[논문 리뷰] Modeling Chaotic Behavior of Stock Indices Using Intelligent Paradigms

Ajith Abraham, Ninan Sajith Philip외 1명|ArXiv.org|2004. 05. 05.

Stock Market Forecasting Methods참고 문헌 28인용 수 64

한 줄 요약

이 논문은 주식 인덱스의 혼돈스러운 행동을 모델링하기 위해 지능형 패러다임—인공 신경망(레벤버그-마르카르트 알고리즘으로 학습된), 서포트 벡터 기반 기계학습, 타카기-스우에노 신경 퍼지 시스템, 차분 부스팅 신경망—을 비교 평가한다. 나스다크-100의 7년치 및 S&P CNX NIFTY의 4년치 데이터를 사용하여, 모든 모델가 복잡한 비선형 시장 역학을 높은 정확도로 포착함을 확인하였으며, 이는 금융 예측 분야에서의 강건성과 신뢰성의 가능성을 입증한다.

ABSTRACT

The use of intelligent systems for stock market predictions has been widely established. In this paper, we investigate how the seemingly chaotic behavior of stock markets could be well represented using several connectionist paradigms and soft computing techniques. To demonstrate the different techniques, we considered Nasdaq-100 index of Nasdaq Stock MarketS and the S&P CNX NIFTY stock index. We analyzed 7 year's Nasdaq 100 main index values and 4 year's NIFTY index values. This paper investigates the development of a reliable and efficient technique to model the seemingly chaotic behavior of stock markets. We considered an artificial neural network trained using Levenberg-Marquardt algorithm, Support Vector Machine (SVM), Takagi-Sugeno neuro-fuzzy model and a Difference Boosting Neural Network (DBNN). This paper briefly explains how the different connectionist paradigms could be formulated using different learning methods and then investigates whether they can provide the required level of performance, which are sufficiently good and robust so as to provide a reliable forecast model for stock market indices. Experiment results reveal that all the connectionist paradigms considered could represent the stock indices behavior very accurately.

연구 동기 및 목표

• 연결주의 및 소프트 컴퓨팅 기법이 금융 시계열의 겉보기에 혼돈스러운 행동을 효과적으로 모델링할 수 있는지 조사한다.
• 실제 주식 인덱스 데이터에서 여러 지능형 패러다임—ANN, SVM, 뉴로퍼지, DBNN—의 성능을 비교한다.
• 이러한 모델이 주식 시장 인덱스에 대해 신뢰할 수 있고 강건한 예측 정확도를 달성할 수 있는지 확인한다.
• 하이브리드 또는 학습 최적화 모델이 금융 시장의 비선형 역학을 포착하는 데 효과적인지 검증한다.

제안 방법

• 빠른 수렴과 높은 정확도를 위해 레벤버그-마르카르트 알고리즘으로 학습된 인공 신경망(ANN)을 사용하였다.
• 비선형 관계를 모델링하기 위해 커널 방법을 적용한 서포트 벡터 기반 기계학습(SVM)을 적용하였다.
• 해당 모델은 퍼지 논리와 신경망 학습을 결합하여 해석 가능한 비선형 모델링을 가능하게 하였다.
• 에러 패턴을 반복적으로 보정하여 정확도를 향상시키기 위해 차분 부스팅 신경망(DBNN)을 구현하였다.
• 모든 모델를 나스다크-100의 7년치 및 S&P CNX NIFTY의 4년치 데이터로 학습 및 테스트하여 강건성을 확보하였다.
• 예측 성능 평가를 위해 표준 예측 평가 지표를 사용하기 위해 시계열 데이터를 입력으로 사용하였다.

실험 결과

연구 질문

• RQ1 지능형 패러다임은 주식 시장 인덱스에서 관찰되는 혼돈스럽고 비선형적인 역학을 정확하게 모델링할 수 있는가?
• RQ2 실제 금융 데이터에서 연결주의 모델—ANN, SVM, 뉴로퍼지, DBNN—간의 예측 성능은 어떻게 비교되는가?
• RQ3 DBNN나 타카기-스우에노 시스템과 같은 하이브리드 또는 학습 최적화 모델은 기존 모델에 비해 더 뛰어난 예측 정확도를 제공하는가?
• RQ4 이러한 모델의 성능은 나스다크-100 및 NIFTY와 같은 다양한 시장 인덱스 간에 일관된가?
• RQ5 금융 시계열의 본질적인 예측 불가능성에도 불구하고 소프트 컴퓨팅 기법이 신뢰할 수 있고 강건한 예측을 제공할 수 있는가?

주요 결과

• 모든 네 종류의 지능형 패러다임—ANN, SVM, 뉴로퍼지, DBNN—이 주식 인덱스의 혼돈스러운 행동을 높은 정확도로 모델링하였다.
• 레벤버그-마르카르트 알고리즘으로 학습된 ANN는 나스다크-100 및 NIFTY 데이터셋 모두에서 빠른 수렴과 뛰어난 예측 성능를 보였다.
• 서포트 벡터 기반 기계학습는 특히 금융 시계열의 비선형 패턴을 다루는 데 뛰어난 결과를 도출하였다.
• 타카기-스우에노 뉴로퍼지 모델은 높은 예측 정확도를 유지하면서도 설명 가능한 규칙 기반 통찰을 제공하였다.
• 차분 부스팅 신경망(DBNN)은 데이터 내 오차 패턴을 반복적으로 보완함으로써 정확도를 향상시켰다.
• 종합적으로 모든 모델가 충분히 우수하고 강건한 예측을 도출하였으며, 이는 금융 시장 모델링에 대한 실용성을 확인한다.