[논문 리뷰] Technical Analysis on Financial Forecasting

S. Gopal Krishna Patro, Pragyan Parimita Sahoo외 2명|arXiv (Cornell University)|2015. 03. 10.

Stock Market Forecasting Methods참고 문헌 7인용 수 7

한 줄 요약

이 논문은 BSE_SENSEX 지수 움직임을 예측하기 위해 인공신경망(ANN) 학습을 향상시키기 위해 입자군집최적화(PSO)를 사용하는 하이브리드 금융 예측 모델을 제안한다. PSO의 전역 탐색 능력을 활용해 ANN 가중치를 최적화함으로써, 기존 방법에 비해 예측 정확도가 향상되며, 노이즈가 많고 비선형적인 금융 데이터에서 PSO의 효과성을 입증한다.

ABSTRACT

Financial forecasting is an estimation of future financial outcomes for a company, industry, country using historical internal accounting and sales data. We may predict the future outcome of BSE_SENSEX practically by some soft computing techniques and can also optimized using PSO (Particle Swarm Optimization), EA (Evolutionary Algorithm) or DEA (Differential Evolutionary Algorithm) etc. PSO is a biologically inspired computational search & optimization method developed in 1995 by Dr. Eberhart and Dr. Kennedy based on the social behaviors of fish schooling or birds flocking. PSO is a promising method to train Artificial Neural Network (ANN). It is easy to implement then Genetic Algorithm except few parameters are adjusted. PSO is a random & pattern search technique based on populating of particle. In PSO, the particles are having some position and velocity in the search space. Two terms are used in PSO one is Local Best and another one is Global Best. To optimize problems that are like Irregular, Noisy, Change over time, Static etc. PSO uses a classic optimization method such as Gradient Decent & Quasi-Newton Methods. The observation and review of few related studies in the last few years, focusing on function of PSO, modification of PSO and operation that have implemented using PSO like function optimization, ANN Training & Fuzzy Control etc. Differential Evolution is an efficient EA technique for optimization of numerical problems, financial problems etc. PSO technique is introduced due to the swarming behavior of animals which is the collective behavior of similar size that aggregates together.

연구 동기 및 목표

• 부드러운 계산 기법을 활용해 BSE_SENSEX와 같은 주식시장 지수의 금융 예측 정확도를 향상시키는 것.
• 예측 작업에서 비선형성, 노이즈, 시간에 따라 변화하는 금융 데이터의 과제를 다루는 것.
• PSO를 통해 ANN 학습을 최적화하여 기울기 기반 방법에 대한 의존도를 줄이고 수렴성을 향상시키는 것.
• 다른 진화 알고리즘인 유전자 알고리즘(GA)과 차별화된 방법으로 PSO의 성능을 평가하는 것.

제안 방법

• 금융 예측을 위해 인공신경망(ANN)을 학습시키기 위해 입자군집최적화(PSO)를 전역 최적화 기법으로 활용한다.
• 역사적 회계 및 销매 데이터를 입력 특징으로 사용하여 금융 시계열 데이터를 모델링한다.
• PSO에서 각 입자를 검색 공간 내 위치와 속도를 가진 후보 해로 표현한다.
• 각 입자의 국소 최적값(pBest)과 전역 최적값(gBest)을 이용해 ANN의 최적 가중치 구성으로 입자 갱신을 이끌어낸다.
• 적합도 평가 기반으로 반복적으로 ANN 가중치를 조정함으로써 예측 오차를 최소화하기 위해 PSO를 적용한다.
• 다른 메타휴리스틱 기법인 유전자 알고리즘(GA)과 유사한 방법으로 PSO의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 PSO는 비선형성과 노이즈가 많은 환경에서 금융 예측을 위한 ANN 가중치 최적화에 효과적으로 작용할 수 있는가?
• RQ2 PSO 기반 ANN 학습은 기존 기울기 기반 방법에 비해 BSE_SENSEX 지수 움직임 예측에서 어떻게 비교되는가?
• RQ3 PSO는 금융 예측 과제에서 DE 및 GA와 같은 다른 메타휴리스틱 기법에 비해 어떤 성능을 보이는가?
• RQ4 PSO는 비정규적 또는 시간에 따라 변화하는 금융 데이터에서 예측 정확도를 얼마나 향상시키는가?
• RQ5 PSO는 실시간 금융 예측 응용 프로그램에 효율적으로 구현될 수 있는가?

주요 결과

• PSO는 기존 기울기 기반 방법에 비해 금융 데이터 학습을 위한 ANN 학습에서 더 뛰어난 수렴성과 최적화 능력을 보여준다.
• 하이브리드 PSO-ANN 모델은 기준 모델에 비해 BSE_SENSEX 지수 움직임 예측 정확도가 향상된다.
• PSO는 유전자 알고리즘(GA)에 비해 더 적은 파rameter를 필요로 하며, 더 쉽게 구현 가능하므로 금융 예측에 더 실용적이다.
• 연구는 PSO가 노이즈가 많고 비정규적인 금융 시계열 데이터를 다루는 데 효과적임을 확인한다.
• 차별화된 진화 알고리즘(DE)과 다른 진화 알고리즘은 타당한 대안로 확인되었지만, 시험된 맥락에서 PSO가 더 뛰어난 성능을 보였다.
• PSO와 ANN의 통합은 정적 및 동적 금융 예측 시나리오 모두에서 강력한 최적화를 가능하게 한다.