메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
허진원 (전남대학교) 고광이 (전남대학교) 백장선 (전남대학교)
저널정보
한국데이터정보과학회 한국데이터정보과학회지 한국데이터정보과학회지 제33권 제4호
발행연도
2022.7
수록면
601 - 614 (14page)
DOI
10.7465/jkdi.2022.33.4.601

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
현대 자료분석에서는 정보의 가용성을 극대화하기 위하여 대단위의 다차원 배열 형태인 텐서 (tensor) 자료를 통계모형에 종종 활용한다. 이러한 텐서 자료를 활용하고자 할 때 기존의 방법에서는 텐서를 고차원 벡터로 변환하여 이용한다. 그러나 이러한 방식은 다차원 배열 변수들의 상호관계적 특성을 통계모형에 그대로 반영할 수 없기 때문에 성능이 떨어질 수 있으며 차원의 저주 문제가 발생하기 쉽다. 본 논문에서는 고차원 텐서자료를 벡터로의 변환없이 회귀 모형에 적용하여 변수들의 상호관계적 특성을 반영하고 회귀 계수에 대한 규제를 통하여 불필요한 설명변수를 줄일 수 있는 텐서 회귀모형을 제안한다. 일정 기간 동안의 과거 KOSPI 및 기술적 지표 자료를 수집하고 텐서 데이터를 생성하여 이를 텐서 회귀모형에 적용하여 단기 미래 KOSPI를 예측한다. 설명변수는 2007년 1월부터 2020년 8월까지의 KOSPI의 상위 20개 종목과 해외 지수 (NIKKEI, NASDAQ, S&P500)에 대한 기술적 지표이며, 종속변수는 향후 5일과 10일 동안의 KOSPI지수의 평균값이다. 텐서 회귀 기법과 다양한 머신러닝 분석기법 (SVM, ANN, Lasso Regression)을 적용하여 기준일 이후 5일과 10일 동안의 평균 KOSPI를 예측하였고 이들의 MSE와 등락예측성능 (Accuracy, Precision, Recall, F1-Score)을 비교하였다. 실험 결과 텐서 회귀의 MSE와 등락예측성능이 기존 기계학습 방법보다 우수한 성능을 보였다.

목차

요약
1. 서론
2. 기계학습 모형과 텐서 회귀모형
3. 자료구성 및 분석방법
4. 분석 결과
5. 결론
References
Abstract

참고문헌 (0)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2022-041-001619139