N-기간 변동성 데이터 라벨링을 활용한 XGBoost 트레이딩 시스템 개발 (Developing a XGBoost trading system based on N-period volatility labeling in the stock market)

서지정보

· 발행기관 : 한국데이터정보과학회
· 수록지 정보 : 한국데이터정보과학회지 / 32권 / 5호 / 1049 ~ 1070페이지
· 저자명 : 한예찬, 김영민

초록

시스템 트레이딩은 과거의 주가와 거래량을 설명하는 기술적 지표를 활용하여 거래를 자동으로 수행하는 투자 방법이다. 최근에는 시스템 트레이딩의 매매규칙을 발견하고, 전략 수립을 위해 시계열 분석, 데이터마이닝, 패턴인식, 머신러닝 등의 알고리즘을 사용한다. 특히 머신러닝 기법을 활용하는 경우 복잡한 고차원 모형을 사용하거나 여러 모형을 결합하는 앙상블 기법을 통해 예측 성능을 높인다. 예측 성능을 높이려는 방법들이 많이 연구되고 있지만, 데이터 라벨링에 관한 연구는 상대적으로 적다. 잘못된 라벨링 방법은 정보 손실을 발생시키며, 이후 주가 등락 예측 모델 구현 시 예측 성능이 떨어지는 원인으로 작용할 수 있다. 본 연구에서는 기존의 Up-Down 라벨링 방법의 문제를 보완한 N-기간 변동성 데이터 라벨링 방법을 통한 머신러닝 트레이딩 시스템을 개발한다. NASDAQ 상장 기업 데이터로 실증 분석을 진행한 결과, 제안 모형은 기존의 Up-Down 라벨링 방법보다 개선된 성과를 나타내는 것을 확인하였다.

영어초록

It is difficult to predict the direction of the stock market price since it is affected by many factors such as political events, general economic conditions, and traders’expectations. In recent years, machine learning algorithms have been successfully shown to obtain high accuracy of stock price direction. Although there are numerous research studies being conducted regarding the prediction of the direction of stock price movement, there are relatively few studies on labeling of data for learning algorithms. The problem with incorrectly labeled data sets in intelligent systems based on machine learning is that learner then trains the incorrect identification and knowledge, which will make it harder for trained learners to predict the correct results. Therefore, incorrect labeling methods could cause information loss and may act as a cause of poor prediction performance when implementing a prediction model. To solve this problem, this study proposes an N-period volatility labeling that is based on the volatility of n-period look back window, which is more dynamic. In order to identify the usefulness of the proposed model, this study is compared against the conventional approach. An empirical study of the proposed model is simulated in the Nasdaq stock market.

참고자료

· 없음