WO2019190053A1 - 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템 및 방법 - Google Patents

순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템 및 방법 Download PDF

Info

Publication number
WO2019190053A1
WO2019190053A1 PCT/KR2019/001861 KR2019001861W WO2019190053A1 WO 2019190053 A1 WO2019190053 A1 WO 2019190053A1 KR 2019001861 W KR2019001861 W KR 2019001861W WO 2019190053 A1 WO2019190053 A1 WO 2019190053A1
Authority
WO
WIPO (PCT)
Prior art keywords
time point
stock price
neural network
price
stock
Prior art date
Application number
PCT/KR2019/001861
Other languages
English (en)
French (fr)
Inventor
유치헌
Original Assignee
유치헌
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 유치헌 filed Critical 유치헌
Publication of WO2019190053A1 publication Critical patent/WO2019190053A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Definitions

  • the present invention relates to a deep learning based stock price prediction system and method using a cyclic neural network, and more particularly, to predict a stock price at a next time point compared to a reference time point of a time series, and includes a recurrent neural network (RNN).
  • RNN recurrent neural network
  • Machine learning various historical time series data related to the stocks using the deep learning model used, and then expressing the percentage change in the stock price at the next time point as a percentage of the stock price at the time point or equivalent.
  • the accuracy of the forecast can be improved, and the result of the forecast can be applied to actual trading such as stocks or related derivatives and funds.
  • Deep learning machines using a cyclic neural network which can be utilized and also improve the return on investment Of the shares it relates to a system and method for predicting the price.
  • the field of artificial intelligence has made great strides since the introduction of machine learning, and it has been difficult to solve the problem through deep learning models, which are mainly characterized by neural networks of multi-layer structure. It is also performing well on a variety of issues. Among them, the cyclic neural network is widely used for machine learning and predicting new results in sequence or time series data such as natural language processing or financial data analysis.
  • stock-related time series data is often in the form of actual prices of stocks, and the buying / selling of stocks is based on actual prices
  • the actual price is also used in analyzing and forecasting stock-related data. Many times.
  • some problems may arise if the actual value of the stock price is used as a forecast.
  • the period of stock data is often at least a few years, usually more than a few decades, so that the price of a stock at a recent time is often different from the price at the past, so that the same actual change in the same stock (for example, $ 1,000) ), The rate of change will vary between the last point in time and the past point in time.
  • stock prices are also affected by price fluctuations (inflation or deflation) over time, even if the same actual fluctuations of the same stock price (for example, $ 10) are between the most recent and past The real value of this will be different.
  • the accuracy of the prediction according to the machine learning may not be high, or the actual stock sale may be performed. Utilization may not be high. Since the closing price of a stock price at any point in the time series is the price of the stock at the end of the time period, it may be difficult to predict the closing price of that time interval in predicting future stock prices. In addition, even if the stock price closing price in the future point interval is predicted with high accuracy, the utilization of actual stock trading is relatively lower than that of predicting the high price and low price of the interval with high accuracy. Can be.
  • a deep learning model using a circular neural network Machine-learn a variety of historical time series data related to stocks, then predict stock prices as a percentage of the change in stock prices at the next time relative to the stock price at the baseline, or equivalent.
  • the forecasting accuracy can be improved, and the forecasting results can be used for the actual trading of stocks or related derivatives and funds, and the return on investment can be improved.
  • Deep Learning Based Stock Price Prediction System and Room The leading to the invention.
  • the present invention was derived to solve the above-described problems, the present invention is a machine learning a variety of historical time series data related to the stock through a deep learning model using a cyclic neural network, and then the next time point compared to the reference time point (current time point) of the time series In order to predict the future stock price, it is possible to predict the fluctuation of the stock price at the next time point as a percentage of the stock price at the base time point or a corresponding value, and also the high price and To provide a deep learning-based stock price prediction system and method using a cyclic neural network that can predict low prices, respectively.
  • the percentage value of the change in the stock price at the next time point as a percentage of the stock price at the next time point, not the actual value of the stock price at the next time point, or a corresponding value.
  • the upper and lower widths of the stock price fluctuation of the corresponding time period are predicted more accurately by predicting the high and low prices of the next time point, respectively, from the time point of the time series.
  • a deep learning-based stock price prediction system and method using a deep neural network characterized by high utilization of the actual trading of related derivatives and funds.
  • Deep learning-based stock price prediction method using a circular neural network in order to predict the stock price of the next time point (D t +1 ) compared to the reference time point (D t ) of the time series, A data preprocessing step of performing normalization on past time series data, and configuring the input data of a cyclic neural network such as converting the preprocessed data into batch data in a sequence form; Machine learning past time series data using a cyclic neural network as an input layer, and through a fully connected layer as an input of an output value of the cyclic neural network, In estimating stock prices, the percentage change in stock prices at the next point in time from the stock price at the baseline is given as a percentage.
  • a deep learning model including the cyclic neural network and a fully connected layer, respectively.
  • the stocks may be individual stocks or related derivatives, stock index or related derivatives and funds, multiple stocks related derivatives and funds, and the like.
  • the price of the stock may be the price of stocks or related derivatives and funds, the value of the stock index, the price of derivatives and funds related to the stock index.
  • the next time point (D t + 1 ) compared to the reference time point (D t ) of the time series means that the interval (D t ⁇ D t + 1 ) between two time points is a unit of one trading day, several seconds or several minutes.
  • the above may be a real-time unit in the market, or may be a unit of a few trading days or more.
  • the term “next time point compared to the time point of the time series” may theoretically mean a period from immediately after the end of the reference time point to the end of the next time point. In reality, the stock market is opened within the corresponding time period. To include the time period during which the stock to be predicted is traded.
  • the step of machine learning the time series data using the circulatory neural network may be formed of a structure that can solve the vanishing gradient problem (cell structure) of the cyclic neural network, and also the mechanical
  • the layer of the circulatory neural network may be formed in a multilayer structure of two or more levels.
  • the step of predicting the stock price higher and lower price of the next time interval compared to the reference time point of the time series through the deep learning model including the cyclic neural network and the fully connected layer, the circulation to predict the stock price high Constructing a first deep learning model comprising neural networks and fully connected layers, predicting fluctuations in stock price highs in the next time point relative to time series reference points through machine learning on historical time series data; and A second deep learning model including the cyclic neural network and the fully connected layers is configured to predict the data, and predicting the fluctuation of the stock price lower price in the next time point compared to the reference time point of the time series through machine learning on past time series data. It may include.
  • the first deep learning model and the second deep learning model may be implemented in a form that is independent of each other, or in the form of sharing some steps of machine learning.
  • a deep learning based stock price prediction system using a cyclic neural network may be implemented according to at least one or more of the above methods.
  • the upper and lower width of the stock price change in the future time point It can be more accurately predicted, and also has a higher utilization advantage in determining when to buy and sell actual stocks compared to predicting the closing price of the corresponding section.
  • FIG. 1 is a view schematically illustrating the components of a deep learning based stock price prediction system 100 using a cyclic neural network according to an embodiment of the present invention.
  • the deep learning-based machine learning unit 130 performs machine learning through a layer completely connected to the cyclic neural network A more detailed illustration of the process of doing so.
  • 3A and 3B are diagrams showing the results of predicting fluctuations in the daily high price of the KOSPI 200 index for a certain period through a deep learning based stock price prediction system 100 using a cyclic neural network according to an embodiment of the present invention. .
  • 4A and 4B are graphs showing the results of predicting fluctuations in the daily low price of the KOSPI 200 index for a certain period through a deep learning based stock price prediction system 100 using a cyclic neural network according to an embodiment of the present invention. .
  • 5A and 5B are based on a result of predicting daily high and low fluctuations of the KOSPI200 index for a certain period in a deep learning-based stock price prediction system 100 using a cyclic neural network according to an embodiment of the present invention.
  • the figure shows and summarizes the error between the actual variation and the forecast variation for the high and low prices.
  • FIG. 6 is a flowchart illustrating a series of processes for estimating stock prices using a deep learning based stock price prediction system 100 using a cyclic neural network according to an embodiment of the present invention.
  • a programming language used as a development environment for implementing a deep learning-based stock price prediction system 100 using a cyclic neural network may be Python version 3.6, and machine learning and Libraries for deep learning can use TensorFlow version 1.5.
  • the present invention is not limited thereto, and any programming language and machine learning library can be used.
  • the target of the prediction may be set to the KOSPI200 index of the Korean stock market, and the time series associated with the KOSPI200 index.
  • the total period of data can be set to about 15-20 years or more.
  • the period of the data used for the machine learning on the past time series data may be at least 10 years
  • the period of the data used as a test for the future stock price prediction may be about 1 year or more.
  • time series data related to the KOSPI 200 index may include quotes and trading volumes of the KOSPI 200 index, quotes and trading volumes of the KOSPI 200 futures, quotes of major overseas stock indexes, and won-dollar (USD / KRW) exchange rate trends.
  • USD / KRW won-dollar
  • FIG. 1 is a view schematically showing the components of a deep learning-based stock price prediction system 100 using a cyclic neural network according to an embodiment of the present invention
  • Figure 2 is a cyclic neural network according to an embodiment of the present invention
  • the deep learning-based machine learning unit 130 illustrates a process of performing machine learning through a layer completely connected to the cyclic neural network in more detail.
  • the deep learning based stock price prediction system 100 using the cyclic neural network includes a data preprocessor 110, a data inputter 120, and a deep learning based machine learning unit 130. And a prediction result output unit 140.
  • the deep learning based stock price prediction system 100 using the cyclic neural network shown in FIG. 1 and FIG. 2 is according to an embodiment, and its components are limited to the embodiment shown in FIGS. 1 and 2. It can be added, changed or deleted as necessary.
  • the data preprocessor 110 may pre-process various historical time series data related to stocks in a form suitable for machine learning.
  • the data preprocessor 110 may perform data normalization in order to increase the effect of machine learning.
  • the data preprocessor 110 may perform data normalization using any one or more of a min-max scaler and a mean-variance normalization.
  • the present invention is not limited thereto, and any method of normalizing data may be applied.
  • the data preprocessor 110 may perform a task of distinguishing output label data from time series data for machine learning in a supervised learning method.
  • the present invention is not limited thereto.
  • the data input unit 120 may convert the time series data preprocessed through the data preprocessor 110 into batch data in a sequence form in accordance with the input of the cyclic neural network 130a of the deep learning based machine learning unit 130 described later. .
  • the data input unit 120 may convert time series data into ⁇ D 1 , D 2 ,... Can be converted into a sequence form such as D T ⁇ .
  • the present invention is not limited thereto.
  • the data input unit 120 may perform a task of dividing the training data set and the test data set.
  • the ratio of the test data set may be set to 30% or less of all batch data in the sequence form.
  • the present invention is not limited thereto.
  • the deep learning-based machine learning unit 130 may predict a stock price at a next time point compared to a reference time point of the time series, and a value representing a change in the stock price at a next time point as a percentage of the stock price at the time point and a value corresponding to the percentage. It can be predicted by any one or more of the above.
  • the deep learning-based machine learning unit 130 may be largely composed of a layer 130b completely connected with the circulatory neural network 130a.
  • the output value of the cyclic neural network 130a may be provided as an input of the fully connected layer 130b, and the output value of the fully connected layer 130b may predict the fluctuation of the stock price at the next time point from the reference time point of the time series. May be used as the result 130c.
  • the present invention is not limited thereto.
  • the reference time point of the time series refers to a current time point that is a reference for predicting the stock price through the deep learning-based stock price prediction system 100 using the cyclic neural network according to an embodiment of the present invention.
  • the next time point of the time series means a specific date, time or period in the future in which the stock price prediction system based on the deep learning based stock price prediction system 100 using the cyclic neural network is to be predicted.
  • the stock price at the time point of the reference time series refers to the price of the stock as a reference for comparison with the stock price at the current time and the next time.
  • the stock price at the time point of the time series may be the stock price closing price of the corresponding time period.
  • the prediction result 130c may be provided to the cost function and the optimizer 130d during the training of the machine learning, and through this, back-propagation of the deep learning-based machine learning unit 130 may be performed. propagation).
  • machine learning may be performed on historical time series data related to stocks, and the structure thereof may be designed to be suitable for learning about data related to stocks and predicting stock prices at a future point in time.
  • the cell structure of the circulatory neural network (130a) may be implemented to solve the problem of the loss of the slope, for this purpose a long short-term memory (LSTM) structure, another structure using the LSTM, or a problem that can solve the slope loss problem Any one or more of other structures may be applied.
  • LSTM long short-term memory
  • the layer (or depth, depth) of the circulatory neural network 130a may be formed in a multilayer structure of two or more stages.
  • the sequence length T of the circulatory neural network 130a may be equal to or less than 500 (a trading day in the case of a daily unit).
  • the present invention is not limited thereto.
  • the output value of the last layer of the circulatory neural network 130a may optionally be used as an input to the fully connected layer 130b.
  • the output value of the front part of the sequence including the first cell C 1 (k ) of the last layer of the circulatory neural network 130a may not be used as the input of the fully connected layer 130b.
  • the output value of the part after the sequence including the last cell C T (k ) of the last layer of 130a) may be used as the input of the fully connected layer 130b.
  • the present invention is not limited thereto.
  • the output value of the cyclic neural network 130a may be input to predict the stock price of the next time point from the reference time point of the time series.
  • the fully connected layer 130b may predict the fluctuation of the stock price at the next time point relative to the stock price at the time point as a value expressed as a percentage (%) or a corresponding value.
  • a percentage %
  • a corresponding value there are two methods for predicting the fluctuation range.
  • the fully connected layer 130b outputs the fluctuation of the stock price at the next time point relative to the stock price of the time series in the form of a scalar value of a real value expressed as a percentage, so that the machine learning using the cyclic neural network 130a is performed. Predicting the scalar value of the percentage corresponding to the variation through.
  • the fully connected layer 130b classifies the fluctuation of the stock price at the next time point relative to the stock price at the time point in time series into a plurality of intervals of percentage values, and then softmax regresses the polynomial classification values corresponding to each interval. Or outputting in the form of a scalar value, and predicting a polynomial classification value corresponding to the fluctuation range through machine learning using the circulatory neural network 130a.
  • the present invention is not limited thereto, and any method of predicting a value representing a percentage change in stock price or a corresponding value may be applied.
  • the structure of the fully connected layer 130b may be a single layer structure consisting of only an input layer and an output layer, and two or more layers in which a hidden layer is added between the input layer and the output layer.
  • the above multilayer structure may be sufficient.
  • the present invention is not limited thereto.
  • the output value of the fully connected layer 130b may be used as the prediction result 130c, where the prediction result value is a value representing a change in percentage of the stock price at the next time point relative to the stock price at the time point of the time series, or It may be a corresponding value.
  • the prediction result 130c may be provided to the prediction result output unit 140, and the prediction result value may be provided as an input to the cost function and the optimizer 130d during the training of the machine learning.
  • the cost function and the optimizer 130d may minimize the cost of supervised learning in the machine learning process, and for this purpose, the cost function and the optimizer 130d may include a cost function and an optimizer.
  • the cost function may be defined appropriately for the form of the output value of the fully connected layer 130b and the form of the prediction result 130c.
  • the optimizer can use the one provided by TensorFlow.
  • an Adam optimizer may be applied.
  • the present invention is not limited thereto.
  • backpropagation In addition, in order for machine learning or deep learning-based machine learning to be performed properly, backpropagation needs to be performed.
  • backpropagation may be performed through an optimizer provided in TensorFlow.
  • other optimizers and backpropagation steps may be applied or implemented directly.
  • the deep learning-based machine learning unit 130 including the circulatory neural network 130a and the fully connected layer 130b may predict the stock price high and low in the next time point compared to the reference time point of the time series, respectively. have.
  • a first deep learning based machine learning unit including a cyclic neural network 130a and a fully connected layer 130b is implemented to machine learn about historical time series data.
  • a second deep learning based machine learning unit including a cyclic neural network 130a and a fully connected layer 130b may be implemented. Machine learning can predict the fluctuations in stock price lower price in the next time point compared to the time point of the time series.
  • first deep learning-based machine learning unit and the second deep learning-based machine learning unit may be implemented in a form completely independent of each other, or may be implemented in the form of sharing some steps of one embodiment of the present invention.
  • present invention is not limited thereto.
  • dropout or regularization may be applied to enhance the effects of deep learning based machine learning.
  • a dropout may be applied to the circulatory neural network 130a, and the keep probability of the dropout may be set to 0.7 or more.
  • L2 or L1 generalization may be applied to generalize training variables, and in L2 generalization, the regularization strength may be set between 10.0 and 0.1.
  • the present invention is not limited thereto.
  • the prediction result output unit 140 outputs, as a percentage value or a corresponding change in the stock price of the next time point from the stock price of the time point of the time series based on the prediction result 130c, or the reference time point of the time series.
  • the stock price itself at the next point in time can also be output as a forecast. For example, if the forecast result 130c is in the form of a scalar value representing the change in the stock price as a percentage, then applying the scalar value to the stock price at the baseline time point of the time series yields a forecast value for the stock price at the next time point in the time series. You can get it.
  • the prediction result 130c is a form in which the fluctuation amount of the stock price is represented by a polynomial classification value corresponding to a plurality of percentage intervals
  • the polynomial classification value when the polynomial classification value is applied to the stock price at the reference time point of the time series, the stock at the next time point in the time series A range of forecasted values for prices can be obtained.
  • the stock price high or high fluctuation value of the next time interval compared to the reference time point of the time series predicted by the first deep learning-based machine learning unit, and the reference time point of the time series predicted by the second deep learning-based machine learning unit Based on the fluctuations in stock price lows or lows for the next point in time, for example, the forecasted value for that high or low rises above or below the price of the stock at the time point of the time series, or any specific base price. This may generate a buy or sell signal for the stock or related investment product.
  • FIGS. 3A to 5B a configuration for predicting a stock price high price and a low price in the deep learning based machine learning unit 130 will be described.
  • 3A and 3B illustrate the KOSPI200 index daily during January to December 2017 through a stock price prediction program implemented with a deep learning based stock price prediction system 100 using a cyclic neural network according to an embodiment of the present invention.
  • the figure shows the result of forecasting the high price as a polynomial classification value for the change range (%) compared to the closing price of the previous trading day, with the polynomial classification value for the actual change range (%) of the index on the day.
  • FIG. 4A and 4B illustrate a KOSPI 200 index for January through December 2017, through a stock price prediction program implemented with a deep learning based stock price prediction system 100 using a cyclic neural network according to an embodiment of the present invention.
  • Figure 1 shows the result of forecasting the daily low price as a polynomial classification value for the range of change (%) compared to the closing price of the previous trading day, with the polynomial classification value for the actual change in price (%) of the index on the day.
  • the change range (%) of the daily high price and low price of each trading day of the KOSPI200 index is classified into a plurality of sections.
  • the number of polynomial classification values corresponding to each interval ie, the total number of intervals
  • the number of polynomial classification values corresponding to each interval may be determined in consideration of the accuracy of the prediction and the utilization of the prediction result. For example, the smaller the number of polynomial classification intervals, the higher the accuracy of the prediction, but the lower the utilization of the prediction results. have.
  • the number of polynomial classification values for the variation range (%) of the daily high price and low price of each trading day of the KOSPI200 index may be 10 or more.
  • the present invention is not limited thereto.
  • 5A and 5B are polynomial classifications of daily high and low price fluctuations of the KOSPI200 index during January to December 2017 in a deep learning based stock price prediction system 100 using a cyclic neural network according to an embodiment of the present invention. Based on the result predicted by the value, the error between the polynomial classification value of the actual variation and the polynomial classification value of the predicted variation is calculated as an absolute value and is shown for each of the high and low prices, and the errors are summed up.
  • the average error of the prediction of the daily high price fluctuation of the KOSPI200 index during January to December 2017 is 0.613, and the average of the prediction of the daily low fluctuation of the KOSPI200 index during the same period.
  • the error is 0.650.
  • the forecast error is 0, and the number of days and the ratio is 119 days (49.0%) for the high price, and for the low price. 114 days (46.9%), the prediction error was 1, the number of days and the ratio was 104 days (42.8%) for the high price, 102 days (42.0%) for the low price.
  • the ratio of trading days with a forecast error of 1 or less during the year is 91.8%.
  • the low price is 88.9%.
  • This may be regarded as a high prediction accuracy of the stock price prediction program implemented by the deep learning-based stock price prediction system 100 using the cyclic neural network according to an embodiment of the present invention.
  • the variation by the predicted polynomial classification values for each of the high and low prices is high.
  • the test results which predict the daily high and low price fluctuations of the KOSPI200 index from January to December 2017 as polynomial classification values, show the daily high and low forecasts of the same index for different periods or the daily high and low prices of other stocks. Since the results may be different in predictions, the prediction test results may be considered as an aspect showing high accuracy and utilization of the deep learning based stock price prediction system using the cyclic neural network according to an embodiment of the present invention. Do. Hereinafter, a deep learning based stock price prediction method using a cyclic neural network according to an embodiment of the present invention will be described.
  • FIG. 6 is a flowchart illustrating a series of processes for estimating stock prices using a deep learning based stock price prediction system 100 using a cyclic neural network according to an embodiment of the present invention.
  • the time series reference is based on predicting the variation of the stock price of the next time point as a percentage or the corresponding value through the steps S110 and S120. It predicts the fluctuation of the stock price high price in the next time point compared to the time point (S130).
  • a prediction value for the future stock price or a corresponding trading signal is output to the user terminal (S150).

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템 및 방법에 관한 것으로서, 시계열의 기준 시점 대비 다음 시점의 주식 가격을 예측함에 있어서, 순환신경망을 사용한 딥 러닝 모델을 통해 주식과 관련된 다양한 과거 시계열 데이터를 기계학습 한 다음, 기준 시점의 주식 가격 대비 다음 시점의 주식 가격의 변동폭을 백분율로 나타낸 값 또는 그에 상응하는 값으로 주식 가격을 예측하고, 그 예측을 기준 시점 대비 다음 시점 구간의 고가 및 저가로 구분하여 수행함으로써, 예측의 정확도를 높일 수 있고, 그 예측 결과를 주식 또는 관련 파생상품 및 펀드 등의 실제 매매에 활용할 수 있으며, 또한 그 투자 수익률을 제고할 수 있는, 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템 및 방법에 관한 것이다.

Description

순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템 및 방법
본 출원은 2018년 03월 30일자 한국 특허 출원 제10-2018-0037104호 및 2019년 01월 03일자 한국 특허 출원 제10-2019-0000685호에 기초한 우선권의 이익을 주장하며, 해당 한국 특허 출원의 문헌에 개시된 모든 내용은 본 명세서의 일부로서 포함된다.
본 발명은 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템 및 방법에 관한 것으로서, 보다 구체적으로, 시계열의 기준 시점 대비 다음 시점의 주식 가격을 예측함에 있어서, 순환신경망(Recurrent Neural Network, RNN)을 사용한 딥 러닝(Deep Learning) 모델을 통해 주식과 관련된 다양한 과거 시계열 데이터를 기계학습(Machine Learning) 한 다음, 기준 시점의 주식 가격 대비 다음 시점의 주식 가격의 변동폭을 백분율로 나타낸 값 또는 그에 상응하는 값으로 주식 가격을 예측하고, 그 예측을 기준 시점 대비 다음 시점 구간의 고가 및 저가로 구분하여 수행함으로써, 예측의 정확도를 높일 수 있고, 그 예측 결과를 주식 또는 관련 파생상품 및 펀드 등의 실제 매매에 활용할 수 있으며, 또한 그 투자 수익률을 제고할 수 있는, 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템 및 방법에 관한 것이다.
인공지능(Artificial Intelligence) 분야는 기계학습이 도입된 이후로 큰 발전을 보이고 있으며, 특히 다층(multi-layer) 구조의 신경망(neural network)을 주요 특징으로 하는 딥 러닝 모델을 통해 기존에 해결하기 어려웠던 다양한 문제들에 대해서도 뛰어난 성과를 보이고 있다. 그 중에서 순환신경망은 자연 언어 처리나 금융 데이터 분석 등과 같이 시퀀스(sequence) 또는 시계열(time series) 형태의 데이터를 기계학습 하고 새로운 결과를 예측하는 데 적합하여 널리 사용되고 있다.
주식 관련 데이터는 대개 시계열 형태로 구성된 경우가 많고 또한 잘 정제된 형태인 경우가 많으므로, 순환신경망을 사용한 딥 러닝을 통해 미래 시점의 주식 가격을 예측하고자 하는 시도가 많이 있어왔다. 하지만, 주식 시장은 서로 다른 투자자들의 매매 동향뿐만 아니라 매우 다양한 내/외부 지표와 변수들에 의해 영향을 받기 때문에, 과거 데이터 분석에 근거하여 미래의 주식 가격을 예측하는 것은 쉽지 않았다. 특히, 인공지능에 기반한 주식 데이터 분석 및 예측을 시도하는 경우에도 기존의 패턴 분석이나 알고리즘을 개선한 수준에 그치거나, 딥 러닝 기반의 기계학습을 제대로 적용하지 못한 경우이거나, 또는 딥 러닝 기반의 기계학습을 적용한 경우에도 주식 데이터에 최적화된 신경망 모델을 설계 및 구현하지 못함으로 인해서, 주식 가격에 대한 예측의 정확도가 낮거나 실효성이 떨어지는 경우가 많았다.
구체적으로, 주식 관련 시계열 데이터는 주식의 실제 가격 형태인 경우가 많고, 주식의 매수/매도 행위도 실제 가격을 기준으로 이루어지기 때문에, 주식 관련 데이터에 대한 분석 및 예측에 있어서도 그 실제 가격을 기준으로 하는 경우가 많다. 그러나 주식 가격의 실제 값을 예측의 대상으로 할 경우, 몇 가지 문제가 발생할 수 있다. 첫째, 주식 데이터의 기간은 최소 수년 이상, 대개 수십 년 이상인 경우가 많아서, 최근 시점의 주식 가격은 과거 시점의 가격과 다른 경우가 많기 때문에, 동일한 주식의 동일한 실제 변동 값(예를 들어, 1천원)이라 하더라도 최근 시점과 과거 시점 간에 그 변동 비율은 달라지게 된다. 둘째, 주식 가격도 시간이 지남에 따라 물가 변동(인플레이션 또는 디플레이션)의 영향을 받기 때문에, 동일한 주식 가격(예를 들어, 1만원)의 동일한 실제 변동 값이라 하더라도 최근 시점과 과거 시점 간에 그 변동 값의 실질 가치는 달라지게 된다.
또한, 시계열의 기준 시점 대비 다음 시점의 주식 가격을 예측함에 있어, 다음 시점 구간의 주식 가격 종가(close price)만을 예측하는 경우, 기계학습에 따른 예측의 정확도가 높지 않을 수 있고, 또는 실제 주식 매매에 대한 활용도가 높지 않을 수 있다. 시계열의 어떤 시점 구간의 주식 가격 종가는 그 구간의 마지막 시점의 주식 가격이므로, 미래 시점의 주식 가격을 예측함에 있어 해당 구간의 종가에 대한 예측은 상대적으로 어려울 수 있다. 또한, 미래 시점 구간의 주식 가격 종가를 높은 정확도로 예측한다 하더라도, 해당 구간의 고가(high price) 및 저가(low price)를 높은 정확도로 예측하는 것에 비해서는 실제 주식 매매에 대한 활용도가 상대적으로 낮을 수 있다.
이에, 본 발명자는 종래의 이러한 미래 시점의 주식 가격을 예측하는 기술이 가지는 다양한 문제점 및 한계점을 해결하기 위하여, 시계열의 기준 시점 대비 다음 시점의 주식 가격을 예측함에 있어서, 순환신경망을 사용한 딥 러닝 모델을 통해 주식과 관련된 다양한 과거 시계열 데이터를 기계학습 한 다음, 기준 시점의 주식 가격 대비 다음 시점의 주식 가격의 변동폭을 백분율로 나타낸 값 또는 그에 상응하는 값으로 주식 가격을 예측하고, 그 예측을 기준 시점 대비 다음 시점 구간의 고가 및 저가로 구분하여 수행함으로써, 예측의 정확도를 높일 수 있고, 그 예측 결과를 주식 또는 관련 파생상품 및 펀드 등의 실제 매매에 활용할 수 있으며, 또한 그 투자 수익률을 제고할 수 있는, 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템 및 방법을 발명하기에 이르렀다.
본 발명은 상술된 문제점을 해결하기 위해 도출된 것으로서, 본 발명은 순환신경망을 사용한 딥 러닝 모델을 통해 주식과 관련된 다양한 과거 시계열 데이터를 기계학습 한 다음, 시계열의 기준 시점(현재 시점) 대비 다음 시점(미래 시점)의 주식 가격을 예측하기 위해, 기준 시점의 주식 가격 대비 다음 시점의 주식 가격의 변동폭을 백분율로 나타낸 값 또는 그에 상응하는 값으로 예측할 수 있고, 또한 기준 시점 대비 다음 시점 구간의 고가 및 저가를 각각 예측할 수 있는 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템 및 방법을 제공하고자 한다.
특히, 시계열의 기준 시점 대비 다음 시점의 주식 가격을 예측함에 있어, 다음 시점의 주식 가격의 실제 값이 아닌 기준 시점의 주식 가격 대비 다음 시점의 주식 가격의 변동폭을 백분율로 나타낸 값 또는 그에 상응하는 값으로 예측함으로써, 높은 정확도로 미래 시점의 주식 가격을 예측하는 것을 특징으로 하는 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템 및 방법을 제공하고자 한다.
또한, 시계열의 기준 시점 대비 다음 시점의 주식 가격을 예측함에 있어, 기준 시점 대비 다음 시점 구간의 고가 및 저가를 각각 예측함으로써 해당 구간의 주식 가격 변동의 상단/하단 폭을 보다 정확하게 예상하게 되어, 주식 또는 관련 파생상품 및 펀드 등의 실제 매매에 대한 활용도가 높은 것을 특징으로 하는 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템 및 방법을 제공하고자 한다.
본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 방법은 시계열의 기준 시점(Dt) 대비 다음 시점(Dt+1)의 주식 가격을 예측하기 위해, 주식과 관련된 다양한 과거 시계열 데이터에 대한 정규화(normalization) 등을 수행하는 데이터 전처리 단계, 상기 전처리된 데이터를 시퀀스 형태의 배치(batch) 데이터로 변환하는 등의 순환신경망의 입력 데이터로 구성하는 단계, 구성된 상기 입력 데이터를 입력층(input layer)으로 하는 순환신경망을 사용하여 과거 시계열 데이터를 기계학습 하는 단계, 상기 순환신경망의 출력 값을 입력으로 하는 완전히 연결된 계층(fully connected layer)을 통해 시계열의 기준 시점 대비 다음 시점의 주식 가격을 예측함에 있어서, 기준 시점의 주식 가격 대비 다음 시점의 주식 가격의 변동폭을 백분율로 나타낸 값 또는 그에 상응하는 값으로 예측하는 단계, 및 상기 순환신경망 및 완전히 연결된 계층을 포함하는 딥 러닝 모델을 통해 시계열의 기준 시점 대비 다음 시점 구간의 주식 가격 고가 및 저가를 각각 예측하는 단계를 포함할 수 있다.
일 실시예에서, 상기 주식이라 함은 개별 주식 종목 또는 관련 파생상품, 주가 지수 또는 관련 파생상품 및 펀드, 다수의 주식 종목 관련 파생상품 및 펀드 등일 수 있다.
일 실시예에서, 상기 주식의 가격이라 함은 주식 종목 또는 관련 파생상품 및 펀드의 가격이거나, 주가 지수의 값이거나, 주가 지수 관련 파생상품 및 펀드의 가격 등일 수 있다.
일 실시예에서, 상기 시계열의 기준 시점(Dt) 대비 다음 시점(Dt+1)이라 함은 두 시점 간의 간격(Dt ~ Dt+1)이 일 거래일 단위이거나, 수 초 또는 수 분 이상의 장중 실시간 단위이거나, 수 거래일 또는 그 이상의 단위일 수 있다. 또한, 시계열의 기준 시점 대비 다음 시점 구간이라 함은, 이론적으로는 기준 시점이 종료된 직후부터 다음 시점이 종료되는 시점까지의 구간을 의미할 수 있으며, 실제적으로는 해당 구간 내에서 주식 시장이 개장되어 예측하고자 하는 주식이 거래되는 시간대를 포함할 수 있다.
일 실시예에서, 상기 순환신경망을 사용하여 과거 시계열 데이터를 기계학습 하는 단계는 순환신경망의 셀(cell) 구조를 기울기 소실 문제(vanishing gradient problem)를 해결할 수 있는 구조로 형성할 수 있으며, 또한 기계학습의 효과를 높이기 위해 순환신경망의 계층(layer)을 2단 이상의 다층 구조로 형성할 수 있다.
일 실시예에서, 상기 순환신경망의 출력 값을 입력으로 하는 완전히 연결된 계층을 통해 시계열의 기준 시점의 주식 가격 대비 다음 시점의 주식 가격의 변동폭을 백분율로 나타낸 값 또는 그에 상응하는 값으로 예측하는 단계는, 기준 시점 대비 다음 시점의 주식 가격의 변동폭을 백분율로 나타낸 실수 값의 스칼라 값(scalar value) 형태로 상기 완전히 연결된 계층에서 출력하도록 하여, 상기 순환신경망을 사용한 기계학습을 통해 그 변동폭에 해당하는 스칼라 값을 예측하는 단계를 포함하거나, 또는 기준 시점 대비 다음 시점의 주식 가격의 변동폭을 백분율 값들의 복수의 구간으로 분류한 다음, 각 구간에 대응하는 다항 분류(multinomial classification) 값을 소프트맥스 회귀(softmax regression) 또는 스칼라 값 형태로 상기 완전히 연결된 계층에서 출력하도록 하여, 상기 순환신경망을 사용한 기계학습을 통해 그 변동폭에 해당하는 다항 분류 값을 예측하는 단계를 포함할 수 있다.
일 실시예에서, 상기 순환신경망 및 완전히 연결된 계층을 포함하는 딥 러닝 모델을 통해 시계열의 기준 시점 대비 다음 시점 구간의 주식 가격 고가 및 저가를 각각 예측하는 단계는, 주식 가격 고가를 예측하기 위해 상기 순환신경망 및 완전히 연결된 계층을 포함하는 제1 딥 러닝 모델을 구성하여, 과거 시계열 데이터에 대한 기계학습을 통해 시계열의 기준 시점 대비 다음 시점 구간의 주식 가격 고가의 변동폭을 예측하는 단계, 및 주식 가격 저가를 예측하기 위해 상기 순환신경망 및 완전히 연결된 계층을 포함하는 제2 딥 러닝 모델을 구성하여, 과거 시계열 데이터에 대한 기계학습을 통해 시계열의 기준 시점 대비 다음 시점 구간의 주식 가격 저가의 변동폭을 예측하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제1 딥 러닝 모델 및 제2 딥 러닝 모델은 서로 독립된 형태로 구현되거나, 또는 기계학습의 일부 단계를 공유하는 형태로 구현될 수 있다.
본 발명의 다른 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템은 상기 방법 중 적어도 어느 하나 이상의 방법에 따라 구현될 수 있다.
본 발명의 일 측면에 따르면, 순환신경망을 사용한 딥 러닝 모델을 통해 시계열의 기준 시점 대비 다음 시점의 주식 가격을 예측함에 있어서, 기준 시점의 주식 가격 대비 다음 시점의 주식 가격의 변동폭을 백분율로 나타낸 값 또는 그에 상응하는 값으로 예측함으로써, 높은 정확도로 미래 시점의 주식 가격을 예측할 수 있고 또한 그 예측 결과를 실제 주식 매매에 활용할 수 있는 이점을 가진다.
또한 본 발명의 일 측면에 따르면, 순환신경망을 사용한 딥 러닝 모델을 통해 시계열의 기준 시점 대비 다음 시점 구간의 주식 가격 고가 및 저가를 각각 예측함으로써, 미래 시점 구간의 주식 가격 변동의 상단/하단 폭을 보다 정확하게 예측할 수 있고, 또한 해당 구간의 종가만을 예측하는 것에 비해 실제 주식의 매수 및 매도 시점을 정하는 데 있어 보다 활용도가 높은 이점을 가진다.
또한 본 발명의 일 측면에 따르면, 시계열의 기준 시점 대비 다음 시점 구간의 주식 가격 고가 및 저가의 변동폭을 높은 정확도로 예측함으로써, 주식 또는 관련 파생상품 및 펀드 등에 대한 투자 및 트레이딩(trading)에 있어서 그 수익률을 제고할 수 있는 이점을 가진다.
도 1은 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)의 구성 요소를 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)에서, 딥 러닝 기반 기계학습부(130)에서 순환신경망과 완전히 연결된 계층을 통해 기계학습을 수행하는 과정을 보다 구체적으로 도시한 도면이다.
도 3a 및 3b는 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)을 통해 일정 기간 동안의 KOSPI200 지수의 일간 고가의 변동폭을 예측한 결과를 도시한 도면이다.
도 4a 및 4b는 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)을 통해 일정 기간 동안의 KOSPI200 지수의 일간 저가의 변동폭을 예측한 결과를 도시한 도면이다.
도 5a 및 5b는 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)에서 일정 기간 동안의 KOSPI200 지수의 일간 고가 및 저가의 변동폭을 예측한 결과를 바탕으로, 실제 변동폭과 예측 변동폭 간의 오차를 고가 및 저가에 대해 도시하고 또한 집계한 도면이다.
도 6은 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)을 이용하여 주식 가격을 예측하는 일련의 과정을 설명하기 위한 순서도이다.
이하, 본 발명의 이해를 돕기 위하여 바람직한 실시예를 제시한다. 그러나 하기의 실시예는 본 발명을 보다 쉽게 이해하기 위하여 제공되는 것일 뿐, 실시예에 의해 본 발명의 내용이 한정되는 것은 아니다.
먼저, 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)을 구현하기 위한 개발 환경으로 사용하는 프로그래밍 언어는 파이썬(Python) 3.6 버전일 수 있고, 기계학습 및 딥 러닝을 위한 라이브러리(library)는 텐서플로우(TensorFlow) 1.5 버전을 사용할 수 있다. 그러나 본 발명은 이에 한정되지 않고, 어떠한 프로그래밍 언어와 기계학습 라이브러리라도 사용할 수 있다.
또한, 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)을 구현하기 위하여 그 예측의 대상을 한국 주식 시장의 KOSPI200 지수로 설정할 수 있고, KOSPI200 지수와 관련된 시계열 데이터의 총 기간은 약 15 ~ 20년 이상으로 설정할 수 있다. 이때, 과거 시계열 데이터에 대한 기계학습을 위해 사용된 데이터의 기간은 최소 10년 이상일 수 있고, 미래 시점의 주식 가격 예측에 대한 테스트로 사용된 데이터의 기간은 약 1년 이상일 수 있다. 또한, KOSPI200 지수와 관련된 시계열 데이터에는 KOSPI200 지수의 시세 및 거래량, KOSPI200 선물의 시세 및 거래량, 해외 주요 주가 지수의 시세, 원-달러(USD/KRW) 환율 동향 등을 포함할 수 있다. 이하, 도 1 내지 도 6을 참조하여, 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)에 대하여 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)의 구성 요소를 개략적으로 도시한 도면이며, 도 2는 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)에서, 딥 러닝 기반 기계학습부(130)에서 순환신경망과 완전히 연결된 계층을 통해 기계학습을 수행하는 과정을 보다 구체적으로 도시한 도면이다.
도 1 및 2를 참조하면, 본 발명에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)은 데이터 전처리부(110), 데이터 입력부(120), 딥 러닝 기반 기계학습부(130) 및 예측 결과 출력부(140)를 포함하여 구성될 수 있다.
여기서, 도 1 및 도 2에 도시된 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)은 일 실시예에 따른 것이고, 그 구성 요소가 도 1 및 도 2에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 부가, 변경 또는 삭제될 수 있다.
먼저, 데이터 전처리부(110)는 주식과 관련된 다양한 과거 시계열 데이터를 기계학습에 적합한 형태로 전처리(pre-processing)할 수 있다.
데이터 전처리부(110)는 기계학습의 효과를 높이기 위해서 데이터 정규화 작업을 수행할 수 있다. 예를 들어, 데이터 전처리부(110)는 최소-최대 스케일러(min-max scaler), 평균-분산 정규화(mean-variance normalization) 중 어느 하나 이상의 방법을 사용하여 데이터 정규화 작업을 수행할 수 있다. 그러나 본 발명은 이에 한정되지 않고, 데이터를 정규화하는 어떠한 방법이든 적용될 수 있다.
또한, 데이터 전처리부(110)는 지도 학습(supervised learning) 방식의 기계학습을 위해 시계열 데이터 중에서 출력 레이블(label) 데이터를 구분해주는 작업을 수행할 수 있다. 그러나 본 발명은 이에 한정되지 않는다.
데이터 입력부(120)는 데이터 전처리부(110)를 통해 전처리된 시계열 데이터를 후술되는 딥 러닝 기반 기계학습부(130)의 순환신경망(130a)의 입력에 맞게 시퀀스 형태의 배치 데이터로 변환할 수 있다. 예를 들어, 데이터 입력부(120)는 시계열 데이터를 {D1, D2, … DT}와 같은 시퀀스 형태로 변환할 수 있다. 그러나 본 발명은 이에 한정되지 않는다.
데이터 입력부(120)는 훈련(training) 데이터 집합과 테스트(test) 데이터 집합으로 구분해주는 작업을 수행할 수 있다. 여기서, 테스트 데이터 집합의 비율은 시퀀스 형태의 전체 배치 데이터 중에서 30% 또는 그 이하로 설정할 수 있다. 그러나 본 발명은 이에 한정되지 않는다.
딥 러닝 기반 기계학습부(130)는 시계열의 기준 시점 대비 다음 시점의 주식 가격을 예측할 수 있고, 기준 시점의 주식 가격 대비 다음 시점의 주식 가격의 변동폭을 백분율로 나타낸 값 및 그 백분율에 상응하는 값 중 어느 하나 이상으로 예측할 수 있다. 이를 위해, 딥 러닝 기반 기계학습부(130)는 크게 순환신경망(130a)과 완전히 연결된 계층(130b)으로 구성될 수 있다. 이때, 순환신경망(130a)의 출력 값은 완전히 연결된 계층(130b)의 입력으로 제공될 수 있고, 완전히 연결된 계층(130b)의 출력 값은 시계열의 기준 시점 대비 다음 시점의 주식 가격의 변동폭에 대한 예측 결과(130c)로 사용될 수 있다. 그러나 본 발명은 이에 한정되지 않는다.
여기서, 시계열의 기준 시점은 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)을 통해 주식 가격을 예측하고자 하는 기준이 되는 현재의 시점을 의미한다. 또한, 시계열의 다음 시점은 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)을 통해 주식 가격을 예측하고자 하는 미래의 특정한 날짜, 시간 또는 기간을 의미한다. 또한, 시계열의 기준 시점의 주식 가격은 현재의 시점에서 다음 시점의 주식 가격과 비교하기 위해 기준이 되는 주식의 가격을 의미한다. 예를 들어, 시계열의 기준 시점의 주식 가격은 해당 시점 구간의 주식 가격 종가일 수 있다.
예측 결과(130c)는 기계학습의 훈련 과정에서 비용 함수 및 최적화기(130d)에 제공될 수 있으며, 이를 통해 딥 러닝 기반 기계학습부(130)에서 기계학습이 제대로 수행되도록 하는 역전파(back-propagation)가 진행될 수 있게 한다.
순환신경망(130a)에서는 주식과 관련된 과거 시계열 데이터에 대한 기계학습이 진행될 수 있으며, 그 구조가 주식과 관련된 데이터에 대한 학습 및 미래 시점의 주식 가격 예측에 적합하게 설계될 수 있다. 특히, 순환신경망(130a)의 셀 구조는 기울기 소실 문제를 해결할 수 있도록 구현될 수 있으며, 이를 위해 LSTM(Long Short-Term Memory) 구조, LSTM을 응용한 다른 구조, 또는 기울기 소실 문제를 해결할 수 있는 다른 구조 중 어느 하나 이상이 적용될 수 있다.
또한, 기계학습의 효과를 높이기 위해 순환신경망(130a)의 계층(또는 깊이, depth)은 2단 이상의 다층 구조로 형성될 수 있다. 또한, 순환신경망(130a)의 시퀀스 길이(sequence length, T)는 본 발명의 일 실시예의 경우, 최대 500개(일간 단위인 경우, 거래일) 이하일 수 있다. 그러나 본 발명은 이에 한정되지 않는다.
일 실시예에서, 순환신경망(130a)의 마지막 계층의 출력 값은 선택적으로 완전히 연결된 계층(130b)의 입력으로 사용될 수 있다. 예를 들어, 순환신경망(130a)의 마지막 계층의 첫 번째 셀(C1 (k))을 포함한 시퀀스 앞 부분의 출력 값은 완전히 연결된 계층(130b)의 입력으로 사용되지 않을 수 있고, 순환신경망(130a)의 마지막 계층의 마지막 셀(CT (k))을 포함한 시퀀스 뒤 부분의 출력 값은 완전히 연결된 계층(130b)의 입력으로 사용될 수 있다. 그러나 본 발명은 이에 한정되지 않는다.
완전히 연결된 계층(130b)에서는 순환신경망(130a)의 출력 값을 입력으로 하여 시계열의 기준 시점 대비 다음 시점의 주식 가격을 예측할 수 있다. 예를 들어, 완전히 연결된 계층(130b)은 기준 시점의 주식 가격 대비 다음 시점의 주식 가격의 변동폭을 백분율(%)로 나타낸 값 또는 그에 상응하는 값으로 예측할 수 있다. 여기서, 변동폭을 예측하는 방법은 크게 두 가지일 수 있다.
첫 번째로, 완전히 연결된 계층(130b)은 시계열의 기준 시점의 주식 가격 대비 다음 시점의 주식 가격의 변동폭을 백분율로 나타낸 실수 값의 스칼라 값 형태로 출력하도록 하여, 순환신경망(130a)을 사용한 기계학습을 통해 그 변동폭에 해당하는 백분율의 스칼라 값을 예측하는 단계를 포함할 수 있다.
두 번째로, 완전히 연결된 계층(130b)은 시계열의 기준 시점의 주식 가격 대비 다음 시점의 주식 가격의 변동폭을 백분율 값들의 복수의 구간으로 분류한 다음, 각 구간에 대응하는 다항 분류 값을 소프트맥스 회귀 또는 스칼라 값 형태로 출력하도록 하여, 순환신경망(130a)을 사용한 기계학습을 통해 그 변동폭에 해당하는 다항 분류 값을 예측하는 단계를 포함할 수 있다. 그러나 본 발명은, 이에 한정되지 않고, 주식 가격의 변동폭을 백분율로 나타낸 값 또는 그에 상응하는 값을 예측하는 어떠한 방법이든 적용될 수 있다.
일 실시예에서, 완전히 연결된 계층(130b)의 구조는 입력층과 출력층(output layer)만으로 구성된 단층 구조일 수도 있고, 입력층과 출력층 사이에 숨겨진 계층(hidden layer)이 1단 이상 추가된 2단 이상의 다층 구조일 수도 있다. 그러나 본 발명은 이에 한정되지 않는다.
일 실시예에서, 완전히 연결된 계층(130b)의 출력 값은 예측 결과(130c)로 사용될 수 있으며, 예측 결과 값은 시계열의 기준 시점의 주식 가격 대비 다음 시점의 주식 가격의 변동폭을 백분율로 나타낸 값 또는 그에 상응하는 값일 수 있다.
한편, 예측 결과(130c)는 예측 결과 출력부(140)에 제공될 수 있으며, 또한 예측 결과 값은 기계학습의 훈련 과정에서는 비용 함수 및 최적화기(130d)에 입력으로 제공될 수 있다.
비용 함수 및 최적화기(130d)는 기계학습 과정에서 지도 학습에 따른 비용을 최소화할 수 있으며, 이를 위해, 비용 함수(cost function) 및 최적화기(optimizer)를 포함할 수 있다.
비용 함수는 완전히 연결된 계층(130b)의 출력 값의 형태와 예측 결과(130c)의 형태에 적합하게 정의될 수 있다.
최적화기는 텐서플로우에서 제공되는 것을 사용할 수 있다. 예를 들어, 본 발명의 일 실시예에서는 아담 최적화기(Adam Optimizer)를 적용할 수 있다. 그러나 본 발명은 이에 한정되지 않는다.
또한, 기계학습 또는 딥 러닝 기반의 기계학습이 제대로 수행되려면 역전파가 진행될 필요가 있는데, 본 발명의 일 실시예에서는 텐서플로우에서 제공되는 최적화기를 통해 역전파가 진행되도록 할 수 있다. 그러나 본 발명의 다른 실시예에서는 다른 최적화기와 역전파 단계를 적용하거나 또는 직접 구현할 수 있다.
일 실시예에서, 순환신경망(130a) 및 완전히 연결된 계층(130b)을 포함하는 딥 러닝 기반 기계학습부(130)를 통해, 시계열의 기준 시점 대비 다음 시점 구간의 주식 가격 고가 및 저가를 각각 예측할 수 있다.
시계열의 기준 시점 대비 다음 시점 구간의 주식 가격 고가를 예측하기 위해서는, 순환신경망(130a) 및 완전히 연결된 계층(130b)을 포함하는 제1 딥 러닝 기반 기계학습부를 구현하여, 과거 시계열 데이터에 대한 기계학습을 통해 시계열의 기준 시점 대비 다음 시점 구간의 주식 가격 고가의 변동폭을 예측할 수 있다. 또한, 시계열의 기준 시점 대비 다음 시점 구간의 주식 가격 저가를 예측하기 위해서는, 순환신경망(130a) 및 완전히 연결된 계층(130b)을 포함하는 제2 딥 러닝 기반 기계학습부를 구현하여, 과거 시계열 데이터에 대한 기계학습을 통해 시계열의 기준 시점 대비 다음 시점 구간의 주식 가격 저가의 변동폭을 예측할 수 있다.
이때, 상기 제1 딥 러닝 기반 기계학습부 및 제2 딥 러닝 기반 기계학습부는 서로 완전히 독립된 형태로 구현되거나, 또는 본 발명의 일 실시예의 일부 단계를 서로 공유하는 형태로 구현될 수도 있다. 그러나 본 발명은 이에 한정되지 않는다.
일 실시예에서, 딥 러닝 기반의 기계학습의 효과를 높이기 위해서 드롭아웃(dropout) 또는 일반화(regularization)를 적용할 수 있다. 예를 들어, 순환신경망(130a)에 드롭아웃을 적용할 수 있고, 이때 드롭아웃의 유지 확률(keep probability)은 0.7 또는 그 이상으로 설정할 수 있다. 또한, 훈련 변수들에 대한 일반화를 위해 L2 또는 L1 일반화를 적용할 수 있고, 이때 L2 일반화에서는 그 강도(regularization strength)를 10.0 ~ 0.1 사이로 설정할 수 있다. 그러나 본 발명은 이에 한정되지 않는다.
예측 결과 출력부(140)는 예측 결과(130c)를 바탕으로 시계열의 기준 시점의 주식 가격 대비 다음 시점의 주식 가격의 변동폭을 백분율로 나타낸 값 또는 그에 상응하는 값으로 출력하거나, 또는 시계열의 기준 시점 대비 다음 시점의 주식 가격 자체를 예측한 값으로 출력할 수도 있다. 예를 들어, 예측 결과(130c)가 주식 가격의 변동폭을 백분율로 나타낸 스칼라 값 형태인 경우, 그 스칼라 값을 시계열의 기준 시점의 주식 가격에 적용하면 시계열의 다음 시점의 주식 가격에 대한 예측 값을 구할 수 있다. 또한, 예측 결과(130c)가 주식 가격의 변동폭을 복수의 백분율 구간에 대응하는 다항 분류 값으로 나타낸 형태인 경우, 그 다항 분류 값을 시계열의 기준 시점의 주식 가격에 적용하면 시계열의 다음 시점의 주식 가격에 대한 예측 값의 범위를 구할 수 있다.
일 실시예에서, 제1 딥 러닝 기반 기계학습부를 통해 예측된 시계열의 기준 시점 대비 다음 시점 구간의 주식 가격 고가 또는 고가의 변동폭 값과, 제2 딥 러닝 기반 기계학습부를 통해 예측된 시계열의 기준 시점 대비 다음 시점 구간의 주식 가격 저가 또는 저가의 변동폭 값을 바탕으로, 예를 들어, 해당 고가 또는 저가에 대한 예측 값이 시계열의 기준 시점의 주식 가격 또는 어떤 특정한 기준이 되는 주식 가격을 상향 또는 하향 돌파할 경우, 해당 주식 또는 관련 투자 상품에 대한 매수 또는 매도 신호를 발생시킬 수 있다. 이하 도 3a 내지 도 5b를 참조하여, 딥 러닝 기반 기계학습부(130)에서 주식 가격 고가 및 저가를 예측하는 구성을 설명하도록 한다.
도 3a 및 3b는 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)으로 구현된 주가 예측 프로그램을 통해, 2017년 1월 ~ 12월 동안의 KOSPI200 지수의 일간 고가를 전 거래일의 종가 대비 변동폭(%)에 대한 다항 분류 값으로 예측한 결과를 도시한 도면이며, 이때 동 지수의 당일 실제 고가의 변동폭(%)에 대한 다항 분류 값과 함께 도시하였다.
또한, 도 4a 및 4b는 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)으로 구현된 주가 예측 프로그램을 통해, 2017년 1월 ~ 12월 동안의 KOSPI200 지수의 일간 저가를 전 거래일의 종가 대비 변동폭(%)에 대한 다항 분류 값으로 예측한 결과를 도시한 도면이며, 이때 동 지수의 당일 실제 저가의 변동폭(%)에 대한 다항 분류 값과 함께 도시하였다.
이때, 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)에서 KOSPI200 지수의 일간 고가 및 저가 각각의 전 거래일의 종가 대비 변동폭(%)을 복수의 구간으로 분류함에 있어, 각 구간에 대응하는 다항 분류 값들의 개수(즉, 구간의 총 개수)는 예측의 정확도와 예측 결과의 활용도를 고려하여 정할 수 있다. 예를 들어, 다항 분류 구간의 개수가 적을수록 예측의 정확도는 높아질 수 있으나 예측 결과의 활용도가 낮아질 수 있고, 반대로 다항 분류 구간의 개수가 많을수록 예측 결과의 활용도는 높아질 수 있으나 예측의 정확도가 낮아질 수 있다.
본 발명의 일 실시예의 경우, KOSPI200 지수의 일간 고가 및 저가 각각의 전 거래일의 종가 대비 변동폭(%)에 대한 다항 분류 값들의 개수는 10개 이상일 수 있다. 그러나 본 발명은 이에 한정되지 않는다.
도 5a 및 5b는 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)에서 2017년 1월 ~ 12월 동안의 KOSPI200 지수의 일간 고가 및 저가의 변동폭을 다항 분류 값으로 예측한 결과를 바탕으로, 실제 변동폭의 다항 분류 값과 예측 변동폭의 다항 분류 값 간의 오차를 절대값으로 계산하여 고가 및 저가 각각에 대해 도시하고 또한 그 오차를 집계한 도면이다.
여기서, 도 5를 참고하면, 2017년 1월 ~ 12월 동안의 KOSPI200 지수의 일간 고가의 변동폭에 대한 예측의 평균 오차는 0.613이며, 동 기간 동안의 KOSPI200 지수의 일간 저가의 변동폭에 대한 예측의 평균 오차는 0.650이다. 또한, 동 기간 동안의 KOSPI200 지수의 일간 고가 및 저가 각각의 변동폭에 대한 예측 오차를 집계하였을 때, 예측 오차가 0인 경우는 그 일수 및 비율이 고가의 경우 119일(49.0%), 저가의 경우 114일(46.9%)이었고, 예측 오차가 1인 경우는 그 일수 및 비율이 고가의 경우 104일(42.8%), 저가의 경우 102일(42.0%)이었다.
또한, 도 5를 참고하면, 2017년 1월 ~ 12월 동안의 KOSPI200 지수의 일간 고가 및 저가 각각의 변동폭에 대한 예측의 경우, 1년 중에 예측 오차가 1 이하인 거래일의 비율이 고가의 경우 91.8%, 저가의 경우 88.9%임을 알 수 있다. 이는 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)으로 구현된 주가 예측 프로그램의 예측 정확도가 높은 것으로 간주할 수 있다. 또한, 본 발명의 일 실시예의 경우, KOSPI200 지수의 일간 고가 및 저가 각각의 변동폭(%)에 대한 다항 분류 구간의 개수를 적절히 많게 설정함으로써, 고가 및 저가 각각에 대해 예측된 다항 분류 값에 의한 변동폭(%)의 범위를 실제 매매에서 활용하는 정도가 높을 수 있다.
다만, 2017년 1월 ~ 12월 동안의 KOSPI200 지수의 일간 고가 및 저가의 변동폭을 다항 분류 값으로 예측한 테스트 결과는 다른 기간 동안의 동일한 지수의 일간 고가 및 저가 예측 또는 다른 주식의 일간 고가 및 저가 예측 등에서는 그 결과가 달라질 수 있으므로, 상기 예측 테스트 결과는 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템의 정확도와 활용도가 높음을 보여주는 일 측면으로 간주하는 것이 바람직하다. 이하 도 6을 참조하여, 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 방법에 대하여 설명하도록 한다.
도 6은 본 발명의 일 실시예에 따른 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)을 이용하여 주식 가격을 예측하는 일련의 과정을 설명하기 위한 순서도이다.
도 6를 참조하면, 먼저, 시계열의 기준 시점 대비 다음 시점의 주식 가격을 예측하기 위해, 순환신경망을 사용하여 주식과 관련된 과거 시계열 데이터를 기계학습하고(S110), 순환신경망의 출력 값을 입력으로 하는 완전히 연결된 계층을 통해, 시계열의 기준 시점 대비 다음 시점의 주식 가격의 변동폭을 백분율로 나타낸 값 또는 그에 상응하는 값으로 예측한다(S120).
S110 및 S120단계를 통해 시계열의 기준 시점 대비 다음 시점의 주식 가격의 변동폭을 백분율로 나타낸 값 또는 그에 상응하는 값으로 예측하는 것을 기반으로, 상기 순서에 기초한 제1 딥 러닝 모델을 통해, 시계열의 기준 시점 대비 다음 시점 구간의 주식 가격 고가의 변동폭을 예측한다(S130).
또한, S110 및 S120단계를 통해 시계열의 기준 시점 대비 다음 시점의 주식 가격의 변동폭을 백분율로 나타낸 값 또는 그에 상응하는 값으로 예측하는 것을 기반으로, 상기 순서에 기초한 제2 딥 러닝 모델을 통해, 시계열의 기준 시점 대비 다음 시점 구간의 주식 가격 저가의 변동폭을 예측한다(S140).
이후, S130 및 S140단계에서 예측된 주식 가격 고가 및 저가의 변동폭을 바탕으로, 미래 주식 가격에 대한 예측 값 또는 그에 따른 매매 신호를 사용자 단말에 출력한다(S150).
전술한 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템(100)을 이용하여 주식 가격을 예측하는 방법은 도면에 제시된 순서도를 참조로 하여 설명되었다. 간단히 설명하기 위하여 상기 방법은 일련의 블록들로 도시되고 설명되었으나, 본 발명은 상기 블록들의 순서에 한정되지 않고, 몇몇 블록들은 다른 블록들과 본 명세서에서 도시되고 기술된 것과 상이한 순서로 또는 동시에 일어날 수도 있으며, 동일한 또는 유사한 결과를 달성하는 다양한 다른 분기, 흐름 경로, 및 블록의 순서들이 구현될 수 있다. 또한, 본 명세서에서 기술되는 방법의 구현을 위하여 도시된 모든 블록들이 요구되지 않을 수도 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (4)

  1. 시계열의 기준 시점 대비 다음 시점의 주식 가격을 예측하기 위해 순환신경망(Recurrent Neural Network)을 사용하여 주식과 관련된 과거 시계열 데이터를 기계학습(Machine Learning) 하는 단계;
    상기 순환신경망의 출력 값을 입력으로 하는 완전히 연결된 계층(fully connected layer)을 통해 상기 시계열의 기준 시점 대비 상기 다음 시점의 주식 가격을 예측함에 있어서, 상기 기준 시점의 주식 가격 대비 상기 다음 시점의 주식 가격의 변동폭을 백분율로 나타낸 값 및 상기 백분율에 상응하는 값 중 어느 하나 이상으로 예측하는 주식 가격의 변동폭 예측 단계; 및
    상기 순환신경망 및 완전히 연결된 계층을 포함하는 딥 러닝(Deep Learning) 모델을 통해 상기 시계열의 기준 시점 대비 상기 다음 시점의 주식 가격을 예측함에 있어서, 상기 기준 시점 대비 상기 다음 시점 구간의 고가 및 저가를 각각 예측하는 고가 및 저가 예측 단계;를 포함하는 것을 특징으로 하는,
    순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 방법.
  2. 제1항에 있어서,
    상기 주식 가격의 변동폭 예측 단계는,
    상기 시계열의 기준 시점의 주식 가격 대비 상기 다음 시점의 주식 가격의 변동폭을 백분율로 나타낸 실수 값의 스칼라 값(scalar value) 형태로 상기 완전히 연결된 계층에서 출력하도록 하여, 상기 기계학습을 통해 시계열의 상기 다음 시점의 주식 가격의 변동폭을 예측하는 단계; 및
    상기 시계열의 기준 시점의 주식 가격 대비 상기 다음 시점의 주식 가격의 변동폭을 백분율 값들의 복수의 구간으로 분류하고, 각 구간에 대응하는 다항 분류(multinomial classification) 값을 소프트맥스 회귀(softmax regression) 또는 스칼라 값 형태로 상기 완전히 연결된 계층에서 출력하도록 하여, 상기 기계학습을 통해 시계열의 상기 다음 시점의 주식 가격의 변동폭을 예측하는 단계; 중 어느 하나 이상을 포함하는 것을 특징으로 하는,
    순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 방법.
  3. 제1항에 있어서,
    상기 고가 및 저가 예측 단계는,
    상기 순환신경망 및 상기 완전히 연결된 계층을 포함하는 제1 딥 러닝 모델을 통해, 상기 과거 시계열 데이터에 대한 상기 기계학습을 통해 상기 시계열의 기준 시점 대비 상기 다음 시점 구간의 주식 가격 고가의 변동폭을 예측하는 단계; 및
    상기 순환신경망 및 상기 완전히 연결된 계층을 포함하는 제2 딥 러닝 모델을 통해, 상기 과거 시계열 데이터에 대한 상기 기계학습을 통해 상기 시계열의 기준 시점 대비 상기 다음 시점 구간의 주식 가격 저가의 변동폭을 예측하는 단계;를 포함하는 것을 특징으로 하는,
    순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 방법.
  4. 제1항 내지 제3항 중 어느 한 항의 방법에 따라 구현된 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템.
PCT/KR2019/001861 2018-03-30 2019-02-15 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템 및 방법 WO2019190053A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2018-0037104 2018-03-30
KR20180037104 2018-03-30
KR20190000685 2019-01-03
KR10-2019-0000685 2019-01-03

Publications (1)

Publication Number Publication Date
WO2019190053A1 true WO2019190053A1 (ko) 2019-10-03

Family

ID=68062246

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/001861 WO2019190053A1 (ko) 2018-03-30 2019-02-15 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템 및 방법

Country Status (1)

Country Link
WO (1) WO2019190053A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222993A (zh) * 2020-01-03 2020-06-02 中国工商银行股份有限公司 基金推荐方法及装置
CN111340629A (zh) * 2020-03-27 2020-06-26 郑州大学 一种引入投资者偏好的股票预测方法
CN111371609A (zh) * 2020-02-28 2020-07-03 同济大学 基于深度学习的车联网连通预测方法
WO2022025639A1 (ko) * 2020-07-31 2022-02-03 신한아이타스 주식회사 인공지능 기술을 이용하여 펀드의 기준 가격 산출의 정합성을 점검하는 방법 및 장치
KR102547584B1 (ko) * 2023-01-02 2023-06-26 딥트레이드테크놀로지스 주식회사 연금 투자를 위한 변동성 최소화 기반 포트폴리오 관리 방법 및 장치

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040064884A (ko) * 2003-01-10 2004-07-21 김대용 다수의 사이버애널리스트들을 통한 주가예측방법
JP2005004701A (ja) * 2003-06-16 2005-01-06 Takema Seki 株価変動予測へのニューラルネットワークの応用
KR101508361B1 (ko) * 2013-04-02 2015-04-08 한국과학기술원 시가총액 분석을 통한 미래주가 예측시스템
JP2017157213A (ja) * 2016-02-29 2017-09-07 富士通株式会社 予測分析のための時系列のデータ・セットを生成する方法及びデータ処理装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040064884A (ko) * 2003-01-10 2004-07-21 김대용 다수의 사이버애널리스트들을 통한 주가예측방법
JP2005004701A (ja) * 2003-06-16 2005-01-06 Takema Seki 株価変動予測へのニューラルネットワークの応用
KR101508361B1 (ko) * 2013-04-02 2015-04-08 한국과학기술원 시가총액 분석을 통한 미래주가 예측시스템
JP2017157213A (ja) * 2016-02-29 2017-09-07 富士通株式会社 予測分析のための時系列のデータ・セットを生成する方法及びデータ処理装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SMARTLY: "[Tensorflow] Predict Amazon stock price using LSTM RNN", BLOG.NAVER, 10 December 2017 (2017-12-10), Retrieved from the Internet <URL:htips://blog.naver.com/wideeyed/221160038616> *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222993A (zh) * 2020-01-03 2020-06-02 中国工商银行股份有限公司 基金推荐方法及装置
CN111371609A (zh) * 2020-02-28 2020-07-03 同济大学 基于深度学习的车联网连通预测方法
CN111340629A (zh) * 2020-03-27 2020-06-26 郑州大学 一种引入投资者偏好的股票预测方法
WO2022025639A1 (ko) * 2020-07-31 2022-02-03 신한아이타스 주식회사 인공지능 기술을 이용하여 펀드의 기준 가격 산출의 정합성을 점검하는 방법 및 장치
KR102547584B1 (ko) * 2023-01-02 2023-06-26 딥트레이드테크놀로지스 주식회사 연금 투자를 위한 변동성 최소화 기반 포트폴리오 관리 방법 및 장치

Similar Documents

Publication Publication Date Title
WO2019190053A1 (ko) 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템 및 방법
Sayavong et al. Research on stock price prediction method based on convolutional neural network
Pantazopoulos et al. Financial prediction and trading strategies using neurofuzzy approaches
JPH05342191A (ja) 経済時系列データ予測及び解析システム
CN111626785A (zh) 一种基于结合注意力的cnn-lstm网络基金价格预测方法
Olatunji et al. Forecasting the Saudi Arabia stock prices based on artificial neural networks model
Sachdeva et al. An effective time series analysis for equity market prediction using deep learning model
Buyrukoğlu Promising cryptocurrency analysis using deep learning
Bebeshko et al. Analysis and modeling of price changes on the exchange market based on structural market data
Pemathilake et al. Sales forecasting based on autoregressive integrated moving average and recurrent neural network hybrid model
Co et al. Comparison between ARIMA and LSTM-RNN for VN-index prediction
Jadli et al. A Novel LSTM-GRU-Based Hybrid Approach for Electrical Products Demand Forecasting.
Ding et al. Research on Shanghai Stock Exchange 50 Index Forecast Based on Deep Learning
Nishitha et al. Stock price prognosticator using machine learning techniques
Liu Analysis and forecast of stock price based on LSTM algorithm
Vancsura et al. Analysis of the performance of predictive models during Covid-19 and the Russian-Ukrainian war
Mohanty et al. Normalized approximate descent used for spike based automatic bird species recognition system
Peng et al. Application of NARX dynamic neural network in quantitative investment forecasting system
EP3739517A1 (en) Image processing
Sharma et al. Stock Price Prediction Using Long Short Term Memory Algorithm
Petrescu et al. Analytical modelling of share price value using computational intelligence methods
Chua et al. AI To Predict Price Movements in the Stock Market
US20240054515A1 (en) System and method for forecasting commodities and materials for part production
JPH04220758A (ja) 時系列データの予測及び予測認識方法
Nawawi et al. Deep learning for Tesla’s stock prices prediction

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19776926

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 19776926

Country of ref document: EP

Kind code of ref document: A1