Over the past decade, statistical techniques, expert systems and software learning techniques have been heavily used in the field of financial market prediction using technical analysis. These researches are in support of the assumption that technical analysis is indeed useful, and that equity returns can be predicted from past returns. Nowadays, more complicated forms of data analysis with use of artificial intelligence such as data mining, cased based reasoning, artificial neural networks, pattern matching and genetic algorithms are being explored and used in trading systems for both technical and fundamental analysis. The evaluation of such artificial trading systems are normally based on their returns. Specifically, a simple 1-point buy sell strategy is normally used in the evaluation of the performance. However, the use of predictions of the future as the soul indicator to buy or sell stocks has limitations that performance rendered shows abnormally high deviations in returns for different stocks which is mainly because of the differences in the behavior of the under-lying stock price movements for each and every stock.
In this study, we present a new approach that can produce improved performance for artificial equity trading systems. We adopted a heuristics approach based on dynamic algorithms and developed a Buy Sell Strategic Module that uses predictions of the future to generate buy and sell signals for the artificial equity trading system.
We have shown that by using our Buy Sell Indicator, incrementing the accuracy of the prediction renders increasingly augmenting returns with acceptable deviations for different stocks used in the simulation. We have also shown that using a strategy module in artificial trading systems, even with less accurate predictions of the future, reasonable returns can be earned. Finally, we have classified our empirical test results (expected returns) by stocks and by prediction errors (accuracy). This can provide a milestone for researches on stock price predictions where researchers can now be free from designing and developing complex trading systems that go with their specific prediction engines.
기술적 분석을 통한 주식 시장의 예측을 위해 통게적 방식들, 전문가 시스템 및 소프트웨어 학습 방식들이 최근들어 많이 사용되고 있다. 오늘날, 인공지능 기법들을 이용한 CBR, 인공 신경망, 패턴 인식, 퍼지 논리, 그리고 유전자 알고리즘 방식들이 주식 매도/매수의 결정을 돕는 의사 결정 시스템에 많이 사용되고 있다. 이러한 주식 매도/매수 인공 거래 시스템의 평가는 일반적으로 수익률으로서 이루어진다. 그리고, 평가에는 일반적으로 1-포인트 매도/매수 전략이 사용된다. 본 연구에서는 주식 매도/매수의 결정에 미래에 대한 예측 만을 사용하는데에는 한계가 있음을 보였다. 즉, 미래의 예측만으로 주식의 매도 매수를 결정하는데에는 사용되는 각 각의 다른 주식에 따라 수익률에 많은 편차가 있으며 이러한 시스템의 사용에는 불규칙적인 기대수익률이 가장 큰 제한임을 보였다.
본 논문에서는 인공 주식 거래 시스템의 성능 향상을 가져다 주는 새로운 접근 방법을 제안한다. 본 논문에서는 동적 알고리즘과 휴리스틱의 사용을 기반한 미래의 예측을 사용하여 주식 매도/매수 전략을 생성하는 주식 매도/매수 전략 생성 모듈을 개발했다.
이러한 매도/매수 전략 모듈을 인공 주식 거래 시스템에 사용함으로써 증가되는 예측률에 높아지는 기대 수익률이 있음을 보였고, 사용된 각 주식에 따른 기대 수익률들에 대한 차이가 현저하게 낮아졌다는 것을 보였다. 마지막으로, 본 연구에서의 시뮬레이션 결과들을(기대 수익률)주식별, 예측 오차별로 분류하였고 예측 모듈과 전략 모듈을 기능적으로 나눔으로써 인공 주식 거래 시스템에 관한 연구에는 오직 예측에 관한 연구나 매도/매수 전략 생성에 관한 연구에만 집중할 수 있도록 하였다.
