머신 러닝 기반 소셜 빅데이터 분석을 이용한 금융자산 트레이딩 모델의 성능 향상에 관한 연구 = A Study on Improving Financial Asset Trading Model Using Social Big Data Analysis Based on Machine Learning

국문 초록 (Abstract)

머신 러닝 기반 소셜 빅데이터 분석을 이용한 금융자산 트레이딩 모델의 성능향상에 관한 연구는 기존 연구들에 근간하여 사회를 구성하는 구성원들의 집단감성이 주가에 영향을 미친다는 가정하에서 출발했다. 최근 소셜 데이터가 양적인 측면에서 기하급수적으로 증가함에 따라 실시간으로 변화하는 사회구성원의 집단감성의 대표성을 갖게 되었다. 최근의 연구에 따르면, 인간의 의사결정이 이성과 깊은 성찰로부터 기인하기보다는 감성이 더 깊이 관여한다고 진단하고, 이러한 의사결정 모형을 경제사회로 확장시켜 Socio-economics라 명명한 바 있다. 본 연구는 시가총액이 한국 전체 주식시장의 70%를 차지하는 KOSPI200을 대상으로 한다. 본 모델은 자연언어처리를 이용하여 소셜 빅데이터로부터 주가의 전망과 관련성이 깊은 감성데이터를 추출한다. 머신 러닝을 활용해 각 기업의 Fundamental Ratio와 Technical Indicators, 소셜 감성데이터 등을 러닝하여 주식 시장을 전망한다. 현재 주요 펀드들의 운용에는 여러 시장 지표 데이터들이 활용되지만, 일반적으로는 펀드매니저 개개인의 지식과 경험을 활용한 통찰이 펀드의 운용에 결정적인 영향을 미친다. 본 모델에서는 사람의 개입 없이 머신 러닝을 통해 발굴된 종목들을 기반으로 포트폴리오를 형성한다. 이번 연구를 통해 소셜 빅데이터 분석을 이용한 머신 러닝 기반의 로보 트레이딩이 특정 기간 동안 한국의 주식시장에서 실제 시장지표 대비 높은 수익률을 보임을 확인했다.

다국어 초록 (Multilingual Abstract)

This research aims to improve the performance of machine learning based on financial trading model applying social big data analysis. Based on the existing studies, it started from the assumption that collective emotions of society members have an impact on stock prices. As social data has been rapidly increasing to the extant that it can be called as `big data`, it could represent the real time flow of emotion from society members. According to recent studies, it is evident that people`s decisions result from neither rationality nor considerate introspection but emotion. This kind of decision making model has been ex-tended to economics which was named as `Socio-economics`. This study is conducted with KOSPI200 which occupies 70% of total Korea stock market capitalization. This model uses Natural Language Processing it extract emotion data closely related to stock prediction from social big data. It utilizes machine learning to learn fundamental ratio and social emotion data together with technical indicators of each company. On the current market, various indices are referred in managing major funds. However, it usually depends more on insights and knowledge of individual fund managers. In this study, portfolios are formulated based on confirmed stock items from machine learning without human intervention. Through this research, we proved machine learning based robot trading applying social big data analysis outperform higher than actual Korean stock market indices in a certain era.

참고문헌 (Reference)

1 김유신, "뉴스와 주가 : 빅데이터 감성분석을 통한 지능형 투자의사결정모형" 한국지능정보시스템학회 18 (18): 143-156, 2012

2 김상환, "공분산행렬 추정방법과 공매도제한 제약의 자산배분성과에 대한 영향분석" 한국증권학회 43 (43): 705-729, 2014

3 Bollen, J., "Twitter Mood Predicts the Stock Market" 2 (2): 1-8, 2011

4 Evry, "The New Wave of Artificial Intelligence"

5 Vapnik, V., "The Nature of Statistical Learning Theory" Springer Verlag 1995

6 Cao, L. J., "Support vector machine experts for time series forecasting" 51 : 321-339, 2003

7 김선웅, "Support Vector Machines와 유전자 알고리즘을 이용한 지능형 트레이딩 시스템 개발" 한국지능정보시스템학회 16 (16): 71-92, 2010

8 Chen, R., "Sentiment Analysis of Twitter Feeds for the Prediction of Stock Market Movement" Stanford University 2011

9 Balvers, R., "Mean Reversion across National Stock Markets and Parametric Contrarian Investment Strategies" 55 (55): 745-772, 2000

10 Fabre, J., "Liquidity Surrounding Sell-Side Equity Analyst Recommendation Revisions on the Australian Securities Exchange" University of Sydney 2007

11 Li, H., "Investing in Talents: Manager Characteristics and Hedge Fund Performances" 46 (46): 59-82, 2011

12 Bollen, J., "Determining the public mood state by analysis of microblogging posts" 2010

13 Gibbons, J.D., "Comparisons of the Mann-Whitney, Student’s, and Alternate t Tests for Means of Normal Distributions" 59 (59): 258-267, 1991

14 Cao, L. J., "Combining KPCA with Support Vector machine for Time Series Forecasting" 325-329, 2003

15 Sigman, K., "Capital Asset Pricing Model" Columbia University 2005