KCI등재
인공신경망 기계학습을 활용한 주가지수 수익률 분석 = The Stock Index Return Analysis using the Machine Learning based on Artificial Neural Networks
저자
발행기관
학술지명
권호사항
발행연도
2023
작성언어
Korean
주제어
등재정보
KCI등재
자료형태
학술저널
수록면
73-92(20쪽)
DOI식별코드
제공처
The Machine learning-based studies on the stock market have tended to focus on the efficiency of prediction based on relatively free variable selection from financial theory and optimization models. Such machine learning-based studies may be at odds with the existing financial theory of the stock market. Therefore, this study secured a research basis that conforms to financial theory by conducting a process of testing the randomness of time series data that was neglected in the machine learning analyses. This analysis, also, selected analysis data which consider multicollinearity among variables. Traditional regression analysis using this data was also conducted to establish a foundation for comparing the machine learning results based on the artificial neural network models.
Machine learning involved setting up 1, 5, 10-layer MLP models and 1, 5, 10-layer LSTM models with one cell per layer, and the models were also classified based on whether or not an activation function was included for each layer.
The training results showed that the MLP model without activation functions did not improve the efficiency level measured by MSE and MAE, even when the number of layers or training times were increased. However, the training of MLP models that include activation functions, ReLU, which can reflect nonlinearity in the learning process, showed a clear improvement in efficiency with an increase in the number of layers, training times, and input data size.
In contrast, in the training of LSTM models, an increase in the number of layers and training times did not consistently show improvement in efficiency, and even when there was improvement, the impact was limited. However, it was concluded that an increase in input data size contributed to improved efficiency. Such results for LSTM models demonstrate that even with sequence data, the advantages of RNN LSTM are difficult to manifest in time series data that include white noise process, such as KOSPI return.
주식시장에 대한 기계학습 기반 연구들은 재무이론으로부터 비교적 자유로운 변수들과 최적화 모형을 기반으로 하는 예측의 효율성에 초점이 맞춰진 경향이 있다. 하지만 이러한 기계학습 기반 연구는 주식시장에 대한 기존 재무금융 이론과 상치될 여지가 있다.
따라서, 이 연구는 기존 기계학습 분석에서 소홀히 했던 시계열 데이터들의 임의행보 여부를 검정하는 과정을 거친 후 변수 간의 다중공선성을 고려한 분석 데이터 선정을 통해 재무이론적 관점에 부합하는 연구 기반을 확보하였다. 또한 이들 데이터를 이용한 전통적 회귀분석을 하여 인공신경망 모형들의 기계학습 결과와 비교하기 위한 기반도 마련하였다. 기계학습에는 1, 5, 10 layer MLP 모형과 layer 당 1개의 셀이 있는 1, 5, 10 layer LSTM 모형이 설정되었고, 또한 각 layer 별 활성화 함수 포함 여부에 따라서도 모형을 구분하였다.
학습 결과, 활성화 함수가 포함되지 않은 MLP 모형은 layer의 숫자나 학습 횟수를 늘려도 MSE와 MAE로 측정된 학습 효율성 수준을 개선시키지 못했다. 하지만 학습 과정에 비선형성을 반영할 수 있는 활성화 함수가 포함된 MLP 모형의 학습은 layer의 숫자, 학습 횟수 그리고 입력 데이터 사이즈 증가에 따라서 효율성 개선 효과가 뚜렷이 나타났다.
이에 비해 LSTM 모형에 대한 학습에서는 layer의 숫자, 학습 횟수의 증가가 효율성 개선에 일관된 결과를 제시하지 못하였고, 개선되더라도 영향이 제한적이었다. 다만 입력 데이터 사이즈의 증가는 효율성 개선에 기여한다는 결론을 내릴 수 있었다. LSTM 모형에 대한 이런 결과는 비록 시퀀스 데이터이더라도 KOSPI 수익률과 같이 백색잡음(white noise)이 포함된 시계열 자료에서는 RNN LSTM의 장점이 발휘되기 어렵다는 사실을 보여준다.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)