[논문 리뷰] Stock Volatility Prediction Using Recurrent Neural Networks with Sentiment Analysis

Yifan Liu, Zengchang Qin외 2명|arXiv (Cornell University)|2017. 05. 06.

Stock Market Forecasting Methods참고 문헌 13인용 수 8

한 줄 요약

이 논문은 중국 주식 포럼 게시물에서 유도된 감성 지표를 통합한 하이브리드 순환 신경망(RNN) 모델을 제안하여 중국 주식 시장에서 주가 변동성 예측을 향상시키는 것을 목적으로 한다. 영역 특화 감성 사전를 구축하고 감성 점수를 시장 데이터와 융합함으로써, RNN 단독 모델 대비 유의미하게 높은 정확도를 달성하였으며, 주식 000573에서 최대 69.85%의 정확도를 기록하였다. 이는 재무 포럼에서 유도된 감성이 예측 성능 향상에 기여함을 시사한다.

ABSTRACT

In this paper, we propose a model to analyze sentiment of online stock forum and use the information to predict the stock volatility in the Chinese market. We have labeled the sentiment of the online financial posts and make the dataset public available for research. By generating a sentimental dictionary based on financial terms, we develop a model to compute the sentimental score of each online post related to a particular stock. Such sentimental information is represented by two sentiment indicators, which are fused to market data for stock volatility prediction by using the Recurrent Neural Networks (RNNs). Empirical study shows that, comparing to using RNN only, the model performs significantly better with sentimental indicators.

연구 동기 및 목표

• 중국 주식 포럼에서의 투자자 감성과 주식 시장 변동성 간의 상관관계를 조사하는 것.
• 일반 목적의 감성 사전가 투자자 감성 분석에 적합하지 않은 점을 해결하기 위해 중국 금융 게시물에 특화된 감성 사전를 개발하는 것.
• 감성 지표와 시장 데이터를 융합한 하이브리드 RNN 모델을 개발하고, 변동성 예측 성능 향상을 평가하는 것.
• 감성 분석 및 변동성 예측 연구를 위한 공개 가능한 수작업 레이블링된 중국 금융 포럼 게시물 데이터셋을 제작하고 공개하는 것.

제안 방법

• 감성 사전는 중국 금융 포럼 게시물의 수작업 레이블링된 데이터셋을 기반으로 기계학습을 통해 생성되었으며, 금융 용어와 투자자 감성에 특화되어 있다.
• 학습된 사전를 사용하여 각 게시물의 감성 점수를 계산함으로써, 긍정 감성 강도와 부정 감성 강도의 두 가지 감성 지표를 생성한다.
• 감성 지표는 이전 시장 가격 데이터(예: k일 윈도우 기간 동안의 수익률)와 융합되어 RNN 모델의 다중 모odal 입력을 구성한다.
• RNN 모델은 통합된 입력을 기반으로 향후 주가 변동성을 예측하도록 훈련되며, 예측 과제는 변동성 증가 또는 감소를 이진 분류 문제로 설정한다.
• 모델 성능은 테스트 세트에서의 정확도를 사용하여 평가되었으며, 봉우리 윈도우 길이(k)에 대한 초모수 튜닝이 수행되었고, RNN, MLP, SVM 등의 베이스라인 모델과의 결과를 비교하였다.
• 과적합 또는 무작위 성능 변동의 위험을 줄이기 위해 50회 반복 교차검증 절차를 적용하였다.

실험 결과

연구 질문

• RQ1 중국 금융 포럼 게시물에서 추출한 감성은 주가 변동성 예측 모델의 정확도 향상에 기여하는가?
• RQ2 투자자 논의에서 유도된 감성 지표를 통합한 RNN 모델의 성능은 어떻게 변화하는가?
• RQ3 변동성 예측에 있어 감성 및 가격 데이터를 통합하는 데 최적의 이전 기간 윈도우 길이(k)는 얼마인가?
• RQ4 금융 맥락 분석에서 일반 목적의 감성 어휘집에 비해 영역 특화 감성 사전가 얼마나 뛰어난 성능을 보이는가?
• RQ5 공개 가능한 수작업 레이블링된 중국 금융 포럼 게시물 데이터셋은 향후 감성 기반 주가 예측 연구의 기준 성능 측정에 활용될 수 있는가?

주요 결과

• 감성 지표를 통합한 RNN 모델(RNN+EMM)은 주식 000573에서 69.85%의 예측 정확도를 기록하였으며, RNN 단독 모델의 57.33%보다 유의미하게 높은 성능을 보였다.
• 평균적으로 감성 지표의 통합은 10개의 테스트 주식에서 약 4%의 정확도 향상을 가져왔으며, 10개 주식 중 8개에서 RNN 기준 모델 대비 성능 향상을 확인하였다.
• 변동성 예측에 최적의 봉우리 윈도우 길이(k)는 주식에 따라 달라졌으며, k=10~15 범위에서 가장 좋은 결과를 보였고, 000573의 최적 k는 12였다.
• RNN+EMM 모델은 MLP 및 SVM 등의 다른 기준 모델보다 뛰어난 성능을 보였으며, 평균 정확도는 65.49%였고, RNN 단독 모델의 61.62%보다 높았다.
• 훈련 기간 동안 포럼 논의가 더 활발했던 주식, 예를 들어 000573에서 모델의 성능이 가장 높았으며, 이는 데이터 품질과 양이 모델 효과성에 영향을 미칠 수 있음을 시사한다.
• 본 연구는 감성 기반 금융 예측 연구를 위한 재현성과 기준 성능 측정을 가능하게 하기 위해 1,000건의 중국 금융 포럼 게시물로 구성된 공개 수작업 레이블링 데이터셋을 공개하였다.