주가 예측을 위한 최적 인공신경망 모형 선택에 관한 연구 = (The) Study on the selecting optimal artificial neural networks model prior to forecasting stock

국문 초록 (Abstract)

최근 인공신경망(ANN : Artificial Neural Network)은 분류(classification) 및 예측(forecasting) 문제에 폭넓게 사용되고 있다. 인간의 두뇌에서 영감을 얻어 구현된 신경망은 경험으로부터 자동 학습이 가능하다는 장점을 가지고 있어 최근에 기업, 산업, 및 과학 등 다양한 분야에서 적용되고 있다. 특히, 기업경영 분야에 적용 사례가 점점 더 늘어나고 있으며 앞으로도 컴퓨터 성능의 발달로 인해 적용분야 및 적용사례가 점차 확대될 것이다.
과거에 연구자들은 인공신경망을 응용한 많은 연구들이 분류(classification)와 예측(prediction) 문제를 분석하기 위해 인공신경망을 사용하면서 전통적인 통계방법들과 인공신경망을 비교하였다. 하지만 이러한 연구를 하면서 인공신경망에 적절한 요소들을 고려하지 못함으로써 실험결과에 대해 혼동을 야기했다. 연구의 결과에 대해서도 “~라고 생각 된다”라든가 “~인것 같다”라고 끝을 맺어 연구결과에 대한 확신을 주지 못하고 있어 인공신경망 모형의 요소 선택 문제가 여전히 해결해야 할 과제로 남아 있다.
본 연구에서는 과거 문헌 연구를 통해 주가예측시 최적의 인공신경망 모형을 제시하였고 실제 주가데이터를 이용해 검증해보았다.본 연구의 결과는 은닉층의 변화에 따른 예측력을 비교했을 때 single layer가 two layer보다 나은 검증결과를 낳아 주가 예측 시에는 single layer가 충분하다는 것을 보였으며 single layer에서 은닉노드수의 증가에 따른 결과는 5~7 사이에서 예측 오차가 가장 낮은 것으로 나타났다. 한편, 계산이 간단하고 계산 시간이 적게 걸리는 장점을 가진 RBF 신경 망을 MLP 신경망과 비교해 본 결과, RMSE와 MAPE에서 MLP 신경망 모형이 우수하다는 것을 확인하였다.
본 연구 결과는 인공신경망 모형을 주가예측 문제에 적용할 때 고려해야 할 요소들을 보여주고 있어 앞으로 주가예측 분야에 인공신경망 모형의 적용을 활성화시키는데 기여할 것이다.

다국어 초록 (Multilingual Abstract)

Recent research activities in artificial neural networks(ANNs) have shown that ANNs have powerful pattern classification and pattern recognition capabilities. Inspired by biological systems, particularly by research into the human brain, ANNs are able to learn from and generalize from experience. Currently, ANNs are being used for a wide variety of tasks in many different fields of business, industry and science.
In the past few years, many researchers have used ANNs to analyze traditional classification and prediction problems in stock. The research that has compared the ANNs with traditional statistical methods produced mixed results. In spite of all the research, we still do not have any general guidelines to tell us when to use ANNs or which ANN architecture to employ. And since most results are based on limited empirical studies, the words "seem" and "appear" are used quite commonly in the literature. Few theoretical results are established in this area. Many important research questions still remain.
This article reviewed the literature on ANNs applied to finance problems, suggested the optimal artificial neural network model for forecasting stock, and verified about the selected models using continuous stock data.
The main results for these studies are as follows :
1. The number of hidden layer : sigle layer
2. The number of input nodes : using all the input values
3. The number of output nodes : one
4. Data normalization : normalization
5. Error function : SSE (sum-of-squared-error)
6. Training rule : Delta rule
7. Initializing connection weights : random
8. Training sample : test sample = 70% : 30%
9. The size of sample : as many as possible
10. Performance measures : MAPE, RMSE
This results will contribute when ANNs model are applied the problem of forecasting in stock.

목차 (Table of Contents)

• 목차
• 표목차 / 그림목차 = iii
• 국문초록 = iv
• ABSTRACT = vi
• I. 서론 = 1
• II. 관련 선행 연구 = 3
• 2.1 인공신경망의 개요 = 3
• 2.2 예측문제에서의 인공신경망 모형 적용 = 5
• 2.3 재무분야의 문제 해결을 위한 인공신경망 적용 = 6
• III. 인공신경망에서 고려해야 할 모형선택방법 = 8
• 3.1 인공신경망 구조 = 9
• 3.1.1 은닉층의 수 = 9
• 3.1.2 입력층의 노드 수 = 10
• 3.1.3 은닉층의 노드 수 = 10
• 3.1.4 출력층의 노드 수 = 11
• 3.1.5 노드간의 상호연결 = 12
• 3.2 전이함수 (Transfer Function) = 12
• 3.3 인공신경망의학습 = 13
• 3.3.1 오차함수 (Error Function) = 13
• 3.3.2 학습규칙 = 14
• 3.3.3 초기연결가중치 (weights) = 14
• 3.4 데이터의 준비 = 14
• 3.4.1 데이터의 변환 = 15
• 3.4.2 훈련 데이터와 테스트 데이터의 분할 = 16
• 3.4.3 표본의 크기 = 17
• 3.5 성과 측정 방법 = 17
• 3.6 RBF(Radial Basis Function) 신경망 = 18
• 3.7 주가 예측시 최적 인공신경망 모형 선택방법 = 20
• IV. 주가예측을 위한 최적 모형 선택 검증 = 22
• 4.1 표본의 구성 및 데이터 수집 = 22
• 4.1.1 변수의 정의 = 22
• 4.1.2 데이터 구성 = 23
• 4.1.3 변수의 기초통계 = 23
• 4.2 인공신경망 최적 모형 선택 방법의 검증 = 24
• 4.2.1 최적 모형 선택을 위한 모형별 공통 적용 요소 = 24
• 4.2.2 인공신경망구조에 따른 결과 = 25
• A. 은닉노드수의 변화에 따른 결과 = 25
• B. 은닉층의 변화에 따른 예측 결과 = 27
• C. 전이함수 변화에 따른 예측 결과 = 28
• 4.2.3 MLP 신경망과 RBF 신경망의 비교 = 28
• V. 요약 및 결론 = 31
• [참고문헌] = 33