헤테로지니어스 다이나믹 그래프 뉴럴 네트워크를 활용한 국내 주가 예측 (Predicting Korean stock prices using heterogeneous dynamic graph neural networks (HDGNN))

서지정보

· 발행기관 : 한국데이터정보과학회
· 수록지 정보 : 한국데이터정보과학회지 / 36권 / 1호 / 13 ~ 22페이지
· 저자명 : 윤민영, 김용구

초록

본 연구는 헤테로지니어스 다이나믹 그래프 신경망을 활용하여 국내 주식의 주가 예측 모델을 설계하였다. 주가의 비선형적 특성과 다양한 요인을 효과적으로 반영하기 위해, 주식, 경제 지표, 뉴스, 공시 등의 데이터를 통합한 다이나믹 그래프 구조를 사용하였다. 코스피 200 종목을 대상으로 2022년 1월부터 2023년 12월까지 수집된 데이터를 바탕으로, 노드 간 상관관계와 LDA, FinBERT 기반 텍스트 임베딩을 통해 다양한 정보 간의 관계를 구성하였고, LSTM을 활용한 시계열 임베딩과 다중 어텐션 메커니즘을 적용하였다. 실험 결과, HDGNN 모델은 기존 RNN, LSTM, GRU 모델 대비 MAE와 RMSE 지표에서 우수한 성능을 나타내어 주가 예측의 정확도를 개선하였다.

영어초록

This study designed a stock price prediction model for the Korean stock market using a heterogeneous dynamic graph neural network (HDGNN). To effectively capture the nonlinear characteristics of stock prices and various influencing factors, we utilized a dynamic graph structure that integrates data from stocks, economic indicators, news, and disclosures. Using daily data from January 2022 to December 2023 for KOSPI 200 stocks, we established relationships between nodes based on correlations and performed topic extraction with LDA and text embedding with FinBERT for news and disclosures. Temporal embeddings were generated using LSTM to reflect each node's time-series characteristics, while multi-level attention mechanisms were applied to integrate information at the node, temporal, and graph levels. Experimental results demonstrated that the HDGNN model achieved superior performance in MAE and RMSE metrics compared to existing models such as RNN, LSTM, and GRU, thereby enhancing the accuracy of stock price prediction.

참고자료

· 없음