코스피(KOSPI) 시장의 금융시계열 가격 예측을 위한 다양한 신경망을 통한 방법론적 연구

Abstract

금융 빅데이터는 그 분석의 가치가 수익으로 직결 될 수 있다는 이유로 다양한 데이터 분석 모델의 대상이 되고 있다. 그럼에도 불구하고 임의 보행 딜레마로 인해 데이터에서 충분한 가치를 도출해내지 못하는 경우가 있다. 본 논문에서는 국내 종합주가지수(KOSPI)에서 이러한 딜레마 에서도 효과적인 방향성 예측을 할 수 있는 방법론과 그에 따른 모형 간의 성과를 비교하였다. 그 결과 시계열 자료 예측에 적합하며 모형 중 가장 복잡한 장단기 기억 순환 신경망의 예측 성과가 가장 우월한 것으로 나타났다. 따라서 국내 시장에 있어 금융시계열 예측에는 비선형 모형 중 입력 자료 특성의 중요도 변화를 반영하는 모형이 가장 예측에 적합하다고 볼 수 있다.