개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 오경주
- 발행연도
- 2019
- 저작권
- 연세대학교 논문은 저작권에 의해 보호받습니다.
이용수7
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
2016년 구글의 딥마인드가 개발한 인공지능 바둑 프로그램인 알파고와 이세돌의 대결 이후 딥러닝에 대한 관심이 높아졌으며, 딥러닝 모형을 금융시장에 적용하여 주가를 예측하는 연구 또한 활발해졌다. 이러한 연구들을 통해 딥러닝 모형의 예측 성능을 확인하였다.
하지만, 금융데이터는 변동성이 크고 노이즈가 많기 때문에 예측이 어렵다. 또한, 신호처리에 사용되는 디노이징 필터를 적용하여 금융데이터의 노이즈를 제거함으로써 딥러닝 모형의 예측 성능을 높이는 연구는 미흡한 실정이다. 따라서, 본 연구의 목적은 디노이징 필터를 사용하여 금융데이터의 노이지를 제거한 후 시계열 예측에 유용한 딥러닝 모형인 LSTM의 예측 성능을 높이고 실증분석을 통해 예측 성능을 확인하는 것이다.
이에 본 연구에서는 국내 최대 선물 시장인 KOSPI200 선물가격 데이터의 일봉과 30분봉 데이터를 통해 딥러닝 모형의 예측 성능 향상을 확인하고자 한다. 또한, 모델의 정확한 예측 성능 평가를 위해 슬라이딩 윈도우 실험도 진행하였다.
본 연구의 결과는 디노이징 필터를 통해 LSTM 모형의 예측 성능 향상을 확인하였으며 향후 다양한 딥러닝 모형의 예측 성능 향상에 사용될 수 있음을 시사한다.
하지만, 금융데이터는 변동성이 크고 노이즈가 많기 때문에 예측이 어렵다. 또한, 신호처리에 사용되는 디노이징 필터를 적용하여 금융데이터의 노이즈를 제거함으로써 딥러닝 모형의 예측 성능을 높이는 연구는 미흡한 실정이다. 따라서, 본 연구의 목적은 디노이징 필터를 사용하여 금융데이터의 노이지를 제거한 후 시계열 예측에 유용한 딥러닝 모형인 LSTM의 예측 성능을 높이고 실증분석을 통해 예측 성능을 확인하는 것이다.
이에 본 연구에서는 국내 최대 선물 시장인 KOSPI200 선물가격 데이터의 일봉과 30분봉 데이터를 통해 딥러닝 모형의 예측 성능 향상을 확인하고자 한다. 또한, 모델의 정확한 예측 성능 평가를 위해 슬라이딩 윈도우 실험도 진행하였다.
본 연구의 결과는 디노이징 필터를 통해 LSTM 모형의 예측 성능 향상을 확인하였으며 향후 다양한 딥러닝 모형의 예측 성능 향상에 사용될 수 있음을 시사한다.
목차
등록된 정보가 없습니다.
최근 본 자료
댓글(0)
0