Recently, artificial intelligence (AI) is popularly applied to the problems of finance such as stock market prediction, bankruptcy prediction, and corporate bond rating. In particular, several studies on stock market prediction using AI techniques have been executed during the past decade. The reason is that it can model nonlinear relationships among financial variables.
Some of them, however, did not provide outstanding prediction accuracy partly because of the tremendous noise and complex dimensionality in stock market data. The noise and complex dimensionality can be reduced through proper preprocessing. In addition, sometimes the amount of data is so large that the learning of patterns may not work well. Another reason of this inconsistent and unpredictable performance of prior research may be problems associated with the ad hoc nature for designing AI techniques.
First, this study proposes feature transformation approaches using domain knowledge and genetic algorithms (GAs) to mitigate the limitations of prior research. Proposed approaches produce significantly better performance than conventional approaches.
Second, this study proposes simultaneous optimization approaches using the GA for AI techniques. Prior research has used global or local search algorithms to optimize architectural factors in AI techniques, but they included only a part of these factors in their consideration. If these factors are considered separately, global optimization is achieved in part, but may lead to locally optimized solutions as a whole. However, if these factors are simultaneously considered, the performance may be enhanced because it will cause the optimization of all factors in a synergistic way then it may lead global optimization as a whole. Experimental results show that the GA approaches to simultaneous optimization of AI techniques are viable alternative approaches for stock market prediction.
Third, this study proposes the rough set approaches and the GA as methods of detecting relevant and profitable patterns in the stock market. Experimental results show that they produce significantly higher profit than the "buy and hold strategy" for both the modeling and the validation period.
Fourth, this study proposes intelligent systems and Web agents for stock market analysis. This study investigates ways to make use of rich online information in predicting financial markets. Unlike numerical data, non-numerical data contains not only the events but also why they happen. Experimental results show that exploiting non-numerical data from the Web, especially in addition to numerical data, increases the quality of the input.
인공지능은 변수들 간의 비선형 관계를 모형화할 수 있기에 주식시장예측, 부도예측, 채권등급평가 등의 재무문제에 활발하게 적용되어 왔다. 특히 지난 10여 년 동안 인공지능기법을 이용한 주식시장예측에 관한 많은 연구가 진행되어 왔다. 그러나, 그들 중 일부는 주식시장 자료의 심각한 잡음과 복잡한 차원으로 인하여 탁월한 예측성과를 나타내지 못했다. 이는 대부분의 선행연구가 자료 전처리의 중요성을 간과해 온 때문이다. 더욱이, 종종 막대한 자료의 양으로 인하여 패턴의 학습이 잘 이루어 지지 않는 경우도 있다. 인공지능기법의 설계 상의 임의성도 또 다른 이유이다.
첫째, 본 연구는 특정분야의 지식과 유전자 알고리즘을 이용한 특성변환 접근법을 제안한다. 특성변환은 탐색공간 내의 차원을 감소시켜 인공지능기법의 작동시간과 비용을 감소시킬 뿐만 아니라 인공지능기법의 일반화 능력을 향상시킨다. 제안된 접근법은 주가지수 예측에 있어서 전통적인 접근법에 비해 유의적으로 우월한 성과를 나타냈다.
둘째, 본 연구는 인공지능기법을 위해 유전자 알고리즘에 의한 동시최적화 접근법을 제안한다. 선행연구에서는 전역 또는 국부탐색기법을 이용하여 인공지능기법의 구조요인들을 최적화하려 하였으나, 그들은 일부 요인들만을 고려하였다. 구조요인들이 개별적으로 최적화되면 부분적으로는 전역 최적화가 이루어 질 수 있으나 전체적으로는 국부 최적화 빠질 수 있다. 그러나, 이러한 요인들이 동시적으로 고려된다면 제 요인이 상승효과를 내며 전역 최적화를 달성할 수 있기에 성과는 제고될 것이다. 실험 결과, 유전자 알고리즘에 의한 동시최적화 접근법은 유용한 것으로 나타났다.
셋째, 본 연구는 주식시장에서의 유의하고 유용한 패턴을 포착하기 위한 러프집합 접근법과 유전자 알고리즘을 제안한다. 실험 결과, 이 방법들은 모형화 기간과 검증용 기간 동안 "구입 후 보유 전략"보다 높은 수익을 얻을 수 있는 것으로 나타났다. 이러한 결과는 러프집합 접근법과 유전자 알고리즘이 효과적으로 유의하고 유용한 자료들을 포착하는 동시에 잡음이 심한 자료들을 제거한 것에 기인한 것이다.
넷째, 본 연구는 재무예측에 막대한 실시간 정보를 적용하기 위한 지능형 시스템과 웹 에이전트를 제안한다. 정량적인 자료와 달리, 비정량 자료에는 결과 뿐만 아니라 그 원인까지도 포함되어 있다. 실험 결과, 웹으로부터의 비정량적 정보가 정량적 자료와 결합됨으로써 입력자료의 품질을 향상시키는 것으로 나타났다.
