주식시장 예측 개선을 위한 하이브리드 모델 연구

Abstract

금융시장 예측을 위해 기계 학습 기반 연구, 특히 딥러닝 관련 모델은 적은 가정과 높은 성능으로 인해 활발하게 연구되고 있다. 본 연구에서는 오버피팅을 방지하면서 가능한 한 많은 기술 지표를 사용하기 위해 LSTM과 랜덤포레스트 프레임워크를 통합하는 LSTM-Forest (LFM) 이라는 새로운 접근 방법을 제안한다. 본 연구에서는 주식의 변환율과 등락을 모두 예측하는 다중 작업 학습을 통해 성능을 더욱 개선한다. 또한 변수의 중요도를 기반으로 기술 지표의 영향력을 분석한다. 제안한 방법을 실험적으로 검증하기 위해 3개의 글로벌 주가 지수(S&P500, SSE 및 KOSPI200)와 43개 기술 지표를 사용한다. S&P500, SSE 및 KOSPI200의 수익률 예측에서 multi-task를 사용하는 LFM의 평균 제곱 오차는 랜덤포레스트 모델에 비해 각각 44.54 %, 40.31% 및 38.26% 낮게 나타난다. 주식 등락 예측에 대한 모형의 정확도는 랜덤포레스트에 비해 각각 7.37%, 1.68% 및 3.79% 만큼 높게 나타난다. 또한 트레이딩 테스트에서 LFM의 누적 수익이 가장 높게 나타난다.