Statistical techniques and software learning methods have been used extensively to understand financial market behavior. Numerous studies reveal that each of these techniques can provide good results. However, an integrated methodology combining several multivariate techniques may offer even better performance.
To explore this conjecture, a variety of integrated strategies and predictive methods were considered in forecasting 10-year Treasury notes. The preprocessing methods were as follows: straightforward standardization of input data, reduction of input variables by stepwise regression and factor analysis, selection of input variables' lags by diagonal correlation analysis.
The results in this study show that the neural network is not significantly more accurate than the linear regression for the data sets employed. The model using differenced data has significantly better results than other models.
Among neural network models, the model using differenced data is significantly better than one which simply employs standardized data. The model using factored data also performs somewhat better than that using standardized data, although the difference is not statistically significant. Moreover, the neural network model employing the integrated procedure outperforms the neural network working in isolation.
통계적 기법과 소프트웨어에 의한 학습 방법이 재무 분야의 시장 특성을 밝히는데 사용되고 있으나 이들 기법들을 선택적으로 결합한 방법이 더 나은 결과를 얻을 수 있을 것으로 예상된다. 여기에서는 두 가지 경우의 결합 방식을 제시하고 이 결합 방식을 제시하고 이 결합 방식을 따르는 다수 개의 비교모형들을 설계한 후 사례 분석을 통하여 그 결과들을 비교하였다.
이 연구에서는 미 재무성이 발행하는 10년 만기 국채(10-year Treasury notes)의 이자율을 예측하는 사례를 대상으로 선정하고 이 예측을 위한 설명 변수로 연방 기금 이자율(federal funds rate) 등 7개의 재무 및 경제 변수들을 사용하였다. 예측 결과는 RSME (Root Mean Squares of Errors)를 단위로 사용하여 그 수치를 비교하였다.
여기에서 제시된 두 가지 결합 방식 중 첫째 방식에서는 설명 변수들의 차원 (dimensionality)을 줄이는 요인 분석(factor analysis)이 다중 회귀분석 (multiple regression)과 인공 신경망(neural network)에 결합되었고 둘째 방식에는 데이타의 정상성(stationarity)을 확보하기 위한 차분화(differencing) 과정과 변수들 간의 상관관계가 높은 차수(time lages)를 선정하기 위한 교차상관 분석(diagonal correlation analysis) 등이 다중 회귀분석(multiple regression)과 인공 신경망(Neural network)에 결합되었다.
사례 분석 결과 둘째 결합 방식의 예측 모델들이 예측 에러(RMSE)가 가장 작았으며 이는 입력 변수의 정상성에 기인한 것으로 추정된다. 전체적으로 인공 신경망 모형이 다중 회귀분석 모형보다 좋은 결과를 보이지 않는데 이는 학습 단계(learning phase) 에서의 데이타 수가 충분히 크지 않았던 것으로 추정되며 인공 신경망 모형들만의 비교에서는 결합 방식을 택한 모형이 단독 인공 신경망 보다 예측 성능이 더 양호함을 알 수 있다.
