매매시점 파악을 위한 유전자 알고리즘 기반 스코어링 모델

국문 초록 (Abstract)

복잡해진 금융시장에 대응하기 위해 매매시점을 정교하게 파악하는 것이 매우 중요해졌다. 기술적 지표를 활용하여 매매시점을 찾는 기존의 연구들은 특정 상황에만 국한된다는 단점이 존재한다. 본 연구는 이러한 기존 연구들의 단점을 보완한 스코어링 모델을 제시한다. 본 연구에서 제시하는 스코어링 모델은 주가수준 및 이동평균과 관련된 21가지의 변수들을 선정하여 입력변수로 사용하였으며, 유전자 알고리즘 기법을 통한 최적화 과정을 거쳤기 때문에 다양한 금융 상황에도 적용될 수 있다. 제시하는 모델에 대한 실증 분석에는 과거 12년 (2005 ∼ 2016)의 KOSPI 데이터를 사용하였으며, 슬라이딩 윈도우 기법을 적용시켜 분석을 진행하였다. 본 모델은 시장이 횡보장일 경우에는 보유전략을 취하고, 추세장일 경우에는 상승 시 매수, 하락 시 매도함으로써 시장의 과도한 하락에 대응할 수 있기 때문에 결과적으로 기존의 기술적 지표를 활용한 방법보다 우수한 성과를 얻을 수 있다.

다국어 초록 (Multilingual Abstract)

In order to respond to the complicated financial market, it became very important to grasp the point of sale precisely. The existing studies that use the technical indicators to find the trading point have a disadvantage that they are limited to specific situations. This study suggests a scoring model that overcomes the disadvantages of these previous studies. The scoring model presented in this study can be applied to various financial situations because it uses 21 variables related to stock price and moving average as input variables and has been optimized through genetic algorithm technique. For the empirical analysis of the proposed model, KOSPI data for the past 12 years (2005 ∼ 2016) were used and the sliding window technique was applied to analyze. In this model, if the market is a liege length, it will take a holding strategy, and if it is a trend, it will be able to cope with an excessive decline in the market by buying or selling at a rising price, resulting in better performance than the method using existing technical indicators.

목차 (Table of Contents)

• 요약
• 1. 서론
• 2. 연구배경
• 3. 연구방법
• 4. 실증 분석
• 5. 결론 및 제언
• References
• Abstract

참고문헌 (Reference)

1 안현철, "투자 의사결정 지원을 위한 유전자 알고리즘 기반의 다중 인공지능 기법 결합 모형 : KOSPI에의 응용" 국제e-비즈니스학회 10 (10): 215-236, 2009

2 최정용, "재무비율을 활용한 포트폴리오 최적화 전략" 한국데이터정보과학회 28 (28): 1481-1500, 2017

3 정승환, "선물시장에서 러프집합 기반의 유전자 알고리즘을 이용한 최적화 거래전략 개발" 한국데이터정보과학회 25 (25): 281-292, 2014

4 변현우, "변동성 지수기반 유전자 알고리즘을 활용한 계층구조 포트폴리오 최적화에 관한 연구" 한국데이터정보과학회 20 (20): 1049-1060, 2009

5 우현석, "목표변수의 형태에 따른 신용평점 모형 구축" 한국데이터정보과학회 24 (24): 85-94, 2013

6 정동현, "군집분석과 유전자 알고리즘을 활용한 투자자 거래정보 기반 포트폴리오 투자전략" 한국데이터정보과학회 25 (25): 107-117, 2014

7 김치호, "경제심리지수의 유용성 및 개선방안에 관한 연구" 한국데이터정보과학회 26 (26): 1335-1351, 2015

8 Ahn, J. J., "Using ridge regression with genetic algorithm to enhance real estate appraisal forecasting" 39 : 8369-8379, 2012

9 김선웅, "Support Vector Machines와 유전자 알고리즘을 이용한 지능형 트레이딩 시스템 개발" 한국지능정보시스템학회 16 (16): 71-92, 2010

10 Jang, G. S., "Intelligent stock trading system with price trend prediction and reversal recognition using dual-module neural networks" 3 : 225-248, 1993

11 Holland, J. H., "Genetic algorithms and machine learning" 3 : 95-99, 1988

12 Holland, J. H., "Genetic algorithms" Scientific American 66-72, 1992

13 김현돈, "GPD 기반의 유전자 알고리즘을 이용한 포트폴리오 최적화" 한국데이터정보과학회 26 (26): 1479-1494, 2015

14 Kuo, R. J., "An intelligent stock trading decision support system through integration of genetic algorithm based fuzzy neural network and artificial neural network" 118 : 21-45, 2001