KRX 17개 섹터에 대한 네트워크 분석 : 코로나 팬데믹 이전과 팬데믹 기간 비교 중심으로
Network Analysis of KRX 17 Sectors: Comparing Pre-Pandemic and Pandemic Periods
- 주제어 (키워드) 금융 섹터 , 네트워크 분석 , 그래프 신경망 , 노드 분류; Financial Sector , Network Analysis , Graph Neural Networks , Node Classification
- 발행기관 서강대학교 일반대학원
- 지도교수 정재식
- 발행년도 2024
- 학위수여년월 2024. 2
- 학위명 석사
- 학과 및 전공 일반대학원 경제학과
- 실제URI http://www.dcollection.net/handler/sogang/000000076915
- UCI I804:11029-000000076915
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록
최근 기계학습은 금융 시장을 분석하는 중요한 도구가 되어가고 있다. 그러나 금 융시장의 복잡한 상호 연관성을 반영할 수 있는 네트워크에 대한 분석과 그래프 데 이터를 활용한 그래프 신경망(Graph Neural Network, GNN)의 금융 시장 적용에 관한 연구는 부족한 상황이다. 본 연구에서는 한국거래소(KRX)에 상장된 17가지 섹터에 포함된 개별 주식들의 수정 종가 사이의 상관관계를 분석했다. 이를 위해 코로나 팬데믹 이전과 팬데믹 기간, 그리고 전체 기간 동안의 데이터를 활용하여 네트워크를 그래프로 표현하고, 네트워크 분석 및 그래프 신경망을 활용한 노드 분 류(node classification)를 통해 각 종목의 섹터 분류를 예측하는 실증분석을 수행했 다. 커뮤니티 탐지 결과와 최소 신장 트리 구축 결과, 그리고 중심성 분석 결과를 통해 코로나 팬데믹 이전과 팬데믹 기간 간의 네트워크 구조가 크게 변한 것을 확 인하였다. 중심성 분석 결과, 코로나 팬데믹 이전에는 증권 섹터의 종목들이 중심성 이 높았으며, 팬데믹 기간에는 건설 섹터의 중심성이 높았고 전체 기간 네트워크에 서는 증권 섹터의 종목들이 중심성이 높았다. 중심성이 높다는 것은 네트워크 내에 서 중요한 역할을 수행한다는 것을 의미한다. 이러한 중심성 분석 결과는 증권, 건 설 섹터의 지수가 다른 섹터 지수에 비해 국내 주식시장 지수와 비슷하게 상품 가 격 및 환율과 상관관계를 보인 것과 관련이 있는 것으로 해석된다. 즉, 각 기간별 네트워크에서 중심성이 항상 높았던 증권 섹터가 국내 주식시장의 변동성을 나타내 는 베타(β) 역할을 한 것으로 해석할 수 있다. 각 분석기간별 네트워크에 속한 개 별 종목의 기본적인 재무 지표(BPS, PER, PBR, EPS, DIV, DPS)의 평균값을 노드 속성으로 사용하고 개별 주식의 섹터를 예측 변수로 설정하여 그래프 신경망 모델 을 훈련시키고 노드 분류 예측을 수행했다. 노드 분류 결과, 코로나 팬데믹 이전 기 간과 전체 기간의 그래프에서는 노드 분류 모델은 우수한 성능을 보였다. 그러나 코로나 팬데믹 기간으로만 학습한 그래프의 노드 분류 성능은 좋지 못했다.
more초록
Recent advancements in machine learning have made it an essential tool for analyzing financial markets. However, there is a lack of research on the application of Graph Neural Networks (GNNs) in financial markets, particularly in analyzing complex interconnections within networks and utilizing graph data. This study analyzes the correlation between adjusted closing prices of individual stocks within 17 sectors listed on the Korea Exchange (KRX). Networks were graphically represented using data from before and during the COVID 19 pandemic, as well as over the entire period. Empiric al analysis was conducted through network analysis and node classification using GNNs to predict sector classifications of each stock. This study found significant changes in network structures between the pre pandemic and pandemic periods through community detection, construction of minimum spanning trees, and centrality analysis. Centrality analysis revealed that securities sector stocks had high centrality before the pandemic, while construction sector stocks were central during the pandemic, and securities sector stocks were central over the entire period. High centrality indicates a crucial role within the network. These findings suggest a correlation between the centrality of the securities and construction sectors and their indices' correlation with c ommodity prices and exchange rates, relative to other sector indices. Specifically, the securities sector consistently showed high centrality across different periods, indicating its role as a beta (β) in reflecting the volatility of the domestic stock mar ket. Th is study used average values of fundamental financial indicators (BPS, PER, PBR, EPS, DIV, DPS) as node attributes and stock sectors as prediction variables to train the GNN model and perform node classification. The node classification model showed excellen t performance in graphs for the pre pandemic period and the entire period, but it was less effective for the graph trained only during the pandemic period.
more목차
I. 서론
II. 선행 연구
III. 분석자료
IV. 분석방법론
1. 최소 신장 트리 (Minimum Spanning Tree, MST)
2. 커뮤니티 탐지 (Community Detection)
3. 중심성 분석 (Centrality Analysis)
4. 그래프 신경망 (Graph Neural Network, GNN) 모델
V. 실증분석 결과
1. 최소 신장 트리 구축 결과
2. 커뮤니티 탐지 결과
3. 중심성 분석 결과
4. 노드 분류기 예측 성능
VI. 결론
<참고문헌>
