검색 상세

한국 주식시장의 기업특성 요인과 딥러닝 기법을 활용한 주가예측모델 정확도 개선 연구

A study on improving the accuracy of stock price prediction model using deep learning techniques and corporate characteristics of the Korean stock market

초록

기업의 가치 평가 방법은 여러 연구를 통해 진행되었지만, 미래의 기댓값을 정확히 예측한다는 것은 불가능에 가까울 뿐만 아니라 기업의 가치 평가에 기준이 되는 자료도 쉽게 주어지지 않는다. 따라서 대부분의 주가예측모델 연구는 주식의 가격을 나타내는 시초가, 종가, 고가, 저가를 기준으로 하는 연구가 활발하다. 하지만 기업의 주식가격만을 가지고 주가를 예측하는 것은 기업의 본질을 평가하는 것과 거리가 멀기 때문에 많은 어려움이 있다. 이와는 다르게 기업의 특성과 가치를 나타내는 재무제표를 통해 기업이 가지고 있는 자산과 매출 정보 등을 통해 기업이 우량한 기업인지, 기업의 본질을 이용한 주가예측모델에 대한 연구와 거시경제를 나타내는 환율, GDP 등의 지표 기준의 주가예측모델에 대한 연구 또한 활발하게 진행되고 있다. 본 논문에서는 기업의 가치를 평가할 수 있는 특성요인을 이용해 회귀분석과 딥러닝 알고리즘을 이용한 주가예측모델을 연구하고 성능을 정략적으로 비교했다는 것에 의미가 있다. 본 연구에서는 다중공선성을 제거한 주가예측모델이 다중공선성을 제거하지 않은 주가예측모델보다 나은 성능을 보였으며, 1개월, 3개월, 6개월 후의 예측 모델 중에서 상대적으로 가까운 미래인 1개월 후의 예측모델이 상대적으로 가깝지 않은 예측모델보다 나은 성능을 나타냈다. 다중회귀분석과 MLP, LSTM 중에는 LSTM이 모델 대부분에서 상위의 성능을 나타냈으며, MLP를 적용한 주가예측모델은 다중공선성을 제거하지 않았을 때 가장 좋지 않은 성능을 나타냈다. 연구 결과에서 기업 특성을 이용한 주가예측모델 중 선행연구에서 진행한 다중회귀분석보다 LSTM 알고리즘을 적용하면 정확도를 개선할 가능성이 나타났다.

more

초록

Although the valuation method of a company has been conducted through several studies, it is close to impossible to accurately predict the expected future value, and data that can be used as a basis for evaluating a company's valuation are not easily provided. Therefore, most stock price prediction model studies are active based on the starting price, closing price, high price, and low price of stocks. However, there are many difficulties in predicting stock prices only with the company's stock price because it is far from evaluating the nature of the company. In contrast, research on whether a company is a superior company through assets and sales information through financial statements representing the characteristics and value of a company, and on stock price prediction models based on indicators such as exchange rates and GDP are also being actively conducted. In this paper, it is meaningful that the stock price prediction model using regression analysis and deep learning algorithms was studied using characteristic factors that can evaluate the value of a company and the performance was compared quantitatively. In this study, the stock price prediction model with multicollinearity removed showed better performance than the stock price prediction model with multicollinearity not removed. It showed better results than the relatively close prediction models. Among multiple regression analysis, MLP, and LSTM, LSTM showed superior performance in most of the models, and the stock price prediction model applied with MLP showed the worst performance when multicollinearity was not removed. In the research results, there was a possibility that the accuracy would be improved by applying the LSTM algorithm rather than the multiple regression analysis conducted in previous studies among stock price prediction models using corporate characteristics.

more