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
- 김재윤
- 발행연도
- 2022
- 저작권
- 순천향대학교 논문은 저작권에 의해 보호받습니다.
이용수44
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
주식 시장은 기업, 개인 투자자 등에게 많은 자본을 획득할 수 있는 수단으로 여겨진다. 주식 시장에서 높은 수익을 얻기 위해 주가의 추세를 예측하는 연구가 다양하게 진행되고 있으며, 최근에는 추세를 보다 정확하게 예측하기 위해 머신러닝, 딥러닝 등의 알고리즘을 사용한다. 많은 추세 예측 연구는 모델의 예측 성능을 높이기 위해 노력하지만, 데이터 라벨링 방법에 대해서는 거의 다루지 않는다. 라벨링 과정에서 라벨에 대한 기준이 모호한 경우 정확한 분류가 어려워지기 때문에 이후 모델 학습 시 학습 성과를 기대하기 어렵다. 본 논문에서는 기존의 추세 예측 연구에서 주로 사용되는 Up Down 라벨링 방법의 문제점을 확인하고 올바른 라벨링 방법을 탐색하기 위해 라벨링 방법별 비교 분석을 수행한다. 실증 분석을 위해 NASDAQ 상장 기업과 KOSPI 상장 기업으로 나누어 분석을 진행하였으며 상승, 횡보, 하락장에서의 거래성과를 분석하였다. 실증 분석 결과 N기간 변동성, Sezer, N기간 최소 최대 라벨링 방법을 사용하여 주식 거래를 수행하는 경우 거래성과가 Up Down 라벨링 방법에 비해 우수한 것을 확인하였으며, 상승, 횡보, 하락 추세에 따라 거래성과에 차이가 있는 것을 실험적으로 입증했다.
목차
제1장 서론 1제1절 연구 배경 1제2절 연구 목적 2제3절 논문 구성 2제2장 이론적 배경 3제1절 주식 추세 예측 31. 기본적 분석 32. 기술적 분석 4제2절 데이터 라벨링 61. Up Down 라벨링 82. N-기간 변동성 라벨링 93. Sezer 라벨링 114. N-기간 최소 최대 라벨링 12제3절 머신러닝 131. Decision Tree 132. Support Vector Machine 153. Random Forest 164. Extreme Gradient Boosting 17제3장 머신러닝 트레이딩 시스템 18제1절 학습 데이터 구축 191. 라벨링 방법 192. 기술적 지표 추출 20제2절 모델 학습 및 라벨 예측 211. 모델 파라미터 212. 라벨 예측 방법 22제3절 시뮬레이션 231. 거래 신호 생성 및 거래 방법 232. 평가 방법 24제4장 실 험 25제1절 실험 데이터 25제2절 실험 방법 29제3절 실험 결과 301. 모델별 비교 302. 라벨링 방법별 비교 323. 시장 추세별 비교 35제5장 결론 및 향후 연구 37참고문헌 38ABSTRACT 42
최근 본 자료
댓글(0)
0