News-based stock price forecasting is an interesting subject in both text mining, stock prediction, and machine learning. Until recently, many studies have been conducted. As the prediction of industry-level stock prices helps portfolio composition and investment analysis, the goal of this study is to improve the accuracy of the text-based stock prediction by using the industry common dictionary and individual company dictionary. However, in previous research, it was difficult to create the industry common dictionary by making noise against companies that are the opposite of industrial characteristics when making the industrial common dictionary. Therefore, we built the industry representative dictionary by using Blue chip stocks and then obtained better results of the prediction accuracy using a model learned by the industry representative dictionary with the individual company dictionary. In this paper, we suggest a method for predicting small and medium - sized stocks and theme stocks which are generally not mentioned in the news. Finally, our paper enables industry-specific stock forecasting analysis through news. There will be an enhancement for stock prediction, which integrated this method with other algorithms to analyze by industry. I would like to contribute to the development of stock price prediction by industry through news.
뉴스 기반 주가 예측은 텍스트 마이닝 분야, 주가 예측 분야 그리고 머신러닝 학습 분야에서 모두 관심이 있는 연구 주제이며 최근까지 많은 연구가 시행되고 있다. 산업별 주가 예측이 포트폴리오 구성 및 투자 분석에 도움이 되듯이, 텍스트 기반 주가 예측도 산업 공통 사전과 개별 기업 사전을 활용하여 그 정확도를 높이는 것을 본 연구의 목표로 삼았다. 그러나 기존 연구에서는 산업 공통 사전을 만들 때, 산업 특성과 반대되는 기업들이 노이즈를 일으켜 산업 공통 사전을 만들기 어려웠다. 이를 대표 우량 기업만으로 산업 대표 사전을 만들고, 개별 기업 사전과 결합하여 모델 학습을 시킨 결과, 기존 개별 기업 사전 하나만을 활용한 예측 정확도 보다 더 나은 결과를 확인할 수 있었다. 본 연구에서는, 일반적으로 뉴스에 많이 언급이 되지 않는 중소형주, 테마주에 대하여도 예측할 수 있는 방안을 제시하였다. 마지막으로, 뉴스를 통한 산업별 주식 예측 분석을 가능하게 하여, 산업별 주가예측하는 타 알고리즘과 연계 및 고도화가 가능하다. 본 학위논문을 통하여 뉴스를 통한 산업별 주가 예측의 발전에 이바지 하고자 한다.
