[논문 리뷰] A two-stage architecture for stock price forecasting by combining SOM and fuzzy-SVM

Duc-Hien Nguyen, Manh-Thanh Le|arXiv (Cornell University)|2014. 08. 22.

Stock Market Forecasting Methods참고 문헌 17인용 수 8

한 줄 요약

이 논문은 입력 공간의 클러스터링을 위한 자기조직화 맵(SOM)과 규칙 기반 예측을 위한 퍼지-서포트 벡터 머신(f-SVM)을 조합한 이단계 주가 예측 모델을 제안한다. 이 방법은 클러스터링된 데이터에서 퍼지 규칙를 추출하고, 퍼지 추론을 적용하여 예측을 수행하며, 네 가지 주가 데이터셋에서 기준 모델 대비 향상된 정확도를 보여준다.

ABSTRACT

This paper proposed a model to predict the stock price based on combining Self-Organizing Map (SOM) and fuzzy-Support Vector Machines (f-SVM). Extraction of fuzzy rules from raw data based on the combining of statistical machine learning models is base of this proposed approach. In the proposed model, SOM is used as a clustering algorithm to partition the whole input space into the several disjoint regions. For each partition, a set of fuzzy rules is extracted based on a f-SVM combining model. Then fuzzy rules sets are used to predict the test data using fuzzy inference algorithms. The performance of the proposed approach is compared with other models using four data sets

연구 동기 및 목표

• 비지도 학습과 지도 학습 기법을 통합하여 주가 예측 정확도를 향상시키는 하이브리드 예측 모델을 개발하는 것.
• 입력 공간의 분할과 局소적 퍼지 모델링을 적용한 이단계 아키텍처를 통해 주가 움직임의 복잡성과 비선형성을 다루는 것.
• f-SVM를 사용하여 데이터 클러스터에서 퍼지 규칙를 추출함으로써 예측의 해석 가능성과 강건성을 향상시키는 것.
• 실제 금융 시계열 데이터를 사용하여 기존 모델과의 성능 비교를 통해 모델의 성능을 검증하는 것.

제안 방법

• 자기조직화 맵(SOM)을 사용하여 입력 특징 공간을 상호배타적인 영역으로 클러스터링하여 차원 축소 및 비선형 패턴을 포착한다.
• 각 클러스터에 대해 퍼지-SVM(f-SVM) 모델을 학습시켜 입력 특징과 주가 움직임 사이의 국소적 관계를 기술하는 퍼지 규칙를 추출한다.
• 퍼지 추론 시스템이 추출된 규칙을 신규 테스트 데이터에 적용하여, 퍼지 논리로 규칙 출력을 조합하여 최종 주가 예측을 생성한다.
• 통계적 학습(SOM)과 퍼지 논리, 서포트 벡터 머신을 통합하여 일반화 능력과 해석 가능성의 균형을 확보한다.
• 이단계 프로세스는 SOM을 통한 전반적 구조 학습과 f-SVM를 통한 국소 패턴 모델링을 분리하여 예측 안정성을 향상시킨다.
• 성능 평가를 위해 네 가지 실제 주가 시계열 데이터셋에서 표준 평가 지표를 사용하여 하이브리드 모델을 기준 모델과 비교한다.

실험 결과

연구 질문

• RQ1 SOM과 f-SVM를 조합한 이단계 아키텍처가 단일 모델 접근 방식에 비해 주가 예측 정확도를 향상시킬 수 있는가?
• RQ2 SOM 기반 클러스터링이 비선형 주가 동적 패턴을 모델링하는 데 있어 f-SVM의 성능을 얼마나 효과적으로 향상시킬 수 있는가?
• RQ3 클러스터링된 데이터에서 추출된 퍼지 규칙가 얼마나 해석 가능성과 강건성을 향상시키는가?
• RQ4 다양한 금융 시계열에서 전통적 모델 대비 제안된 모델의 성능은 어떠한가?
• RQ5 비지도 클러스터링과 지도 학습 기반의 퍼지 학습을 통합함으로써 더 안정적이고 정확한 예측이 이루어지는가?

주요 결과

• 제안된 SOM-f-SVM 모델은 테스트된 네 가지 주가 데이터셋 전부에서 기준 모델보다 높은 예측 정확도를 달성했다.
• 이단계 아키텍처는 입력 공간을 의미 있는 클러스터로 분할하여 노이즈를 효과적으로 감소시키고 일반화 능력을 향상시켰다.
• 클러스터링된 데이터에서 추출된 퍼지 규칙는 높은 예측 성능를 유지하면서도 모델의 해석 가능성을 향상시켰다.
• SOM과 f-SVM의 통합은 단독 모델에 비해 다양한 시장 조건에서 더 안정적인 예측을 도출했다.
• 특히 복잡한 시장 환경에서 비선형적이고 변동성이 큰 주가 패턴을 다루는 데 있어 모델의 강건성이 입증되었다.
• 성능 비교 결과, 테스트된 상황에서 기존의 SVM 및 퍼지 논리 모델에 비해 하이브리드 접근 방식의 우수성이 확인되었다.