[논문 리뷰] Using Deep Learning Neural Networks and Candlestick Chart Representation to Predict Stock Market

Rosdyana Mangir Irawan Kusuma, Trang-Thi Ho외 3명|arXiv (Cornell University)|2019. 02. 25.

Stock Market Forecasting Methods인용 수 24

한 줄 요약

이 논문은 주식 시장 시간 시리즈 데이터를 캔들스틱 차트 이미지로 변환하고, 컨volutional 신경망(CNN), 리스컬 네트워크(ResNet), VGG 유사 아키텍처를 사용하여 향후 가격 움직임을 예측하는 딥러닝 접근법을 제안한다. 이 방법은 대만 및 인도네시아 주식 데이터셋에서 각각 92.2% 및 92.1%의 정확도를 기록하여 기존 방법보다 정확도와 F-측도에서 뛰어난 성능을 보였다.

ABSTRACT

Stock market prediction is still a challenging problem because there are many factors effect to the stock market price such as company news and performance, industry performance, investor sentiment, social media sentiment and economic factors. This work explores the predictability in the stock market using Deep Convolutional Network and candlestick charts. The outcome is utilized to design a decision support framework that can be used by traders to provide suggested indications of future stock price direction. We perform this work using various types of neural networks like convolutional neural network, residual network and visual geometry group network. From stock market historical data, we converted it to candlestick charts. Finally, these candlestick charts will be feed as input for training a Convolutional Neural Network model. This Convolutional Neural Network model will help us to analyze the patterns inside the candlestick chart and predict the future movements of stock market. The effectiveness of our method is evaluated in stock market prediction with a promising results 92.2% and 92.1% accuracy for Taiwan and Indonesian stock market dataset respectively. The constructed model have been implemented as a web-based system freely available at http://140.138.155.216/deepcandle/ for predicting stock market using candlestick chart and deep learning neural networks.

연구 동기 및 목표

• 캔들스틱 차트의 시각적 패턴을 활용하여 주식 시장 예측 정확도를 향상시키는 것.
• 특히 CNN, ResNet, VGG를 포함한 딥 신경망의 이미지 기반 주가 방향 예측에 대한 효과성을 평가하는 것.
• 거래 기간 길이, 이미지 크기, 볼륨 데이터 포함 여부가 모델 성능에 미치는 영향을 조사하는 것.
• 학습된 모델을 활용하여 거래자용 공개 웹 기반 의사결정 지원 시스템을 개발하는 것.
• 정확도, F-측도, MCC와 같은 표준 지표를 사용하여 제안된 방법을 기존 접근법과 비교하는 것.

제안 방법

• 대만 및 인도네시아의 역사적 주식 데이터(시가, 고가, 저가, 종가, 거래량)를 컴퓨터 그래픽 기법을 사용하여 캔들스틱 차트 이미지로 변환하였다.
• 학습 및 평가를 위해 슬라이딩 윈도우 기법을 적용하여 다기능 시퀀스(1개월, 2개월, 3개월)를 생성하였다.
• 캔들스틱 이미지를 표준 CNN, ResNet, VGG 유사 아키텍처를 포함한 딥러닝 모델에 입력하여 공간적 패턴을 학습시켰다.
• 해상도가 성능에 미치는 영향을 평가하기 위해 50x50 픽셀과 20x20 픽셀의 두 가지 이미지 크기를 테스트하였다.
• 비교를 위해 전통적 기계학습 모델(RF, K-Nearest Neighbors)도 평가하였다.
• 최종 모델은 공개 접근이 가능한 웹 애플리케이션으로 배포되었으며, 실시간 예측을 위해 http://140.138.155.216/deepcandle/ 에서 이용할 수 있다.

실험 결과

연구 질문

• RQ1 딥 컨volution 신경망은 주식 시장 데이터의 캔들스틱 차트 이미지에서 예측 패턴을 효과적으로 학습할 수 있는가?
• RQ2 거래 기간 길이(1개월, 2개월, 3개월)가 모델의 예측 정확도에 어떤 영향을 미치는가?
• RQ3 캔들스틱 차트에 볼륨 데이터를 포함시키면 딥러닝 모델의 주가 방향 예측 성능이 향상되는가?
• RQ4 Patel(2015), Khaidem 등, Zhang(2018)과 같은 기존 접근법과 비교했을 때, 제안된 방법은 정확도와 F-측도에서 어떻게 성과를 내는가?
• RQ5 이 모델을 활용한 웹 기반 시스템은 거래자에게 실용적이고 사용자 친화적인 주식 시장 예측을 제공할 수 있는가?

주요 결과

• 제안된 방법은 대만 주식 시장 데이터셋에서 92.2%의 정확도, 인도네시아 데이터셋에서 92.1%의 정확도를 기록하여 기존 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 3개월 거래 기간을 사용한 모델이 민감도, 특이도, 정확도, 매튜스 상관계수(MCC) 등 모든 지표에서 최고의 성능을 보였다.
• 캔들스틱 차트에 볼륨 정보를 추가해도 모델 성능에 유의미한 향상이 없었으며, 이는 볼륨 없이도 시각적 패턴만으로도 높은 정확도를 달성할 수 있음을 시사한다.
• Patel의 방법보다 모델이 뛰어난 성능을 보였으며, S&P BSE 센섹스 지수에서는 97.2%의 정확도를 기록하여 Patel의 89.84%를 초월했고, 릴라이언스 인더스트리즈 주식에서는 93.9%의 정확도를 기록하여 Patel의 92.22%를 뛰어넘었다.
• 소셜 미디어 및 뉴스 기반 감성 분석을 사용한 Zhang의 방법과 비교했을 때, 제안된 모델은 92.6%의 정확도를 기록하여 Zhang의 61.7%를 뛰어넘어 열등한 성능을 보였다.
• 웹 기반 시스템인 DeepCandle(http://140.138.155.216/deepcandle/)는 성공적으로 구현되어 실시간 예측을 위한 공개 접근이 가능해졌다.