어텐션 메커니즘과 베이지안 딥러닝을 활용한 환율 예측 모형 연구

Abstract

The purpose of the study is to make the exchange rate prediction more accurate and to prepare a method for estimating the future value in consideration of the uncertainty of the prediction. In the methodology used to increase prediction accuracy, Bidirectional LSTM(BiLSTM) which trains both directions rather than considering only unidirectional learning in LSTM (Long Short-Term Memory), which has excellent performance on sequence data such as time series data. In this study, Bidirectional LSTM was used based on the attention mechanism, and the purpose of the study was achieved by applying it together with the Bayesian Neural Network(BiLSTM+BNN). As the training data, daily exchange rate data for the five major currencies: the dollar · yuan · yen · euro · pound sterling were used. The period is from December 1997 to September 2021. As a performance comparison model, ARIMA method, which is commonly used for time series data and known as a general statistical method, and Simple DNN, Vanilla LSTM, and Bidirectional LSTM were used. RMSE was selected as the evaluation scale. As can be seen from the study results, it was proved that the prediction accuracy performance of the proposed model was excellent compared to the existing method. Since the proposed model can solve time-series data problems with high volatility, such as exchange rates, with uncertainty in prediction, it is expected that reliability of the derived results can also be obtained. In other words, it can be expected to contribute to solving problems efficiently by grasping the certainty of the prediction results as a model. ;본 연구의 목적은 환율 예측을 보다 정확하게 하고 예측의 불확실성을 감안하여 미래 값을 추정할 수 있는 방법을 마련하는 데에 있다. 예측 정확도를 높이기 위해 사용된 방법론에는 시계열 데이터와 같은 시퀀스 데이터에 우수한 성능을 보이는 LSTM(Long Short-Term Memory)에서, 단방향의 학습만 고려하는 게 아닌 역방향까지 훈련하는 양방향 LSTM(Bidirectional LSTM)을 어텐션 메커니즘과 기반하여 사용하였으며, 이를 베이지안 심층 신경망(Bayesian Neural Network)과 함께 적용하여 연구의 목적을 달성하였다. 학습 데이터로는 5개 주요 통화인 달러 · 위안 · 엔 · 유로 · 파운드의 대원화 일일환율 데이터를 사용하였다. 기간은 1997년 12월부터 2021년 9월까지이다. 성능 비교 모형으로는 시계열 데이터에 흔하게 사용되며 일반적인 통계 기법으로 알려진 ARIMA 기법과 딥러닝 종류인 Simple DNN과 Vanilla LSTM 및 양방향 LSTM을 활용하였고, 평가 척도로는 RMSE를 선택하였다. 연구 결과에서 확인할 수 있듯이, 제안 모형의 예측력을 기존 방법론과 비교하여 입증하였다. 제안 모형은 환율과 같이 변동성이 큰 시계열 문제에 대해 예측의 불확실성을 내포하여 해결할 수 있다. 예측 모형이 도출한 결과의 신뢰도 또한 얻을 수 있을 것으로 기대된다. 그러므로 예측 결과의 확실성을 모형으로 파악해 효율적인 문제해결에 기여하고자 한다.