[논문 리뷰] Leverage Financial News to Predict Stock Price Movements Using Word Embeddings and Deep Neural Networks

Yangtuo Peng, Hui Jiang|arXiv (Cornell University)|2015. 06. 24.

Stock Market Forecasting Methods참고 문헌 13인용 수 11

한 줄 요약

이 논문은 재무 뉴스의 단어 임베딩과 역사적 주가 가격 데이터를 결합한 딥러닝 접근법을 제안하여 다음 날 주가 움직임을 예측한다. 뉴스에서 추출한 키워드, 감성, 맥락 특징과 가격 추세를 통합함으로써 모델은 43.13%의 오차율을 기록하며, 가격 데이터만을 사용하는 기준 모델보다 뚜렷이 뛰어난 성능을 보였다.

ABSTRACT

Financial news contains useful information on public companies and the market. In this paper we apply the popular word embedding methods and deep neural networks to leverage financial news to predict stock price movements in the market. Experimental results have shown that our proposed methods are simple but very effective, which can significantly improve the stock prediction accuracy on a standard financial database over the baseline system using only the historical price information.

연구 동기 및 목표

• 재무 뉴스의 텍스트 정보를 통합함으로써 주가 움직임 예측 성능을 향상시키기 위해.
• 단어 임베딩이 재무 뉴스에서 의미 있는 특징을 추출할 수 있는지 조사하기 위해.
• 딥 네트워크와 뉴스 기반 특징, 역사적 가격 데이터를 결합하는 것이 얼마나 효과적인지 평가하기 위해.
• 상관관계 기반 그래프 전파 방법을 통해 미리보지 않은 주식에 대한 예측을 가능하게 하기 위해.
• 재무 뉴스 특징이 기존의 가격 기반 모델을 초월해 예측 정확도를 크게 향상시킬 수 있음을 입증하기 위해.

제안 방법

• 이진 분류(가격 상승 또는 하락)를 위해 ReLU 활성화 함수와 소프트맥스 출력을 사용하는 4층 딥 네트워크(DNN)를 사용한다.
• 주당으로 정규화된 5일간의 종가, 일阶 차분, 이阶 차분을 포함한 역사적 가격 특징을 추출한다.
• word2vec을 적용하여 재무 뉴스에서 단어의 조밀한 벡터 표현을 학습하며, '상승', '하락', '붕괴'와 같은 시드 단어를 사용해 의미적으로 관련된 키워드를 식별한다.
• 뉴스 기반 특징 3종류를 생성한다: 키워드 집합(BoK), 감성 점수(PS), 단어 벡터 유사도를 활용한 맥락 인식 텀 특징(CT).
• 역사적 가격 데이터에서 주식 상관관계 그래프를 구성하며, 절대 상관관계가 0.8 초과인 쌍만 유지하고, 행렬 곱셈을 통해 예측을 새로운 주식으로 전파한다.
• 예측의 신뢰도가 낮은 경우를 걸러내기 위해 임계값을 적용하여 훈련 세트를 초월한 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 단어 임베딩이 주가 움직임 예측을 위한 예측 가능한 특징을 재무 뉴스에서 효과적으로 추출할 수 있는가?
• RQ2 역사적 가격 데이터만을 사용하는 모델에 비해 뉴스 기반 특징을 통합할 경우 예측 정확도가 얼마나 향상되는가?
• RQ3 상관관계 기반 그래프 전파 방법을 통해 예측을 얼마나 넓게 새로운 주식으로 확장할 수 있는가?
• RQ4 예측 성능을 최대화하기 위해 뉴스 특징(BoK, PS, CT)의 최적 조합은 무엇인가?
• RQ5 예측된 새로운 주식에 대한 다양한 임계값 설정에 따라 모델의 성능은 어떻게 변하는가?

주요 결과

• 가격, BoK, PS, CT 특징을 모두 통합한 경우 모델은 테스트 세트에서 43.13%의 오차율을 기록하며, 가격 데이터만을 사용하는 기준 모델(48.12% 오차율)보다 뚜렷이 뛰어난 성능을 보였다.
• BoK 특징만 추가해도 오차율이 46.02%로 감소하여, 단어 임베딩에서 유도된 키워드 기반 특징이 매우 예측력이 높다는 것을 입증했다.
• 가격 데이터와 BoK 특징의 조합으로도 46.02%의 오차율을 기록하여, 뉴스 키워드 자체만으로도 강력한 예측 능력을 지닌다는 것을 시사한다.
• 그래프 전파를 적용한 결과, 높은 신뢰도 임계값(0.9)을 설정했을 때 하루에 평균 354개의 새로운 주식을 52.44%의 정확도로 예측할 수 있었으며, 이는 효과적인 일반화 능력을 보여준다.
• 감성(PS) 및 맥락 인식 텀(CT) 특징을 포함시킴으로써 성능이 추가로 향상되었으며, 전체 특징 조합이 가장 낮은 오차율을 기록했다.
• 다양한 특징 조합에 대해 모델의 성능이 안정적이며, 검증 세트에서 4층 DNN 아키텍처가 최적의 성능을 보였다.