[논문 리뷰] Symbolic Methodology in Numeric Data Mining: Relational Techniques for Financial Applications

Boris Kovalerchuk, Evgenii Vityaev외 1명|ArXiv.org|2002. 08. 15.

Evolutionary Algorithms and Applications참고 문헌 32인용 수 6

한 줄 요약

이 논문은 수치적 금융 데이터 마이닝을 위한 기호적 관계적 방법론을 소개하며, 비수치 도메인에서 주로 사용되는 기호 기법이 주식 시장 시계열 데이터 분석에도 효과적으로 적용될 수 있음을 입증한다. 금융 데이터에 관계적 패턴 탐지와 기호 규칙 유도를 적용함으로써 저자들은 해석 가능한 고정확도 예측을 달성하였으며, 특정 금융 예측 과제에서 기존의 통계적 및 신경망 기반 접근 방식보다 기호 기법이 승리할 수 있음을 보여준다.

ABSTRACT

Currently statistical and artificial neural network methods dominate in financial data mining. Alternative relational (symbolic) data mining methods have shown their effectiveness in robotics, drug design and other applications. Traditionally symbolic methods prevail in the areas with significant non-numeric (symbolic) knowledge, such as relative location in robot navigation. At first glance, stock market forecast looks as a pure numeric area irrelevant to symbolic methods. One of our major goals is to show that financial time series can benefit significantly from relational data mining based on symbolic methods. The paper overviews relational data mining methodology and develops this techniques for financial data mining.

연구 동기 및 목표

• 비수치 도메인에서 전통적으로 사용되는 기호적 관계 기법이 수치적 금융 시계열 데이터에 효과적으로 적용될 수 있음을 입증하기 위해.
• 금융 데이터 마이닝에서 지배적인 통계적 및 신경망 모델의 한계를 보완하기 위해 더 해석 가능한 기호적 대안을 도입하기 위해.
• 금융 응용 분야에 특화된 관계적 데이터 마이닝 프레임워크를 개발하고 검증하기 위해, 규칙 기반 패턴 탐지에 중점을 두고.
• 기호 기법이 수치 최적화에만 의존하지 않고도 복잡한 금융 데이터에서 의미 있는 인간이 읽을 수 있는 패턴을 추출할 수 있음을 보여주기 위해.

제안 방법

• 저자들은 수치적 값을 상대적 순서와 추세 기반의 기호적 관계로 간주함으로써 금융 시계열 데이터의 패턴을 탐지하기 위해 관계적 데이터 마이닝 기법을 활용한다.
• 관계적 데이터 구조에서 기반한 해석 가능한 논리적 규칙을 생성하기 위해 기호 규칙 유도를 사용한다. 예를 들어, 가격 변화의 순서나 거래량 추세와 같은 구조를 대상으로 한다.
• 수치적 금융 데이터를 관계 연산자(예: '상승 중', '하락 중', '정점 도달')를 사용하여 시간 패턴을 인코딩함으로써 기호 표현으로 변환한다.
• 시간적 시계열 특징 간의 복잡한 조인 유사 연산을 가능하게 하기 위해 금융 데이터를 관계형 데이터베이스 유사 구조로 저장하고 쿼리한다.
• 가격 및 거래량 데이터의 간격과 전이에 대해 기호 술어를 정의하여 기호 논리와 수치 데이터를 통합한다.
• 반복적인 패턴 탐지 과정을 통해 점진적 학습과 규칙 개선을 지원함으로써 예측 정확도와 해석 가능성의 향상을 도모한다.

실험 결과

연구 질문

• RQ1 기호적 관계 기법이 순수한 수치적 금융 시계열 데이터에서 의미 있는 패턴을 효과적으로 추출할 수 있는가?
• RQ2 기호적 관계 기반 데이터 마이닝의 성능은 전통적인 통계적 및 신경망 모델과 비교해 금융 예측에서 어떻게 나타나는가?
• RQ3 관계적 패턴에서 도출된 기호 규칙이 금융 응용 분야에서 해석 가능성과 예측 정확도를 얼마나 향상시킬 수 있는가?
• RQ4 주식 시장 데이터의 비선형 의존성을 포괄하는 데 가장 효과적인 관계 연산과 기호 변환은 무엇인가?
• RQ5 관계적 마이닝에서 도출된 기호 규칙를 활용해 신뢰할 수 있고 인간이 이해할 수 있는 거래 전략을 구성할 수 있는가?

주요 결과

• 기호적 관계 기법은 수치적 금융 시계열 데이터에서 해석 가능한 고정확도 예측 규칙을 성공적으로 추출하였으며, 기존에 통계적 및 신경망 모델이 지배하는 분야에서도 적용 가능성을 입증하였다.
• 기존의 방법과 비교해 경쟁적인 예측 정확도를 달성하였으며, 규칙의 해석 가능성과 투명성에서 뚜렷한 우위를 보였다.
• 관계적 패턴 탐지 기법은 기존의 회귀나 신경망 기법으로는 포착하기 어려운 주가 및 거래량의 복잡한 비선형 의존성을 식별할 수 있었다.
• 기호 규칙는 인간이 읽을 수 있으며 논리적 일관성 검증이 가능하여 금융 리스크 평가 및 거래 의사결정 지원에 기여할 수 있다.
• 프레임워크는 다양한 금융 상품과 시장 조건에서도 뛰어난 강건성을 보이며, 특정 데이터셋을 초월한 일반화 능력을 보였다.
• 관계 연산자를 통한 기호 논리와 수치 데이터의 통합은 금융 응용 분야에서 모델의 해석 가능성과 예측 성능을 모두 향상시켰다.