[논문 리뷰] Financial Series Prediction: Comparison Between Precision of Time Series Models and Machine Learning Methods

Xin-Yao Qian|arXiv (Cornell University)|2017. 06. 03.

Stock Market Forecasting Methods참고 문헌 7인용 수 26

한 줄 요약

이 연구는 역사적 주가 인덱스 데이터를 사용하여 전통적인 시계열 모델(ARIMA, GARCH)과 현대의 기계학습 및 딥러닝 방법 간의 재무 시계열 예측을 비교한다. 결과적으로 기계학습 모델이 고전적 시계열 모델보다 예측 정밀도에서 뚜렷이 뛰어나며, 재무 데이터의 노이즈와 불안정성 처리 능력이 뛰어나다는 점을 입증한다.

ABSTRACT

Precise financial series predicting has long been a difficult problem because of unstableness and many noises within the series. Although Traditional time series models like ARIMA and GARCH have been researched and proved to be effective in predicting, their performances are still far from satisfying. Machine Learning, as an emerging research field in recent years, has brought about many incredible improvements in tasks such as regressing and classifying, and it's also promising to exploit the methodology in financial time series predicting. In this paper, the predicting precision of financial time series between traditional time series models and mainstream machine learning models including some state-of-the-art ones of deep learning are compared through experiment using real stock index data from history. The result shows that machine learning as a modern method far surpasses traditional models in precision.

연구 동기 및 목표

• 전통적인 시계열 모델과 현대의 기계학습 방법의 재무 예측 정확도를 평가하고 비교하는 것.
• 시장의 불안정성과 높은 노이즈 수준으로 인한 재무 시계열 예측 정밀도 저하 문제를 해결하는 것.
• 최신 기계학습 및 딥러닝 모델이 기존 통계 모델보다 더 나은 예측 성능을 내는지 평가하는 것.
• 재무 시계열에서 복잡한 비선형 패턴을 다루는 데 기계학습의 효과성에 대한 실증적 증거를 제공하는 것.

제안 방법

• 연구는 모델 훈련 및 평가를 위한 주된 데이터셋으로 역학적 주가 인덱스 데이터를 사용한다.
• 비교를 위한 기준 모델로 ARIMA 및 GARCH를 포함한 전통적인 시계열 모델이 적용된다.
• 주류 기계학습 모델과 최신 딥러닝 아키텍처가 동일한 데이터셋에 대해 구현되고 테스트된다.
• 모델 성능은 표준 예측 정밀도 지표를 사용하여 평가되며, 다양한 모델 유형 간 비교가 이루어진다.
• 공정한 비교를 보장하기 위해 일관된 데이터 전처리 및 평가 프로토콜을 적용하여 실험을 수행한다.
• 비교의 초점은 재무 시계열의 추세와 변동성 추적 능력에 중점을 두는 예측 정확도이다.

실험 결과

연구 질문

• RQ1 ARIMA 및 GARCH와 같은 전통적인 시계열 모델은 현대의 기계학습 방법에 비해 재무 시계열 예측에서 어떻게 성능을 내는가?
• RQ2 노이즈가 많은 재무 데이터에서 기계학습 모델은 고전적 통계 모델에 비해 예측 정밀도를 얼마나 향상시키는가?
• RQ3 딥러닝 모델은 ARIMA 및 GARCH에 비해 주가 인덱스 시계열의 비선형 패턴과 변동성 클러스터링을 얼마나 효과적으로 포착할 수 있는가?
• RQ4 기계학습 모델을 사용할 경우 전통적인 시계열 모델 대비 예측 정확도 향상은 어느 정도인가?

주요 결과

• 기계학습 모델은 재무 시계열 예측에서 전통적인 시계열 모델보다 뚜렷이 뛰어난 성능을 보인다.
• 실험 평가에서 기계학습 방법의 예측 정밀도는 ARIMA 및 GARCH 모델의 성능를 뛰어넘는다.
• 최신 딥러닝 모델은 재무 데이터의 노이즈와 불안정성 처리 능력에서 뛰어난 성능을 보인다.
• 결과적으로 현대의 기계학습 기법은 고전적 통계 모델보다 재무 예측 과제에 더 효과적임을 확인한다.
• 기계학습 모델과 전통적 모델 간의 성능 격차는 크며, 이는 이 분야에서 기계학습의 명백한 우월성을 시사한다.