With the advent of the big data era, artificial intelligence technology is rapidly developing, and efforts to apply it to the financial industry are increasing. However, existing studies to introduce artificial intelligence into the financial industry have mainly focused on the development of artificial intelligence algorithms, and research on the nature of the financial system, complex systems, is insufficient. Therefore, this dissertation proposes a methodology that utilizes the complex system of the financial system and grafts it with the AI methodology. Specifically, in the first essay, the causal relationship of stock prices is identified using the complex system theory, a network is created based on this, and stock prices are predicted using media information (online news). This essay proves that the method using the network has higher performance than simply predicting stock prices using the media information of each company. In the second essay, the causal relationship of stock prices is identified using the complex system theory, a network is created by removing the noise of stock prices, and global financial indices are predicted by deep learning with this technical analysis. This essay proves that predicting financial indices based on the generated network shows higher predictive power than existing studies. In the third essay, the default risk is predicted through the production network (SCM) by changing the existing complex system theory, and the default risk of each company is predicted through financial statements using artificial intelligence methodology. In this essay, a method to integrate the two methods was proposed, which showed high accuracy, precision, and recall compared to the existing methods. This thesis not only contributes academically in that it grafts artificial intelligence and complex system theory to the financial industry but is also practical in terms of developing an algorithm that can be applied in the financial industry by checking the results based on real data.
빅데이터 시대에 도래하면서 인공지능 기술이 급격하게 발전하고, 이를 금융 업계에 적용하려는 노력은 점점 증가하고 있다. 하지만, 기존에 인공지능을 금융 업계에 도입하려는 연구들은 주로 인공지능 알고리즘 발전에 집중해오면서, 금융 시스템이 가지는 복잡계라는 영역에 관한 연구는 미비한 실정이다. 이에 본 학위논문은 금융 시스템이 가지는 복잡계라는 특성을 활용하여 인공지능 방법론과 접목하는 방법론을 제안한다. 구체적으로, 첫 번째 에세이에서는 복잡계 이론을 이용해 주가의 인과관계를 파악하여, 이를 기반으로 네트워크를 생성하고, 미디어 정보(온라인 뉴스)로 주가를 예측한다. 본 에세이에서는 단순히 각 회사의 미디어 정보를 이용하여 주가를 예측하는 것 보다, 네트워크를 이용한 방법이 더 높은 성능을 낸다는 것을 입증한다. 두 번째 에세이에서는 복잡계 이론을 이용해 주가의 인과관계를 파악하고, 주가의 노이즈를 제거하여 네트워크를 생성하여, 이와 기술적 분석으로 딥러닝으로 글로벌 금융 지수들을 예측한다. 본 에세이에서는 생성된 네트워크를 기반으로 금융 지수를 예측하는 것이 기존 연구들보다 더 높은 수치의 예측력을 보여준다는 것을 입증한다. 세 번째 에세이에서는 기존 복잡계 이론을 변경하여 생산 네트워크 (SCM)을 통해 부도 위험성이 전파되는 것을 예측하고, 인공지능 방법론으로 각 회사가 가지는 부도 위험성을 재무제표를 통해 예측한다. 본 에세이에서는 두 가지 방법을 통합시키는 법을 제안하였고, 이는 기존에 사용되던 방법들에 비해 높은 정확도, 정밀도, 및 재현율을 보였다. 본 학위논문은 금융 업계에 인공지능과 복잡계 이론을 접목한다는 점에서 학문적으로 이바지할 뿐만 아니라, 실제 데이터를 기반으로 결과를 확인하여 금융 산업계에서 적용할 수 있는 알고리즘을 개발하였다는 측면에서 실용적으로도 활용 가치가 높다.
