[논문 리뷰] Turnover Prediction Of Shares using Data Mining techniques : A Case Study

D. S. Shashaank, V Sruthi외 2명|arXiv (Cornell University)|2015. 08. 01.

Stock Market Forecasting Methods참고 문헌 3인용 수 3

한 줄 요약

이 연구는 역사적 시장 데이터를 활용하여 매일의 주식 회전율을 예측하기 위한 데이터 마이닝 접근법을 제안한다. R에서 Boruta를 통한 특성 선택과 분류 모델(랜덤 포레스트, 서포트 벡터 머신, 결정 트리, 다항 회귀)을 적용하여 95%의 예측 정확도를 달성하였으며, 이는 주식 거래량에 영향을 주는 핵심 시장 특성들을 규명하고 회전율 예측에 매우 효과적임을 보여준다.

ABSTRACT

Predicting the turnover of a company in the ever fluctuating Stock market has always proved to be a precarious situation and most certainly a difficult task in hand. Data mining is a well-known sphere of Computer Science that aims on extracting meaningful information from large databases. However, despite the existence of many algorithms for the purpose of predicting the future trends, their efficiency is questionable as their predictions suffer from a high error rate. The objective of this paper is to investigate various classification algorithms to predict the turnover of different companies based on the Stock price. The authorized dataset for predicting the turnover was taken from www.bsc.com and included the stock market values of various companies over the past 10 years. The algorithms were investigated using the "R" tool. The feature selection algorithm, Boruta, was run on this dataset to extract the important and influential features for classification. With these extracted features, the Total Turnover of the company was predicted using various classification algorithms like Random Forest, Decision Tree, SVM and Multinomial Regression. This prediction mechanism was implemented to predict the turnover of a company on an everyday basis and hence could help navigate through dubious stock market trades. An accuracy rate of 95% was achieved by the above prediction process. Moreover, the importance of stock market attributes was established as well.

연구 동기 및 목표

• 변동성이 높은 시장에서 전통적 방법이 높은 오차율을 보이는 상황에서 주식 회전율을 예측하는 데 도전한다.
• 역사적 주가 데이터 기반으로 일일 회전율을 예측하는 데 있어 여러 분류 알고리즘의 성능을 평가한다.
• 엄격한 특성 선택을 통해 주식 회전율에 가장 영향을 주는 시장 특성들을 규명한다.
• 불확실한 주식 시장에서 투자 결정을 안내하기 위한 실용적인 일일 예측 시스템을 개발한다.
• 10년간의 데이터셋을 활용한 데이터 마이닝 기법을 통해 높은 예측 정확도를 달성한다.

제안 방법

• 연구는 공공 자료에서 확보한 10년간의 주식 시장 가치 데이터셋을 활용하여 예측 모델을 훈련하고 테스트한다.
• Boruta는 데이터셋에서 가장 관련성 있고 영향력 있는 특성들을 식별하기 위해 적용된 특성 선택 알고리즘이다.
• 선택된 특성들을 사용하여 랜덤 포레스트, 결정 트리, 서포트 벡터 머신, 다항 회귀의 네 가지 분류 알고리즘을 훈련하고 평가한다.
• 모든 모델은 통계 계산 및 데이터 분석을 위한 R 프로그래밍 언어를 사용하여 구현되고 상호 비교된다.
• 예측 작업은 높은 정밀도로 일일 회전율 수준을 예측하기 위해 분류 문제로 설정된다.
• 모델 성능은 정확도 기반으로 평가되었으며, 최고 성능을 보인 모델은 95%의 정확도를 기록했다.

실험 결과

연구 질문

• RQ1 역사적 시장 데이터를 기반으로 하여 어떤 분류 알고리즘이 일일 주식 회전율 예측에 가장 잘 수행되는가?
• RQ2 데이터에 따르면 주식 회전율을 결정하는 데 가장 영향력 있는 시장 특성들은 무엇인가?
• RQ3 Boruta를 통한 특성 선택이 회전율 예측 모델의 정확도를 향상시킬 수 있는가?
• RQ4 데이터 마이닝 기법을 통해 주식 회전율 예측 오차는 어느 정도 감소할 수 있는가?
• RQ5 표준 기계학습 도구를 사용하여 일일 회전율 예측 시스템을 효과적으로 구축할 수 있는가?

주요 결과

• 제안된 방법은 95%의 예측 정확도를 달성하여 일일 주식 회전율 예측에서 뛰어난 성능을 보였다.
• 랜덤 포레스트, 서포트 벡터 머신, 결정 트리, 다항 회귀 모두 높은 예측 능력을 보였으며, 최고의 모델은 95%의 정확도를 기록했다.
• Boruta 알고리즘이 가장 관련성 있는 특성들을 성공적으로 식별하여 모델의 해석 가능성과 성능을 향상시켰다.
• 주식 가격, 거래량, 시가총액과 같은 핵심 시장 특성들이 회전율 예측에 매우 영향을 주는 것으로 밝혀졌다.
• 이 연구는 데이터 마이닝 기법이 금융 예측 과제에서 예측 오차를 상당히 감소시킬 수 있음을 확인했다.
• 이 프레임워크는 일일 회전율 예측을 가능하게 하여 불확실한 주식 시장 조건을 대비한 실용적 유용성을 제공한다.