 22 (22): 71-85, 2021
• 6 김은미, "감성분석을 이용한 뉴스정보와 딥러닝 기반의 암호화폐 수익률 변동 예측을 위한 통합모형" 한국지식경영학회 22 (22): 19-32, 2021
• 7 Liang, C, "Which sentiment index is more informative to forecast stock market volatility? Evidence from China" 71 : 101552-, 2015
• 8 Du, B, "Traffic demand prediction based on dynamic transition convolutional neural network" 22 (22): 1237-1247, 2020
• 9 Lee, C, "The volatility index and style rotation : Evidence from the Korean stock market and VKOSPI" 43 (43): 29-39, 2014
• 10 Lucey, B, "The role of feelings in investor decision-making" 19 (19): 211-237, 2005
• 11 Makrehchi, M, "Stock prediction using event-based sentiment analysis" 2013
• 12 Nelson, D. M. Q, "Stock market's price movement prediction with LSTM neural networks" 2017
• 13 Weng, B, "Stock market one-day ahead movement prediction using disparate data sources" 79 : 153-163, 2017
• 14 Seyedan, M, "Predictive big data analytics for supply chain demand forecasting : Methods, applications, and research opportunities" 7 : 53-, 2020
• 15 Piccoli, P, "Overreaction to extreme market events and investor sentiment" 25 (25): 115-118, 2018
• 16 Aggarwal, C, "Outlier analysis" Springer 1-34, 2017
• 17 Buckman, S. R, "News sentiment in the time of COVID-19" 8 : 1-5, 2020
• 18 Muralitharan, K, "Neural network based optimization approach for energy demand prediction in smart grid" 273 : 199-208, 2018
• 19 Cho, J. K, "Market timing with the VKOSPI sample entropy indicator" 2 (2): 17-24, 2016
• 20 Guo, Y, "Machine learning-based thermal response time ahead energy demand prediction for building heating systems" 221 : 16-27, 2018
• 21 Qiu, L, "Investor sentiment measures" National Bureau of Economic Research 2004
• 22 López-Cabarcos, M. A, "Investor sentiment in the theoretical field of behavioural finance" 33 (33): 2101-2228, 2019
• 23 Baker, M, "Investor sentiment and the cross-section of stock returns" 61 (61): 1645-1680, 2006
• 24 Liu, S, "Investor sentiment and stock market liquidity" 16 (16): 51-67, 2015
• 25 Oh, C, "Investigating predictive power of stock micro blog sentiment in forecasting future stock price directional movement" 17-, 2011
• 26 Xing, F, "Intelligent asset allocation via market sentiment views" 13 (13): 25-34, 2018
• 27 Wilcoxon, F, "Individual comparisons by ranking methods" 1 (1): 80-83, 1945
• 28 Yu, Y, "Improving the smartness of cloud management via machine learning based workload prediction" IEEE 2 : 38-44, 2018
• 29 Noh, J, "Gated recurrent unit with genetic algorithm for product demand forecasting in supply chain management" 8 (8): 565-, 2020
• 30 Mozo, A, "Forecasting short-term data center network traffic load with convolutional neural networks" 13 (13): e0191939-, 2018
• 31 Siganos, A, "Divergence of sentiment and stock market trading" 78 : 130-141, 2017
• 32 Tugay, R, "Demand prediction using machine learning methods and stacked generalization" 2020
• 33 Xiao, G, "Demand prediction for a public bike sharing program based on spatio-temporal graph convolutional networks" 80 (80): 22907-22925, 2021
• 34 Menasce, D, "Capacity planning for web performance: Metrics, models, and methods" Prentice Hall 1998
• 35 Kumar, J, "Biphase adaptive learning-based neural network model for cloud datacenter workload forecasting" 24 (24): 14593-14610, 2020
• 36 Han, Q, "Asymmetric and negative return-volatility relationship : The case of the VKOSPI" 41 (41): 69-78, 2012
• 37 Bagchi, D, "An investigation of return-volatility relationship using high-frequency VKOSPI data" 3 (3): 258-273, 2013
• 38 Shapiro, S, "An analysis of variance test for normality(complete samples)" 52 (52): 591-611, 1965
• 39 Reis, P. M. N, "A new european investor sentiment index(EURsent)and its return and volatility predictability" 27 : 100373-, 2020
• 40 Chen, K, "A LSTM-based method for stock returns prediction: A case study of China stock market" IEEE 2823-2824, 2015