기계 학습 및 심층 학습 알고리즘을 통한 연속 및 이진 데이터를 이용한 주식 시장 동향 예측; 비교 분석

주식 시장 움직임의 본질은 다양한 영향 요인으로 인해 항상 투자자에게 모호하였습니다. 본 연구는 기계 학습 및 심층 학습 알고리즘을 통해 동향 예측의 위험을 상당히 줄이기를 목표로 하고 있습니다. 실험 평가를 위해 테헤란 증권 거래소의 다양화된 금융, 석유, 비금속 광물 및 기본 금속의 네 가지 주식 시장 그룹이 선택되었습니다. 이 연구는 아홉 가지 기계 학습 모델(의사결정 트리, 랜덤 포레스트, 적응 부스팅(아다부스트), 극단적 경량 부스팅(XGBoost), 서포트 벡터 분류기(SVC), 나이브 베이즈, K-최근접 이웃(KNN), 로지스틱 회귀 및 인공 신경망(ANN))과 두 가지 강력한 심층 학습 방법(순환 신경망(RNN) 및 장단기 메모리(LSTM))을 비교합니다. 10년의 역사적 데이터에서 10개의 기술 지표를 우리의 입력값으로 사용하며, 이를 활용하는 두 가지 방법이 제안됩니다. 첫째, 주식 거래 가치를 연속 데이터로 계산하여 지표를 얻고, 둘째, 사용하기 전에 지표를 이진 데이터로 변환하는 것입니다. 각 예측 모델은 입력 방식에 따라 세 가지 메트릭으로 평가됩니다. 평가 결과, 연속 데이터의 경우 RNN과 LSTM이 다른 예측 모델에 비해 상당한 차이로 우수하다는 것을 보여줍니다. 또한, 이진 데이터 평가에서는 이러한 심층 학습 방법이 가장 좋지만 두 번째 방법에서 모델 성능의 눈에 띄는 개선으로 인해 차이는 적어집니다.