[논문 리뷰] The Comparison of Methods Artificial Neural Network with Linear Regression Using Specific Variables for Prediction Stock Price in Tehran Stock Exchange

Reza Gharoie Ahangar, Mahmood Yahyazadehfar외 1명|arXiv (Cornell University)|2010. 03. 07.

Stock Market Forecasting Methods참고 문헌 25인용 수 51

한 줄 요약

이 연구는 독립성분분석(ICA)을 통해 선별한 3개의 거시경제적 변수와 4개의 금융 변수를 사용하여 테헤란 주식거래소에서 주가를 예측하기 위해 일반화 회귀 신경망(GRNN)과 선형 회귀를 비교한다. GRNN 모델은 선형 회귀를 상당히 뛰어넘어 선택된 변수를 사용할 때 주가 예측의 정확성과 효율성에서 뛰어난 성능을 보였다.

ABSTRACT

In this paper, researchers estimated the stock price of activated companies in Tehran (Iran) stock exchange. It is used Linear Regression and Artificial Neural Network methods and compared these two methods. In Artificial Neural Network, of General Regression Neural Network method (GRNN) for architecture is used. In this paper, first, researchers considered 10 macro economic variables and 30 financial variables and then they obtained seven final variables including 3 macro economic variables and 4 financial variables to estimate the stock price using Independent components Analysis (ICA). So, we presented an equation for two methods and compared their results which shown that artificial neural network method is more efficient than linear regression method.

연구 동기 및 목표

• 테헤란 주식거래소에서 주가를 예측하는 데 있어 인공신경망(특히 GRNN)과 선형 회귀의 성능을 평가하고 비교하는 것.
• 독립성분분석(ICA)을 활용해 40개의 초기 변수(10개의 거시경제적 변수와 30개의 금융 변수)에서 차원을 감소시켜 가장 관련성이 높은 예측 변수를 식별하는 것.
• 선택된 변수를 사용하여 예측 모델을 개발하고 검증하여 예측 정확도를 향상시키는 것.
• 이ран 자본시장의 맥락에서 GRNN와 선형 회귀 중 어느 방법이 더 신뢰성 있고 효율적인 주가 예측을 제공하는지 규명하는 것.

제안 방법

• 연구는 주가 추정을 위한 초기 예측변수로 10개의 거시경제적 변수와 30개의 금융 변수를 사용한다.
• 40개의 초기 변수를 최종 7개의 핵심 예측변수(3개의 거시경제적 변수와 4개의 금융 변수)로 감소시키기 위해 독립성분분석(ICA)을 적용한다.
• 일반화 회귀 신경망(GRNN)을 사용한 하나의 예측 모델과 선형 회귀를 사용한 다른 모델을 개발한다.
• GRNN 모델은 선택된 7개의 변수를 사용하여 훈련되며, 복잡한 데이터 패턴을 위한 비선형 적합 능력을 활용한다.
• 선형 회귀는 동일한 감소된 변수 집합에 적용되어 비교를 위한 기준선을 설정한다.
• 표준 평가 지표를 사용하여 모델 성능을 평가하고 비교하며, GRNN가 뛰어난 결과를 보였다.

실험 결과

연구 질문

• RQ1 테헤란 주식거래소 맥락에서 GRNN와 선형 회귀 중 어느 방법이 더 정확한 주가 예측을 제공하는가?
• RQ2 40개의 초기 후보 변수 중에서 ICA를 사용하여 주가 예측에 가장 효과적인 7개의 변수 조합은 무엇인가?
• RQ3 GRNN의 비선형 모델링 능력은 선형 회귀의 선형 가정에 비해 주가 예측에서 어떻게 비교되는가?
• RQ4 ICA를 통한 변수 감소가 금융 예측 모델의 예측 정확도 향상에 어느 정도 기여하는가?
• RQ5 이란과 같은 신흥 시장에서 GRNN 모델은 선형 회귀에 비해 통계적으로 더 효율적인가?

주요 결과

• 동일한 7개의 선택된 변수를 사용할 때 GRNN 모델은 선형 회귀에 비해 상당히 높은 예측 정확도를 달성했다.
• 독립성분분석(ICA)을 활용해 초기 40개의 변수를 7개의 핵심 예측변수로 성공적으로 감소시켜 모델의 효율성을 향상시켰다.
• 최종 모델은 3개의 거시경제적 변수와 4개의 금융 변수를 포함하였으며, 이는 주가 예측에 가장 정보가 풍부한 변수로 확인되었다.
• GRNN 방법은 금융 시계열 데이터의 비선형 관계에 대해 더 뛰어난 강건성과 적응성을 보였다.
• 이 연구는 인공신경망, 특히 GRNN가 테헤란 주식거래소에서 주가 예측에 선형 회귀보다 더 효율적임을 결론지었다.
• 학술 논문의 정량적 결과에 따르면 GRNN는 예측 오차와 모델 적합도 측면에서 선형 회귀를 뛰어넘었지만, 요약문에는 정확한 오차 값은 기재되어 있지 않다.