LSTNet을 이용한 KOSPI 예측

Abstract

Recently, investment in various financial products has increased due to global external factors, including Corona, and economic requirements such as rising interest rates. In this stock market, prices are the result of reflecting all the information existing in the market, and time series prediction methods have been widely used to find price patterns using stock price fluctuations. However, as stock prices have fluctuated due to unpredictable internal and external factors in recent years, it is difficult to predict the stock market with existing methods, so it is important to predict both long-term and short-term trends of stock prices. In this thesis, we consider the LSTNet, a model that can predict both long-term and short-term trends by ensemble of neural network models and AR models in the KOSPI index data that reflects the overall trend of the Korean stock market. The model largely consists of convolutional component that predicts short-term trends in time series, recurrent component that predicts long-term trends, and autoregressive component that reflects recent trends in time series. Convolutional layer and deconvolutional layer were used as convolutional components, and RNN, LSTM, and GRU were used as Recurrent and Recurrent-skip Components to test the combination of each model. As a result of predicting the KOSPI index, the volatile market situation was well predicted along with the long-term and short-term trends, and as a result, the LSTNet model showed higher performance than the existing ARIMA and GRU models.;최근 코로나를 비롯한 세계적인 외부 요인들과 금리 상승 등 경제적인 요건들로 다양한 금융상품에 대한 투자가 급증하며 주식 시장이 활발해지고 있다. 이런 주식 시장에서 가격은 시장에 존재하는 모든 정보가 반영된 결과이며, 주가 변동을 이용하여 가격 패턴을 찾아내는 시계열 예측 방법이 많이 사용되어왔다. 그러나 최근 들어 예측할 수 없는 내·외부 요인들로 주가의 변동이 심해지면서 기존의 방법들로는 주식 시장을 예측하기 힘들어 좀 더 장기적인 추세와 단기적인 추세를 같이 예측할 방법이 필요하다. 본 논문에서는 주식 시장의 전반적인 추세를 반영하는 KOSPI 지수 데이터를 가지고 신경망 모델과 AR모델을 앙상블하여 장·단기적인 추세를 같이 예측할 수 있는 모델인 LSTNet을 제안한다. 이 모델은 크게 시계열의 단기적인 추세를 예측하는 convolutional component, 장기적인 추세를 예측하는 recurrent, recurrent-skip component와 시계열의 최근 추세를 반영하는 autoregressive component로 이루어져 있다. Convolutional component로는 convolutional layer과 deconvolutional Layer를 후보를 두고 사용했으며, recurrent, recurrent-skip component로는 RNN, LSTM, GRU를 후보를 두고 사용하여 각 모델의 조합을 시험하여 각 모델의 성능을 비교하였다. 각 모델의 성능을 비교할 때는 시계열 데이터의 크기에 상관없이 성능을 비교할 수 있는 수치인 RSE와 Correlation을 사용하였다. Train, validation, 그리고 test 셋으로 나누어 모델을 훈련시키고 테스트한 결과 가장 성능이 좋은 모델은 convolution component로는 deconvolutional layer를 recurrent, recurrent-skip component로는 RNN을 사용한 모델의 LSTNet이었다. 이 모델로 최근 KOSPI 지수를 예측한 결과 변동성이 심한 시장 상황을 장기적인 추세와 단기적인 추세를 더불어 예측을 잘하였고, 그 결과 해당 모델은 현존하는 ARIMA모델과 GRU모델보다 더 높은 성능을 얻는 성과를 보였다.