To an increasing extent over the past decade, software learning methods including neural networks and case based reasoning have been used for prediction in financial markets and other areas. A systematic approach to knowledge discovery for business cycle forecasting or stock price index must be able to accommodate disparate types of information. In the past, the prediction of financial variables has tended to focus on isolated techniques. Examples lie in models such as regression techniques and Box-Jenkins methods as well as autoregressive conditional heteroscedastic (ARCH) model.
Experience with artificial intelligence applications since the early 1980s points toward a multistrategy approach to discovery and prediction. In particular, statistical methods such as factor analysis may be used for exploratory analysis to determine the most salient characteristics behind financial market behavior. The results of such analysis may be used as input into a learning system using implicit knowledge representation (neural network) and case based reasoning. These ideas are presented in the context of a predictive system for a leading indicator of Korea in case study. The results demonstrate the utility of integrating statistical and learning methods for financial forecasting.
This study also examines the use of the probabilistic neural network for forecasting a stock price index. By far the most popular type of neural network has been backpropagation. However the advantages of other learning techniques such as the swift response of the probabilistic neural network (PNN) suggests the desirability of adapting other models to the predictive function. A novel architecture lies in an array of PNN models to provide graded forecast of multiple discrete values.
This thesis presents a comparative evaluation of various learning models. The concepts are investigated against the backdrop of practical applications involving the prediction of a business cycle indicator and a stock market index.
신경망과 사례기반추론을 포함한 소프트웨어에 의한 학습방법들이 과거 10년 이래로 활발히 재무 분야의 예측에 사용되고 있다. 경기순환이나 주가예측을 위한 지식발견이라는 체계적인 접근방법으로 지금까지와는 새로운 각도로 정보를 제공해줄 수 있다. 과거에는 재무변수의 예측을 위하여 다중회귀식, 박스-젠킨스의 시계열분석방법, 그리고 최근들어서 ARCH류의 모델들이 사용되어왔다.
1980년 이후 인공지능의 응용분야의 활성으로 예측분야에 있어서 다전략 지식발견 방법의 적용을 가능하게 되었다. 특히 요인분석과 같은 통계적인 방법이 재무시장의 행태 이면의 가장 두드러진 성격을 결정하는 탐색분석을 위하여 사용될 수 있다. 이러한 분석의 결과는 내재된 지식 표현 (neural network) 과 사례기반 추론을 이용한 학습시스템의 투입변수로 이용될 수 있다. 이러한 개념은 이 논문의 사례연구로 한국의 선행지수예측을 위한 예측시스템의 맥락에서 보여주고 있다. 그 결과는 재무예측을 위하여 통계적인 기법과 학습방법의 통합에 대한 유용성을 보여준다.
지금까지 재무예측등에 주로 Backpropagation neural network (BPN) 방식에 의존해왔었는데, 이 연구에서는 Probabilistic neural network (PNN) 같은 신속한 학습방법이 예측모델로 적용될 수 있다는 것을 시사해 주고 있다. 불행히도 전통적인 Probabilistic neural network은 Yes or No; Up or Down 등으로만 예측 결과를 보여준다.
이러한 한계점은 다단계 이산값의 등급별 예측을 사용하여 보완할 수 있다. 더 자세히 말하면 이러한 접근은 기본적인 Probabilistic neural network의 배열을 포함하는 bipolar 구성방식을 뜻한다. 이 연구에서는 몇가지 내부관련된 주제를 다루었다. (1) 배열 확률 신경망 (Arrayed probabilistic neural network, APN)을 사용한 등급별 예측 구조의 소개 (2) Default 예측에 대한 학습시스템의 정확도를 mistake 차트의 사용 (3) 몇가지 Backpropagation neural network 과 Recurrent neural network, APN, PNN 그리고 사례기반 추론방법들과의 평가 등을 보여주고 있다.
이러한 개념들을 가지고 실제 주가지수의 예측에 적용했는데, 연구 결과 배열 확률 신경망 (Arrayed probabilistic neural network) 모델이 Recurrent neural network 보다 좋은 결과를 보여주었다. 그러나 mistakes 까지 고려했을 때는 사례기반 추론 방법이 여타의 모델보다 좋은 결과를 보여주었다. 앞으로 이러한 방법을 토대로 기간산업, 제조업, 그리고 서비스 산업간을 구별하는 다분야 (multisector) 모델을 만듦으로 좀 더 세부적인 예측에 이용될 수 있는 가능성을 보여주고 있다.
