S&P 500 지수를 이용한 순환신경망의 특성에 대한 연구
A Study on the Characteristics of Recurrent Neural Networks Using the S&P 500 Index
- 주제(키워드) 주가 예측 , 순환신경망 , 장단기 메모리 모형 , 게이티드 순환 유닛 , 정규화 , 적층
- 발행기관 서강대학교 일반대학원
- 지도교수 이군희
- 발행년도 2020
- 학위수여년월 2020. 2
- 학위명 석사
- 학과 및 전공 일반대학원 경영학과
- UCI I804:11029-000000065193
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권보호를 받습니다.
초록/요약
본 연구에서는 입력값 정규화 방법에 따른 금융 시계열 데이터 예측 성과를 비교해보고자 하였으며, 추가로 적층 수에 따른 예측 성과를 비교하였다. 순환 신경망 중 장단기 메모리 모형과 게이티드 순환 유닛을 사용하여 S&P 500 지수를 예측하였다. 실험 결과, 최소-최대, Z-스코어 방법으로 정규화를 하였을 때 가장 좋은 예측 성과를 보이는 것으로 나타났다. 한편 1층보다 2층을 적층했을 때 대체적으로 예측 성능이 향상되었다. 그러나 예외가 존재하여 절대적으로 적층 수를 늘리는 것이 예측 성능을 향상시킨다고 말하기 어려웠다. 다섯 가지 정규화 방법, 두 가지의 적층 방법, 총 10가지 경우 중에서 가장 낮은 예측 오차를 가지는 경우는 최소-최대 정규화와 두 층을 적층한 경우였다.
more초록/요약
The purpose of this study is to compare the prediction performance of financial time series data according to the input value normalization method and stacking method. LSTM & GRU in the recurrent neural network were used to predict the S&P 500 index. Experimental results show that the best prediction results are obtained when normalized by the minimum-maximization and Z-score methods, and the prediction performance was generally improved, but not always when two layer were stacked rather than one layer. The lowest prediction error case among the total 10 cases(five normalization methods multiplied by two stacking methods) was the minimum-maximum normalization and the two layers stacking case.
more