"상스치콤조"의 두 판 사이의 차이
(→기술적 기대효과) |
(→경제적, 사회적 기대 및 파급효과) |
||
| 89번째 줄: | 89번째 줄: | ||
====경제적, 사회적 기대 및 파급효과==== | ====경제적, 사회적 기대 및 파급효과==== | ||
| − | + | ◇ 일반 주식투자자 또는 초보 주식투자자들이 뉴스 정보를 반영하고, 수치 해석적 근거를 갖춘 인공지능의 도움을 받으면 더욱 안정성 있고, 신뢰성 있는 투자를 할 수 있어지므로 투자시장이 더욱 건강해지고, 주식투자가 전보다 활성화될 것이다. | |
◇ 주식회사 등 금융기업에서 분석을 참고하고 금융상품을 제작하는 데 성공적인 인공지능 모델을 활용하여 인공지능이 없을 경우 또는 기존의 인공지능 모델이 있을 경우 모두 이 프로젝트 모델의 장점을 통해 더 발전된 서비스를 제공할 수 있을 것이다. | ◇ 주식회사 등 금융기업에서 분석을 참고하고 금융상품을 제작하는 데 성공적인 인공지능 모델을 활용하여 인공지능이 없을 경우 또는 기존의 인공지능 모델이 있을 경우 모두 이 프로젝트 모델의 장점을 통해 더 발전된 서비스를 제공할 수 있을 것이다. | ||
◇ 인공지능 기반 자연어 감성 분석과 주가 지표 분석을 통한 시스템 트레이딩이 가능하게 되므로, 정보와 전문성이 부족한 일반 투자자들이 보다 안정적이고, 근거 있는 정량적 수치 바탕의 주식 투자를 할 수 있게 하는 수단이자 기폭제가 될 수 있다. | ◇ 인공지능 기반 자연어 감성 분석과 주가 지표 분석을 통한 시스템 트레이딩이 가능하게 되므로, 정보와 전문성이 부족한 일반 투자자들이 보다 안정적이고, 근거 있는 정량적 수치 바탕의 주식 투자를 할 수 있게 하는 수단이자 기폭제가 될 수 있다. | ||
2019년 6월 20일 (목) 18:28 판
프로젝트 개요
기술개발 과제
국문 : 기술 지표 및 경제 뉴스를 이용한 주가 등락 예측 딥러닝 시스템
영문 : Stock Prediction with Deep Learning System Using Technical Indicators and Financial News
과제 팀명
상스치콤
지도교수
홍의경 교수님
개발기간
2019년 3월 ~ 2019년 6월 (총 4개월)
구성원 소개
서울시립대학교 컴퓨터과학부 2014920026 엄성범(팀장)
서울시립대학교 컴퓨터과학부 2014920005 김주호
서울시립대학교 컴퓨터과학부 2014920062 한강모
서론
개발 과제의 개요
개발 과제 요약
◇ 다양한 경제 지표, 해당 주의 최근 주가 정보 및 증시 뉴스 타이틀 감성 분석 결과를 학습하는 인공지능 주가 등락 예측 모델 ◇ 증시 뉴스를 파싱하여 키워드를 정제한 다음 감성 분석을 통해 얻어낸 감성 수치를 사용하여 인공지능 주가 예측의 안정성과 신뢰성 제고 ◇ 주가 등락 예측 모델의 binary classification 결과를 기반으로 최대 이익 매매 전략을 결정하는 강화학습 모델 또는 알고리즘 구현
개발 과제의 배경
◇ 경제 지표와 더불어 뉴스 정보의 감성 분석을 통해 사회적 영향을 반영하는 더욱 안정성 있는 인공지능 주식 예측 모델 고안 ◇ 인공지능을 통한 주가 예측 실현 가능성 검증 및 신뢰도 제고
개발 과제의 목표 및 내용
◇ 뉴스 정보의 감성 분석을 통해 증시에 관련된 감성 정보를 추출하여 추출된 정보들은 word2vec 기술을 사용하여 벡터로 전사시켜 학습에 사용한다. ◇ 여러 가지 경제 지표, 해당 주의 최근 주가정보, 뉴스 정보의 감성분석 결과를 인공지능 모델의 입력으로 이용하여 주가를 예측한다. RNN의 종류중 하나인 GRU를 이용하여 주가의 향후 방향을 예측하고, binary classification 으로 판단한다. ◇ stochastic 등 경제 지표를 이용한 전통적인 매수 매도 방법 또는 주가의 향후 가치, 즉 상승, 하락을 나타내는 binary classification의 결과를 이용하여 두 결과의 차이 값을 시스템 예측의 confidence값으로 하고 이것을 중점적으로 사용한 새로운 주식 매매 알고리즘을 구현한다.
관련 기술의 현황
관련 기술의 현황 및 분석(State of art)
- 전 세계적인 기술현황
◇ Deep Learning for Stock Market Prediction Using Technical Indicators and Financial News Articles, Manuel R. Vargas,2018 IEEE
LSTM 네트워크를 사용하였는데, 주가와 관련 있는 뉴스 제목을 감성분석을 이용하여 기술적 지표와 함께 주가 예측에 사용하였다.
◇ Deep Learning Using Risk-Reward Function for Stock Market Prediction, Pisut Oncharoen, CSAI '18
새로운 손실함수인 Risk-Reward function을 사용하여 CNN과 LSTM을 학습시켜 주가를 예측하였다.
◇ Is Deep Learning for Image Recognition Applicable to Stock Market Prediction?, Hyun Sik Sim, hindawai
주가예측 방법으로 CNN을 사용하였다. 9가지 경제 지표를 사용하였는데, 이 지표들을 이미지로 변환 시켜 CNN에 입력하였다. 입력된 지표들은 특징이 추출되어 주가예측에 사용되었다.
◇ Financial Trading Model with Stock Bar Chart Image Time Series with Deep Convolutional Neural Networks, Omer Berat Sezer, arXiv:1903.04610v1
30일 동안의 주가 봉 이미지를 이용하여 2-D CNN을 학습시켜 주가를 예측하였다.
- 특허조사 및 특허 전략 분석
◇ 주가 등락 예측 방법 및 서버(STOCK FLUCTUATIION PREDICTION METHOD AND SERVER) / 1020150184916(2015.12.23.) 뉴스와 KOSPI 데이터를 수집하는 데이터 수집기, 수집된 뉴스에서 불용어 제거 및 형태소 분석을 통해 단어를 추출하는 전처리기, 감성 단어들을 선정하고 감성 단어의 감성 수치를 계산하여 주가 예측을 위해 필요한 주식 도메인의 감성 사전을 구축하는 감성 사전 구축기 및 구축된 감성사전을 이용한 예측 모델 및 KOSPI 데이터를 이용한 ARIMA 예측 모델을 결합하여 당일 대비 익일 종가의 등락을 예측하는 주가 등락 예측 모델 구축기로 구성된다. 감성 단어의 극성은 특정 수학식을 이용해 계산하며 이를 Score로 환산한 다음 ARIMA 모형을 이용해 등락을 예측한다.
◇ 시가총액 분석을 통한 미래주가 예측시스템(Method for prediction of future stock price using analysis of aggregate market value of listed stock) / 1020130035884(2013.04.02.)
과거 일정 기간 동안의 시가총액정보와 재무정보를 비교하여 시가총액정보와 재무정보 간의 유사성을 판단하여 시가총액의 움직임에 연관성을 가진 재무지표를 식별하고 그 결과에 따라 재무정보에 부여할 가중치와 적용규칙을 설정하여 주가의 다면적 평가를 위한 기본 예측 모형을 결정하고, 상기 미래예측 질문에 응답할 가상의 시가총액정보를 기본 예측 모형을 통해 산출하는 미래예측 연산서버가 핵심이며 미래 예측에는 인공 신경망 등의 기계 학습이 사용된 것이 아니라, 유전적 알고리즘과 학습형 분류 시스템 등 진화 프로그래밍 기법이 사용되었다.
◇ 인공 신경망 모형을 이용한 주가 등락 예측 시스템 및 주가 등락 예측 방법(SYSTEM AND METHOD FOR PREDICTING CHANGE OF STOCK PRICE USING ARTIFICIAL NEURAL NETWORK MODEL) / 1020130163585(2013.12.26.)
인공 신경망을 이용한 주가 등락 예측 시스템이며 복수의 증시 관련 데이터를 입력 데이터로 입력받는 입력부, 입력된 복수의 증시 관련 데이터를 제1 복수 노드에 할당하고, 제1 복수 노드에 할당된 데이터별로 제1 가중치를 적용하여 제2 복수 노드에 할당함으로써 인공 신경망 모형을 모델링하는 모델링부, 제2 복수 노드에 할당된 데이터들에 제2 가중치를 적용하여 가중합을 연산한 뒤 활성화 함수에 입력하여 싱글값으로 산출하고, 싱글값을 기 정의된 임계값과 비교하여 싱글값이 임계값보다 크면 출력값으로 하이 값을 출력하고 싱글값이 임계값보다 작으면 출력값으로 로우 값을 출력하는 출력부를 포함한다. 즉 입력층, 은닉층, 출력층으로 구성된 인공 신경망이며 각 층은 모두 전결합 층이다. 학습 및 예측에 사용되는 복수의 증시 관련 데이터는 KOSPI 200 index, KOSPI에 속하는 200개 및 코스닥(KOSDAQ)에 속하는 30개 개별 종목의 종가, 각종 업종지수 11개, 증시와 관련된 Social Media Data 등을 포함하는 다양한 증시와 관련된 데이터일 수 있다. 또한, 복수의 증시 관련 데이터는 증시와 관련된 소셜 미디어 데이터에 대한 감성 데이터를 포함할 수 있다. 오차 함수로는 y’(1-y’)(y-y’)을 사용했다. 감성 데이터에 대한 감성 지수 평가는 긍정, 중립, 부정에 대한 평가 및 이 평가와 연계된 스코어를 저장하는 감성 사전 데이터베이스를 참조하여 스코어링한다. ◇ 경제 지표 및 감성 데이터를 학습 데이터로 사용한 인공 신경망 모형에 대한 특허는 현재 ”인공 신경망 모형을 이용한 주가 등락 예측 시스템 및 주가 등락 예측 방법(SYSTEM AND METHOD FOR PREDICTING CHANGE OF STOCK PRICE USING ARTIFICIAL NEURAL NETWORK MODEL) / 1020130163585(2013.12.26.) / 코스콤” 이 유일
◇ 본 특허에서 사용된 인공 신경망은 입력층, 은닉층, 출력층으로 구성된 전결합 인공 신경망임. 반면 종합설계에서 진행할 모델은 RNN(GRU)임. ◇ 본 특허에서 감성 데이터에 대한 감성 지수 평가는 감성 사전 데이터베이스에 의존. 반면 종합설계에서 진행할 모델은 해당 시점 경제 지표 데이터와 뉴스의 연관성을 갖도록 구성하여 어떤 뉴스 타이틀이 등장했을 때 주가에 어떤 영향이 미치는지를 스스로 학습 ◇ 상기한 근본적인 기술적 차이점과 더불어 종합설계를 진행하며 고안한 알고리즘, 인공지능 학습 방법론 및 투자 전략을 차별화하여 특허 자산 획득
- 기술 로드맵
◇ 기술 확보: 감성 분석 모델을 학습시키고 뉴스 정보 크롤링으로 얻은 정보를 감성 분석/ 주가 정보를 GRU 기반 인공지능 모델에 학습시키고 증시 정보로 다음 주가를 예측, 예측 정보로 거래 알고리즘을 설계 ◇ 프로토타입 구현 및 테스트: 감성 분석 모델과 주식예측 모델을 결합시켜 주가를 예측하고 거래 알고리즘을 통해 모의투자 ◇ 검증과 평가 과정: 감성 분석 모델과 주식예측 모델의 성능을 높이고, 거래 알고리즘을 유지보수 ◇ 최종목표: 안정적 수익을 내는 감성 분석 및 주가 분석 기반 인공지능 주식 시스템 트레이딩 시스템을 개발
시장상황에 대한 분석
- 경쟁제품 조사 비교
◇ 레이더스탁은 개인 투자자들이 주식투자를 좀 더 쉽게 이해하고 접근 할 수 있게 도와주고, 수익률을 높일 수 있도록 종목의 매수·매도시기를 알람을 통해 최적의 타이밍에 알려주도록 고안된 주식투자 어플리케이션이다. 사람의 결정 대신 여러 지표 데이터들을 기반으로 한 정량적인 분석을 통한 인공지능의 종목 추천을 활용한다. 변동하는 주식시장과 실시간 종목의 빅데이터를 통해 내부 알고리즘을 사용하여 종목을 추천하고, 매수·매도 알림을 보내주어 초보투자자들도 스스로 주식 거래를 할 수 있도록 도와준다. ◇ 로보어드바이저(RoboAdvisor)는 로봇(Robot)과 어드바이저(Advisor)의 합성어이다. 딥러닝, 알고리즘, 빅데이터 분석 등의 기술에 기반을 두고 개인의 투자 성향 또한 반영하여, 자동으로 주식투자를 위한 ‘포트폴리오를 구성’하고 그 포트폴리오를 ‘리밸런싱(재구성)’하며, 그 것을 바탕으로 주식 투자를 ‘운용’해주는 온라인상의 자산 관리 서비스이다. 로보어드바이저 서비스는 미국, 유럽 금융회사 중심으로 성장하고 있으며, 로보어드바이저의 대표주자로 미국의 Betterment사나 Wealthfront사가 있다. ◇ '신한 쿼터백 글로벌 로보랩'은 기존 글로벌 주식 상품의 유사한 구조와 달리 새로운 형태를 가진 상품이다. 쿼터백자산운용의 로보어드바이저 시스템을 사용하여 얻어낸 투자 포트폴리오를 통해 객관적 지표인 정량적 수치를 바탕으로 운용되며 이러한 운용의 결과의 사후관리까지 지원한다. 미국에 상장된 ETF로 포트폴리오를 구성한 것을 기반을 두어 글로벌 투자를 실행한다.
- 마케팅 전략 제시
◇ 본 종합설계의 최종 산출물에 대해, 기존 로보어드바이저 서비스를 제공하는 주요 은행, 증권사, 투자사 등에서 자사 로보어드바이저 서비스를 강화하기 위해 본 소프트웨어의 알고리즘 및 신경망 학습 방법론에 수요가 있을 것으로 예측 ◇ 작은 시장, 구매력 있는 잠재적 구매자를 대상으로 오프라인 대면 마케팅 ◇ 모의 주식 투자 대회 참가를 통한 모델 수익률 검증 및 홍보 방안 확보
개발과제의 기대효과
기술적 기대효과
◇ 주식 상품에 대한 인공지능 기반 자연어 감성 분석을 성공함으로서 다량의 데이터 속 특정 목표에 대한 감성 분석을 가능케 하여 이타 여러 분야에서 특정 대상에 대한 감성 분석을 활용하여 다양한 서비스 또는 솔루션을 제작할 수 있도록 한다. ◇ 인공지능 기반 주가 지표 분석을 통해 주가를 예측하는데 성공함으로서 여러 금융계열 회사들에서 적용할 수 있는 주가 분석 서비스로 발전시켜 주식금융시장의 기술발전과 안정성, 신뢰성 부분의 성장을 이룰 수 있도록 한다. ◇ 신뢰할 수 있는 거래 알고리즘을 개발함으로서 다양한 시장에 적용할 수 있는 전략 기술로 활용하여 주식투자를 넘어 여러 시장에서 인공지능에게 거래를 맡기는 시스템의 출현을 기대할 수 있다.
경제적, 사회적 기대 및 파급효과
◇ 일반 주식투자자 또는 초보 주식투자자들이 뉴스 정보를 반영하고, 수치 해석적 근거를 갖춘 인공지능의 도움을 받으면 더욱 안정성 있고, 신뢰성 있는 투자를 할 수 있어지므로 투자시장이 더욱 건강해지고, 주식투자가 전보다 활성화될 것이다. ◇ 주식회사 등 금융기업에서 분석을 참고하고 금융상품을 제작하는 데 성공적인 인공지능 모델을 활용하여 인공지능이 없을 경우 또는 기존의 인공지능 모델이 있을 경우 모두 이 프로젝트 모델의 장점을 통해 더 발전된 서비스를 제공할 수 있을 것이다. ◇ 인공지능 기반 자연어 감성 분석과 주가 지표 분석을 통한 시스템 트레이딩이 가능하게 되므로, 정보와 전문성이 부족한 일반 투자자들이 보다 안정적이고, 근거 있는 정량적 수치 바탕의 주식 투자를 할 수 있게 하는 수단이자 기폭제가 될 수 있다.
기술개발 일정 및 추진체계
개발 일정
내용
구성원 및 추진체계
내용
설계
설계사양
제품의 요구사항
내용
설계 사양
내용
개념설계안
내용
이론적 계산 및 시뮬레이션
내용
상세설계 내용
내용
결과 및 평가
완료 작품의 소개
프로토타입 사진 혹은 작동 장면
내용
포스터
내용
관련사업비 내역서
내용
완료작품의 평가
내용
향후계획
내용
특허 출원 내용
내용
