This paper proposed a two stage forecasting model which incorporates parametric techniques such as autoregressive integrated moving average(ARIMA), vector autoregressive(VAR) and co-integration technique, with nonparametric techniques such as support vector machine(SVM), and artificial neural netrworks(ANN). It predicted the exchange rate using artificial neural networks and SVM. Their perforamance was compared with the prediction performance of discriminant analysis and logit, called statistical techniques. For the comparison of performance among each models, KRW/Dollar rates are utilized to experiments and the results are tested using two different criteria : forecast accuracy and profitability in spot market speculation. The results show that the SVM and ANN technique outperforms the statistical analysis methods, so It could br concluded that the machine learning techniques are useful to forecast exchange rates.
본 논문은 시계열 분석과 인공지능학습 모형을 활용하여 환율예측을 하고자 하였다. 최초 ARIMA 기법과 VAR 기법을 활용하여 입력변수가될 환율변수를 선정하고, 이후 예측하고자 하는 원달러 환율변수와 선정된 입력변수들을 인공지능 모형에 학습시켜 진단하고 예측하도록 설정되어있다. 본 논문에서는 인공지능 모형인 인공신경망이나, SVM 방법을 활용한 예측방법이 기존의 통계적 분석 기법인 판별함수나 로지스틱 회귀를 활용한 예측방법보다 나은 성능을 보여주었음을 확인 할 수 있었다. 각 모형에 대한 평가는 의사결정에 따른 투자시도시 얻게되는 수익률과, 모형의 예측력 과 예측력의 지속성여부 등으로 판단한다.
추가적인 연구로 각 인공지능 모형의 합성을 시도하였는데 이는 우수한 예측력을 가진 인공지능 모형들의 의사결정을 Voting하면 좀더 나은 예측이 가능하지 않을까 하는 아이디어로 부터 시작했다. SVM과 ANN의 예측력을 기반으로 Voting을 합성하는 모형은 가시적으로는 수익률과, 예측력면에서 소폭 향상을 보였다. 그러나 통계적으로 유의미한 수준의 결과는 아니었고, 오히려 예측력의 지속성을 나타내는 100일간 예측력의 표준편차는 오히려 증가하여 불안정한 모습을 보였다. 또한 Voting 방법에서 활용한 Penalty의 개념에서 Penalty를 어느정도로 할 것인가에 대한 연구가 부족해, 실험을 통해 예측력을 향상시킬 수도 있다는 정도의 결론을 내리는 것으로 만족해야 할 것 같다.
