소셜 빅데이터 분석을 이용한 머신러닝 기반 금융자산 트레이딩 모델의 성능 향상에 관한 연구 :A study of improvement of financial asset trading model using social big data analysis based on machine learning

송성환

추천

검색

자료유형: 학위논문

저자정보: 송성환 (숭실대학교, 숭실대학교 대학원)

지도교수: 한경석

발행연도: 2016

저작권: 숭실대학교 논문은 저작권에 의해 보호받습니다.

이용수20

이 논문의 연구 히스토리 (3)

2017

머신 러닝 기반 소셜 빅데이터 분석을 이용한 금융자산 트레이딩 모델의 성능 향상에 관한 연구

송성환 , 한경석 , 최수정 외 1명 Entrue Journal of Information Technology 2017.01 학술저널

2016

트레이딩을 위한 소셜 빅데이터 분석 모델

송성환 , 황선호 , 이용희 외 3명 예술인문사회 융합 멀티미디어 논문지 2016.03 학술저널

소셜 빅데이터 분석을 이용한 머신러닝 기반 금융자산 트레이딩 모델의 성능 향상에 관한 연구

송성환 IT정책경영학과 2016.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

머신러닝 기반 소셜 빅데이터 분석을 이용한 금융자산 트레이딩 모델의 성능향상에 관한 본 연구는 기존의 연구들에 근간하여 사회를 구성하는 구성원들의 집단감성이 주가에 영향을 미친다는 가정 하에서 출발했다. 최근 소셜데이터가 양적인 측면에서 기하급수적으로 증가함에 따라 실시간으로 변화하는 사회구성원의 집단감성의 대표성을 갖게 되었다. 최근의 연구에 따르면, 인간의 의사결정이 이성과 깊은 성찰로부터 기인하기 보다는 감성이 더 깊이 간여한다고 진단하고, 이러한 의사결정 모형을 경제사회로 확장시켜 Socio-economics라 명명한 바 있다. 본 연구는 시가총액이 한국 전체 주식시장의 70%를 차지하는 KOSPI200을 대상으로 한다. 본 모델은 자연언어처리를 이용하여 소셜 빅데이터로 부터 주가의 전망과 관련성이 깊은 감성데이터를 추출하고, 머신러닝을 활용해 각 기업의 Fundamental Ratio와 Technical indicators, 소셜 감성데이터 등을 러닝하여 주식 시장을 전망한다. 현재 주요 펀드들의 운용에는 여러 시장 지표 데이터들이 활용되지만, 일반적으로는 펀드매니저 개개인의 지식과 경험을 활용한 통찰이 펀드의 운용에 결정적인 영향을 미친다. 본 모델에서는 사람의 개입 없이 머신러닝을 통해 발굴된 종목들을 기반으로 포트폴리오를 형성한다. 선행 실험을 통해 사회적 감성 중 긍정적 감성이 주가에 약1개월의 선행적 양(+)의 상관관계가 있음을 확인하였다. 이러한 이유로, 본 모델은 매월 다음 달을 주식시장을 전망하기 위하여 3년치 데이터를 기반으로 매월 머신러닝을 진행한다. 월별로 머신러닝 및 평균 회귀 전략 기반 주가예측을 시도하며 자산배분 모형은 Black-Litterman모형을 이용한다. 2014년 1년간의 실험을 통해 머신러닝 기반 소셜 빅데이터분석을 이용한 금융자산 트레이딩 모델이 타 모델에 비하여 뛰어난 모델임을 검증했다. 실전투자를 통한 본 모델의 검증을 위해 2015년 1월부터 2016년 2월까지의 본 모델을 운용한 결과, 벤치마크인 KOSPI200 대비 6.52%P 초과하는 결과를 얻었다. 이번 연구를 통해 소셜 빅데이터분석을 이용한 머신러닝기반의 로보트레이딩이 특정기간동안(2014년~2016년) 한국의 주식시장에서 실제 시장지표 대비 높은 수익률을 보임을 확인했다.

This research aims to improve the performance of machine learning based financial trading model applying social big data analysis. Based on the existing studies, it started from the assumption that collective emotions of society members have an impact on stock prices. As social data has been rapidly increasing to the extent that it can be called as ‘big data’, it could represent the real time flow of emotion from society members. According to recent studies, it is evident that people’s decisions result from neither rationality nor considerate introspection but emotion. This kind of decision making model has been extended to economics which was named as ‘Socio-economics’.
This study is conducted with KOSPI200 which occupies 70% of total Korea stock market capitalization. This model uses Natural Language Processing to extract emotion data closely related to stock prediction from social big data. It utilizes machine learning to learn fundamental ratio and social emotion data together with technical indicators of each company. On the current market, various indices are referred in managing major funds. However, it usually depends more on insights and knowledge of individual fund managers. In this model, portfolios are formulated based on confirmed stock items from machine learning without human intervention. Through preceding experiments, it is proved that positive emotion-part of social emotion-and stock price have a positive correlation with time gap of a month forward. Thus, machine learning worked in a monthly basis for predicting stock market of the following month is based on data from the last 3 years. Monthly stock market prediction applied machine learning and mean reversion strategy, and Black-Litterman model for asset allocation model.
This machine learning based financial trading model applying social big data analysis was statistically verified from a year of experiment during 2014 that it outperforms other models. Actual investment done from January 2015 to February 2016 showed 6.52%P of increase in outcome compared to KOSPI200. Through this research, we proved machine learning based robot trading applying social big data analysis outperform higher than actual Korean stock market indices in a certain era(Year 2014 to Year 2016).

목 차
국문초록 ⅳ
영문초록 ⅴ
제 1 장 서론1
1.1 연구의 배경1
1.2 문제 제기3
1.3 접근 방법4
1.4 연구의 목표6
제 2 장 관련 연구8
2.1 소셜 빅데이터 기반 주식시장 예측 이론들 8
2.1.1 Bollen의 이론8
2.1.2 후속 연구들9
2.2 지식 기반 예측 접근법10
2.3 통계 기반 예측 접근법11
2.4 머신러닝 기반 예측 접근법14
2.5 자산 배분 전략17
2.6 자본 자산 가결 결정 모형21
2.6.1 CAPM21
2.6.2 Jensen’s Alpha23
제 3 장 연구 모형24
3.1 연구 모형 개요24
3.2 예측 알고리즘27
3.2.1 예측 알고리즘 개요27
3.2.2 머신 러닝28
3.2.3 예측을 위한 자질들30
3.2.3.1 기본 재무적 비율31
3.2.3.2 기술적 지표32
3.2.3.3 소셜 빅데이터33
3.2.4 유전자 알고리즘35
3.2.5 N-Fold 검증37
3.2.6 평균 회귀 전략39
3.3 자산 배분 최적화41
3.4 자산 거래 시스템43
제 4 장 실험 결과45
4.1 실험 철학45
4.2 실험 세팅45
4.3 실험 결과47
4.3.1 실험 결과 통계분석48
4.4 실제 운용 결과50
4.4.1 트레이딩시스템 운용 환경50
4.4.2 트레이딩시스템 운용 결과50
4.4.3 트레이딩시스템 운용 결과 유형비교51
4.4.4 트레이딩시스템 운용 결과 회전율52
제 5 장 결론 및 향후 연구53
5.1 결론53
5.2 본 연구의 제약 및 향후 연구54
참고문헌56

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)