During the past 30 years, many studies have witnessed the predictability of stock price in market. With the great breakthroughs known as AI (Artificial Intelligence), frontiers who search for the consolidation between stock market and AI, make a continuous efforts to accomplish their ultimate aims. Given that traditional methods are placed under unrealistic assumption, unquestionably AI technologies such as Neural Network may lead current stock market to more efficient and systematic as well as profitable one with great sudden spurts.
The supplementary indicator ISI(Industry Stock Index) is used to analyze the current state of particular industry in the stock market. With a view to play a role of benchmark, more accurate ISI is desirable. As to Korea stock market undergoing a differentiation on the basis of industry sectors, the prediction of ISI functions as a good benchmark for stock selection and an alternatives for portfolio construction.
Setting our research aim to the prediction for the directions of next month ISI, we performed conceptual grouping a factors influencing ISI as macroeconomic, industry, Intermarket, and derived factors by economic aspect. we extracted significant input variables for the developed model from these factors: simple time series model, Intermarket, and composite model for each industry.
With different input variables, each model was experimented by the three layered feedforward Neural Network. Equipped with global strategies which vary in progress of learning, we obtained the results of best models for Construction and Banking respectively.
For CISI, the best network yielded the 80% accuracy(hit ratio), while BISI didn*t get a good performance with no significant difference between models by (66%).
As an initial step for performance evaluation, the results show the NN outperform Multiple Regression for both accuracy(80% vs 63%) and learning capability (correlation coefficient is 0.94 vs 0.48) for construction.
In the second step, we compared the cumulative rate of returns generated from buying and selling simulation. As the results of simulation, show the fairly plausible profit: NN(112%), Buy-and-Hold(24%), and MLR(19%).
In summary, we found indirectly that industry effects on banking is less than those of construction industry. The results assured one again that NN is a better tool for ISI prediction than linear statistical methods for our case.
90년대에 한국 주식시장의 특징은 실물 경기의 양극화에 따른 업종간 주가 차별화 현상이다. 일반 투자자가 산업별로 구분되어 가중-합계로 개별 주식들을 지수화하여 산출된 산업별 주가 지수를 지표로 활용하여 유망 업종 선택 및 개별 종목 선택을 실시한다면 효율적인 분석및 투자 전략을 구사 할 수 있을 것이다.
본 연구는 장기적인 경기 예측 후 유망종목 선정코자 증권 분석시 유망산업 선정을 위한 산업 분석을 산업별 주가 지수 예측을 통해 업종 선정을 효율적으로 지원코자 하는 연구 배경에서 비롯 되었다. 또한 차별화 된 산업을 분석하고 주가지수를 통해 등락을 예측하여 개별 종목 선정에서 초과 수익 획득 기회를 제공하는 종목 선정의 지침을 제시하는 것이다.
산업 선택은 주식시장에서 산업 내 개별 주식간의 동질적인 움직임 정도, 제조업과 서비스업 특성 고려, 베타의 안정성, 시장에서 구성 종목 수, 종합주가지수와의 연동성 등을 고려하여 건설업과 은행업을 선정하였다. 주가지수에 영향을 주는 요인을 거시 경제요인, 주식장요인, 산업요인, 시장요인의 파생변수등의 성격 등으로 대 분류하여 요인 규명화 및 개념적으로 그룹화하여 실시 하였다. 선정된 산업별로 데이타 획득 가능성, 실무 이용 빈도등을 고려하여 모델별로 입력 변수를 선정하여 각 산업별로 요인 모델 이론에 근거하여 단순 시계열 모델, 시장변수 모델, 복합 모델등으로 구분하여 건설업은 1980년 부터 1992년 까지, 은행 85년 부터 93년 까지의 과거 자료를 설정된 인공 신경 망을 통해 학습 하였다. 동일한 방법으로 학습된 신경망을 이용하여 건설업은 1993년 부터 1995년 6월 까지, 은행업은 94년 부터 95년 6월까지의 예측 데이타를 이용하여 방향을 맞추는 정확도를 평가 하였다. 예측 결과 건설업에서는 복합모델이 다음 달 월 평균 주가 지수의 등락을 80%(25/30),은행업에서는 66%(12/18)의 예측 성과를 보여 주고 있다. 모델 별 분석에서는 건설업에서는 복합모델이 월등한 예측력을 보여 준 반면, 은행업에서는 시계열 모델과 유의한 차이를 보여 주고 있지 못했다.
방법론의 차이에 따른 성과를 평가 하기 위해 인공 신경 망과 단순 회귀 분석을 통한 예측 방법의 결과의 예측력을 비교한 결과 건설업에서는 80% 대 63%, 은행업에서는 66%대 50%의 예측력을 각각 보여 주었다. 주가 예측 모델의 실제적 Trading측면을 고려한 성과비교를 위해 Buy & Selling Simulation을 실시하여 누적 수익률 계산한 결과 건설업에서는 신경망, 회귀분석 그리고 매입/보유 전략이 각각, 112%, 19%, 그리고 24%의 성과를 보인 반면, 은행업에서는 14%, -4% 그리고 -12%의 성과를 보여 주었다. 결론적으로 산업및 거시경제변수를 추가하여 예측을 실시한 결과 산업별로 건설업의 경우 복합모델이 성과가 좋았으나, 은행업에서는 각 모델별 유의적인 차이가 없었다. 산업별 주가지수의 예측모델의 설정을 위해서는 산업별 특성의 주식시장과 연계정도, 실물경제와 주식시장과의 밀착도, 정량적 데이타에 대한 의존 정도, 이익 창출과정에서의 산업 연관성등을 고려한 모델 개발이 중요하다고 할 수 있겠다.
