Charts are used for the investment decisions by visualizing the stock prices and trading volumes. From the charts, investors attempt to detect patterns which can help the prediction of future stock prices. Although the charts are useful the human's interpretation of charts tends to be subject, incomplete, inconsistent, and time consuming. To overcome such difficulties, we have developed a structural pattern recognition scheme. A pattern is represented by pattern primitives and compositional operators. A pattern primitive has several attributes that describe its characteristics. To determine pattern primitives, we have approached it in two ways, one is sensitivity analysis of the duration of the primitive and the other is using the genetic adaptive algorithms. We have set two compositional operators: CONC (concurrent composition) and SEQ (sequent composition). They synthesize primitives to constitute patterns on the time horizon. To synthesize reliable patterns, we have developed an inductive learning algorithm called SYNPLE which generates a set of patterns from the set of primitives with the highest performance within the constraints of syntactical grammars. Performance of a pattern is evaluated from the instances of the pattern. We used three charts in the experiment : the trend line of stock price, the moving average curve of stock price and the moving average curve of trading volume in daily base. The performance of rules generated by the inductive learning are evaluated and we have showed how much the performance is increased after the learning algorithm is applied to primitives. The difference of performance according to what primitive discovery methods - sensitivity of duration and genetic adaptive algorithm - are used is also evaluated.
주가분석에 있어서 차트는 주가와 거래량의 움직임을 그림으로 나타냄으로써 투자의사결정을 지원해 준다. 이 차트로 부터 투자자는 미래 주가예측에 도움을 줄 수 있는 패턴을 발견코자 한다. 비록 차트가 널리 쓰이고 있지만 사람이 차트를 보며 해석함은 매우 주관적이고 불완전하며 일관성을 유지하기가 힘들며 많은 시간을 소요하게 한다. 이러한 문제를 해결하고자 본 연구는 구조적 패턴 인식의 틀을 제시하였다. 이 틀에서는 하나의 패턴은 원시 패턴(Pattern primitive)과 결합자 (Compositonal operator)의 계층적 구조로써 표현된다. 즉 하나의 패턴은 결합자로 결합된 하위패턴으로 표현되며 하위 패턴은 그보다 더 하위패턴으로, 이렇게 하여 최종적으로 원시패턴의 결합으로 표현된다. 원시 패턴은 몇개의 속성(attribute)치 로써 자신의 특성을 나타낸다. 원시패턴을 결정하기 위해서 다음의 두가지 접근 방법을 취하였다.
(1) 원시 패턴을 구성하는 여타 속성은 특정값으로 미리 주어놓고, 지속기간이란 속성만 변화시키며 이의 미래주가와 관련한 상호관계의 민감성을 분석함으로써 결정하는 방법.
(2) Genetic Adaptive Algorithms 을 적용하여 모든 속성을 可變量으로 두고 원하는 성과를 내는 원시패턴을 찾아내는 방법.
위의 양자의 성과는 실험을 통한 분석으로 비교되었다. 특히 (1)의 방법을 이용할 때는 지속기간이 결정되지 않은 원시패턴 전단계의 형태를 패턴 요소라 하였다(Pattern element). 본 연구에서 다음의 3가지 차트가 이용되었으며 각각의 차트마다 패턴요소와 속성치를 정의하였다.
(1)일별 주가의 추세선, (2)일별 주가의 이동평균선, (3)일별 거래량의 이동평균선.
결합자로서는 동시결합자: CONC (concurrent composition) 와 순차결합자: SEQ (sequent compositon)를 고안했다. 이는 패턴이 시간의 흐름에 따라 형성되기 때문에 시간적 간격을 고려한 결합방법이다. 이들 결합자는 원시패턴을 결합하여 패턴을 형성시킨다. 이들 원시패턴과 패턴결합자로써 신뢰도 높은 패턴을 형성시키기 위해 하나의 歸納的 자동학습 알고리즘을 개발하였고 이를 SYNPLE 이라 하였다. 이는 構文的 문법의 제약하에서 주어진 원시패턴으로부터 가장 높은 성과를 가지는 패턴집합을 형성한다. 하나의 패턴의 성과는 그 패턴이 갖는 事例들로부터 평가된다.
위의 귀납적 자동학습에 의해 생성된 패턴에 관한 규칙의 성과를 실제 데이타를 통해 평가하였고 귀납적 자동학습을 적용하지 않은 원시패턴으로만 구성된 규칙의 성과보다 얼마나 그 성과가 증가되었는지를 실험하였다. 그리고 앞의 두가지 원시패턴 형성방법간의 성과를 비교하였다.
실험의 결과 SYNPLE 은 주어진 원시패턴으로 부터 매우 신뢰성 있는 패턴을 형성 시켰으며, 지속기간의 민감성을 분석함으로써 얻어지는 원시패턴들이 Genetic Adaptive Algorithm을 이용하여 발견된 원시패턴보다 훈련기간에 있어서는 서로 차이가 없으나 평가기간에 있어서 즉, 미래 주가를 실제 예측함에 있어서 더 나은 결과를 보였다. 이는 Genetic Adaptive Algorithm이 적용영역(Domain)에 관한 지식을 반영함이 없는 순수한 알고리즘이므로 주어진 훈련데이타에서는 성과를 나타내나 미래 주가예측으로 적용시킬 때는 아무래도 지속기간의 특성을 고려한 민감도분석 방법 - 이는 지속기간이 주가예측에 매우 의미있다는 가설에 근거함 - 보다는 그 성과가 떨어진다고 해석할 수 있다. 또한 Genetic Adaptive Algorithm 은 주어진 훈련 데이타에 과적합(Overfitness)을 추구하여 다른 새로운 데이타에는 오히려 적용력이 떨어지는 패턴을 만든다고도 해석할 수 있다.
