[논문 리뷰] Neural networks for stock price prediction

Yuegang Song, Yulong Zhou외 1명|arXiv (Cornell University)|2018. 05. 29.

Stock Market Forecasting Methods참고 문헌 18인용 수 3

한 줄 요약

이 연구는 중국 주식 3개(중국은행, 반케에이, 케이취차오무타이)에 대해 주가 예측을 위한 다섯 가지 신경망 모델—백프로파게이션(BP), 라디얼베이시스함수(RBF), 일반회귀신경망(GRNN), 서포트벡터머신리그레션(SVMR), 최소제곱서포트벡터머신리그레션(LS-SVMR)—을 평가한다. 평균제곱오차(MSE)와 평균절대백분율오차(MAPE)를 평가 지표로 사용하여, BP 신경망은 모든 주식에서 다른 네 모델보다 뛰어난 예측 정확도와 안정성을 보이며 일관되게 슈퍼리어한 성능을 나타낸다.

ABSTRACT

Due to the extremely volatile nature of financial markets, it is commonly accepted that stock price prediction is a task full of challenge. However in order to make profits or understand the essence of equity market, numerous market participants or researchers try to forecast stock price using various statistical, econometric or even neural network models. In this work, we survey and compare the predictive power of five neural network models, namely, back propagation (BP) neural network, radial basis function (RBF) neural network, general regression neural network (GRNN), support vector machine regression (SVMR), least squares support vector machine regresssion (LS-SVMR). We apply the five models to make price prediction of three individual stocks, namely, Bank of China, Vanke A and Kweichou Moutai. Adopting mean square error and average absolute percentage error as criteria, we find BP neural network consistently and robustly outperforms the other four models.

연구 동기 및 목표

• 개별 주가 예측에 대한 다섯 가지 신경망 모델—BP, RBF, GRNN, SVMR, LS-SVMR—의 예측 성능을 평가하고 비교하는 것.
• 다양한 시장 조건에서 주가 예측의 정확도와 안정성이 가장 높은 모델을 특정하는 것.
• BP 신경망의 뛰어난 성능이 본질적인 구조적 우수성 때문인지, 또는 커널 함수 선택 때문인지 규명하는 것.
• 예측 잔차를 분석하여 시장 효율성 가설을 검증하고, 예측 오차에 체계적인 편향이 존재하는지 확인하는 것.

제안 방법

• 세 개의 A주식(중국은행, 반케에이, 케이취차오무타이)의 이전 일일 종가 가격을 기반으로 다섯 가지 신경망 모델을 훈련 및 테스트하였다.
• 백프로파게이션(BP) 신경망은 오차 역전파를 통한 가중치 조정을 위한 다층 피드포워드 아키텍처를 사용하였다.
• 라디얼베이시스함수(RBF) 네트워크는 비선형 매핑을 위해 가우시안 라디얼베이시스 함수를 사용하는 단일 은닉층을 활용하였다.
• 일반회귀신경망(GRNN)은 비모수적 커널 기반 접근 방식을 사용하여 회귀를 수행하였으며, 파르젠 창 추정에 기반하였다.
• 서포트벡터머신리그레션(SVMR)과 최소제곱서포트벡터머신리그레션(LS-SVMR)은 볼록 2차 프로그래밍 문제를 해결하기 위해 구조적 리스크 최소화 원리를 적용하여 전역 최적화를 달성하였다.
• 모델 성능 평가에는 평균제곱오차(MSE)와 평균절대백분율오차(MAPE)를 사용하였으며, BP의 안정성을 평가하기 위해 100회 반복 실험을 실시하였다.

실험 결과

연구 질문

• RQ1 BP, RBF, GRNN, SVMR, LS-SVMR 중 어느 모델이 다수의 주식에 대해 가장 정확한 주가 예측을 제공하는가?
• RQ2 BP 신경망은 다양한 주식과 평가 지표에서 정확도와 안정성 측면에서 다른 모델들보다 일관되게 뛰어난 성능을 유지하는가?
• RQ3 SVMR에서 사용된 다양한 커널 함수(선형, 다항식, 시그모이드, RBF)는 예측 성능에 어떤 영향을 미치며, 기본적으로 설정된 RBF 커널이 최적의 결과를 낳는가?
• RQ4 잔차에서 관찰된 예측 편향은 시장 효율성과 일치하는가, 아니면 주가 과정에 이용 가능한 비효율성이 존재하는지를 시사하는가?
• RQ5 랜덤 가중치 초기화를 반복한 훈련 실행을 통해 BP 신경망의 안정성이 실증적으로 검증될 수 있는가?

주요 결과

• BP 신경망은 모든 세 주식에서 가장 낮은 평균제곱오차(MSE)와 평균절대백분율오차(MAPE)를 기록하여, RBF, GRNN, SVMR, LS-SVMR을 일관되게 뛰어넘었다.
• 중국은행의 경우, BP는 MSE 0.009, MAPE 0.019를 기록하여 RBF(MSE: 0.010, MAPE: 0.020)와 RBF 커널을 사용한 SVMR(MSE: 0.012, MAPE: 0.023)보다 유의미하게 낮은 오차를 보였다.
• 반케에이의 경우, BP는 MSE 2.976, MAPE 0.049를 기록하여 RBF(MSE: 4.686, MAPE: 0.065)와 LS-SVMR(MSE: 5.472, MAPE: 0.072)를 압도했다.
• 케이취차오무타이의 경우, BP는 MSE 395.1, MAPE 0.026를 기록하여 GRNN(MSE: 1103.6, MAPE: 0.048)와 LS-SVMR(MSE: 405.5, MAPE: 0.027)를 앞섰다.
• 100회의 반복 실행 동안 BP 예측의 표준편차는 매우 낮았다(예: 중국은행의 MSE 기준 4.8×10⁻⁵), 이는 랜덤 가중치 초기화에도 불구하고 높은 안정성을 보임을 확인했다.
• 잔차 분석 결과 체계적인 음의 편향(평균 오차 eₜ < 0)이 관찰되어, 시장 효율성과 정면으로 배치되었으며, 주가 움직임에 예측 가능한 패턴이 존재함을 시사했다.