설명 가능한 KOSPI 증감 예측 딥러닝 모델을 위한 Layer-wise Relevance Propagation (LRP) 기반 기술적 지표 및 거시경제 지표 영향 분석 (Layer-wise Relevance Propagation (LRP) Based Technical and Macroeconomic Indicator Impact Analysis for an Explainable Deep Learning Model to Predict an Increase and Decrease in KOSPI)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회논문지 / 48권 / 12호 / 1289 ~ 1297페이지
· 저자명 : 이재응, 한지형

초록

주식 예측 분야에서 인공지능은 정확도를 향상시키는 방향의 연구가 주를 이룬다. 하지만 금융 분야에서는 모델의 성능뿐만 아니라 의사결정에 대한 신뢰성과 투명성, 공평성이 보장되어야 한다. 이에 본 논문에서는 주식 예측에 많이 사용되는 거시경제 지표와 기술적 지표를 입력 변수로 선정해 모델을 학습시키고 이 모델의 설명가능성을 줄 수 있는 LRP 기법을 제안한다. 또한 사용자 입장에서 직관적으로 모델 결과를 활용할 수 있도록 KOSPI 주가 종가의 전날 대비 증감으로 문제 정의를 간소화하였다. 적용시킨 LRP를 통해 나온 분석의 결과가 실제 유의미한 결과인 것을 보이기 위해 비교 실험을 진행하였다. 실험 결과 LRP를 통해 선정한 변수들로 데이터를 학습한 모델이 기존의 모델보다 성능이 우수함을 보였다. 또한, 각 변수들이 예측값에 긍정적 영향을 주는 경향성에 대해 분석하여 LRP의 분석 결과가 유의미함을 보였다.

영어초록

Most of the research on stock prediction using artificial intelligence has focused on improving the accuracy. However, reliability, transparency, and equity of decision-making should be secured in the field of finance. This study proposes a layer-wise relevance propagation (LRP) approach to create an explainable stock prediction deep learning model, which is trained using macroeconomic and technical indicators as the input features. Also, the definition of the problem is simplified by prediction of an increase or decrease in the KOSPI closing price from the previous day instead of prediction of the KOSPI value itself. To show how the proposed method works, experiments are conducted. The results show that the model trained with data by the selected features via LRP is more accurate than the vanilla model. Moreover, we show that LRP results are meaningful by analyzing the tendency of the positive effect of each feature for the prediction results.

참고자료

· 없음