Heuristic Long-term Stock Prediction using Deep Learning

doi:10.22716/sckt.2024.12.4.016

All Issue

2024 Vol.12, Issue 4 Preview Page Next Page

Research Article

Heuristic Long-term Stock Prediction using Deep Learning 딥러닝을 이용한 휴리스틱 장기 주가 예측: Taedong Han¹
한태동¹; ¹Associate Professor, Division of Business administration, Seokyeong University

¹서경대학교 경영학부 부교수

31 December 2024. pp. 207-217

PDF

Abstract

최근 딥러닝 기술을 이용한 주가 예측에 관한 연구가 활발하게 진행되고 있으며 결과는 높은 예측 정확도를 보여준다. 하지만 대부분의 연구가 주로 훈련 데이터에 대한 슬라이딩 윈도우 기법을 이용한 점 기반 예측(point-based forecasting) 결과이기 때문에 미래 데이터가 없는 장기 예측은 불가능하다. 불확실한 미래에 대한 주가의 장기 예측은 매우 어려운 상황에서 본 연구는 예측 오차를 기반으로 딥러닝의 변곡점 탐색 범위를 조정하거나 수작업으로 추가/삭제하여 예측 오차를 개선하는 장기 예측을 위한 휴리스틱 접근법을 제시한다. 장기 예측은 예측 시점부터 어느 정도의 시간이 지나야 예측 주가의 방향성과 추세를 확인할 수 있기 때문에 실제 주가와 예측 주가의 갭이 벌어지는 시점에 대한 기준을 설정하여 변곡점의 수정을 포함한 반복적인 재예측으로 예측 주가의 추세를 유지하고자 한다. 정확한 예측을 위하여 다변량 예측 실험도 하였는데, 미래의 데이터가 존재하지 않는 상태에서 장기 예측을 위한 장기 예측이 중첩되며 예측력이 약한 것으로 나타났다.

Recent research on stock price prediction using deep learning techniques has been actively conducted, showing high prediction accuracy. However, most studies rely on point-based forecasting results utilizing sliding window techniques on training data, making long-term predictions without future data impossible. In the challenging context of predicting long-term stock prices under uncertain future conditions, this study proposes a heuristic approach aimed at improving long-term prediction accuracy. The method adjusts the trend inflection point exploration range of deep learning models based on prediction errors or manually adds/deletes trend inflection points to refine predictions. Long-term predictions require a certain amount of time after the prediction point to confirm the direction and trend of the forecasted stock price. Therefore, this study establishes criteria for identifying the points where the gap between actual and predicted stock prices widens. It then maintains the trend of predicted stock prices through iterative re-predictions, including modifications to inflection points. To achieve accurate predictions, multivariate prediction experiments were also conducted. However, it was found that overlapping long-term predictions without future data resulted in reduced effectiveness.

Keywords

Deep learning

Long-term stock prediction

Time series forecasting

NeuralProphet

Trend inflection point

References

O. Triebe, H. Hewamalage, P. Pilyugina, N. Laptev, C. Bergmeir, and R. Rajagopal, "NeuralProphet: Explainable Forecasting at Scale", arXiv:2111.15397v1 [cs.LG] 29 Nov 2021.
J. Jung, and J. Kim, "A performance analysis by adjusting learning methods in stock price prediction model using LSTM", Journal of Digital Convergence, Vol. 18, No. 11, pp. 259-266, 2020.
I. Joo, and S. Choi, " Stock prediction model based on bidirectional LSTM recurrent neural network", Journal of Korea Institute of Information, Electronics, and Communication Technology, Vol. 11, No.2 , pp. 204-208, 2018.
H. Niu, K. Xu, and W. Wang, "A hybrid stock price index forecasting model based on variational mode decomposition and LSTM network", Applied Intelligence, Vol. 50, No. 12, pp. 4296-4309, 2020.
10.1007/s10489-020-01814-0
Y. Baek, and H. Kim, "ModAugNet: A new forecasting framework for stock market index value with an overfitting prevention LSTM module and a prediction LSTM module", Expert Systems with Applications, Vol. 113, pp. 457-480, 2018.
10.1016/j.eswa.2018.07.019
배진수, 김성범, "머신러닝과 딥러닝 기반의 코로나 신규 확진자 추세 예측", 대한산업공확회 추계학술대회 논문집, pp. 3675-3685, 2020.
정연지, 엄명진, 김민기, "시계열 분석 및 딥러닝 기법을 활용한 월강수량 예측 비교", 대한토목학회 정기학술대회, pp. 157-158, 2023.
Y. Lee, K. Ko, D. Hwang, S. Lee, and J. Cho, "A study on the prediction model of chicken price using a multi-variable LSTM deep learning network", The Journal of Korean Institute of Communications and Information Sciences, Vol. 47, No. 12, pp. 2058-2064, 2022.
10.7840/kics.2022.47.12.2058
이지연, 임종태, 유재수, "해상기상부이 데이터를 이용한 딥러닝 기반 해상풍력단지 충력 발전량 예측", 한국콘텐츠학회 논문지, 제23권 2-5호, pp. 14-29, 2023.
10.5392/JKCA.2023.23.05.014
Y. Kim, and H. Kim, "Stock index probabilistic distribution forecasting using a diffusion model to reflect the volarity of long-term sequences", Journal of Knowledge Information Technology and Systems, Vol. 18, No. 1, pp. 141-155, 2023.
D. Salinas, V. Flunkert, and J. GasThaus, "DeepAR: Probabilistic forecasting with autoregressive recurrent networks, Internal Journal of Forecasting, Vol. 36, No. 3, pp. 1181-1191, 2020.
10.1016/j.ijforecast.2019.07.001
K. Rasul, A. Sheikh, I. Schuster, and U. Bergmann, "Multivariate probabilistic time series forecasting via conditional normalizing flows", arXiv:2002.06103, 2020.
E. Bang, H. Byun, and J. Cho, "Stock price prediction improvement algorithm using long-short term ensemble and chart images: Focusing on the petrochemical industry", Journal of Korea Multimedia Society, Vol. 25, No. 2, pp. 157-165, 2022.
한창진, "주가 방향성의 다중 시점 예측을 위한 해석 가능한 Transformer 모델 연구", 서울대학교 대학원 공학석사학위논문, 2021.
주승세, 전서영, 권성수, 한유진, 이종혁, 배지훈, "주가 예측을 위한 다중추세 앙상블 모델", 한국정보기술학회 하계 종합학술대회, pp. 432-434, 2023.
오유진, 김유섭, "2단계 하이브리드 주가 예측 모델 : 공적분 검정과 인공 신경망", 정보처리학회논문지 B, 제14-B권 제7호, pp.531-540, 2007.
10.3745/KIPSTB.2007.14-B.7.531
랜덤워크, https://www.moef.go.kr/sisa/dictionary/detail?idx=959, 기획재정부.
A. Lo, and A. Mackinlay, "A Non-Random Walk Down Wall Street", Princeton University Press, 2002.
H. Lee, M. Son, B. Hwang, G. Youn, and S. Jeon, "Deep learning based subsidiary stock price fluctuation forecast using parent company news sensitivity", Proceedings of KIIT Conference, pp. 749-752, 2022.
J. Campbell, S. Grossman, and J. Wang, "Trading volume and serial correlation in stock returns", Quarterly Journal of Economics, Vol. 108, No. 4, pp. 905-939, 1993.
10.2307/2118454
L. Blume, D. Easley, and M. O'hara, "Market statistics and technical analysis: The role of volume", Journal of Finance, Vol. 49, No. 1, pp. 153-181, 1994.
10.1111/j.1540-6261.1994.tb04424.x
A. Gallant, P. Rossi, and G. Tauchen, "Stock prices and volume", Review of Financial Studies, Vol. 5, No. 2, pp. 199-242, 1992.
10.1093/rfs/5.2.199
H. Lee, N. Hong, and T. Lee, "Comparison of prediction for multivariate time series between LSTM and VARX", Journal of Korean Data Information Science Society, Vol. 33, No. 1, pp. 35-47, 2022.
10.7465/jkdi.2022.33.1.35
양유모, "개입시계열과 인공신경망을 이용한 예측성과 비교연구 : KOSPI200 주가지수를 중심으로", 연세대학교 대학원 석사학위 논문, 2003.
이서연, "미국 및 아시아 주요국가의 주가지수를 통한 다변량 시계열 모형의 KOSPI 지수 예측력 비교", 중앙대학교 대학원 석사학위 논문, 2011.

Information

Publisher :The Society of Convergence Knowledge
Publisher(Ko) :융복합지식학회
Journal Title :The Society of Convergence Knowledge Transactions
Journal Title(Ko) :융복합지식학회논문지
Volume : 12
No :4
Pages :207-217
DOI :https://doi.org/10.22716/sckt.2024.12.4.016

[1] O. Triebe, H. Hewamalage, P. Pilyugina, N. Laptev, C. Bergmeir, and R. Rajagopal, "NeuralProphet: Explainable Forecasting at Scale", arXiv:2111.15397v1 [cs.LG] 29 Nov 2021.

[2] J. Jung, and J. Kim, "A performance analysis by adjusting learning methods in stock price prediction model using LSTM", Journal of Digital Convergence, Vol. 18, No. 11, pp. 259-266, 2020.

[3] I. Joo, and S. Choi, " Stock prediction model based on bidirectional LSTM recurrent neural network", Journal of Korea Institute of Information, Electronics, and Communication Technology, Vol. 11, No.2 , pp. 204-208, 2018.

[4] H. Niu, K. Xu, and W. Wang, "A hybrid stock price index forecasting model based on variational mode decomposition and LSTM network", Applied Intelligence, Vol. 50, No. 12, pp. 4296-4309, 2020.
10.1007/s10489-020-01814-0

[5] Y. Baek, and H. Kim, "ModAugNet: A new forecasting framework for stock market index value with an overfitting prevention LSTM module and a prediction LSTM module", Expert Systems with Applications, Vol. 113, pp. 457-480, 2018.
10.1016/j.eswa.2018.07.019

[6] 배진수, 김성범, "머신러닝과 딥러닝 기반의 코로나 신규 확진자 추세 예측", 대한산업공확회 추계학술대회 논문집, pp. 3675-3685, 2020.

[7] 정연지, 엄명진, 김민기, "시계열 분석 및 딥러닝 기법을 활용한 월강수량 예측 비교", 대한토목학회 정기학술대회, pp. 157-158, 2023.

[8] Y. Lee, K. Ko, D. Hwang, S. Lee, and J. Cho, "A study on the prediction model of chicken price using a multi-variable LSTM deep learning network", The Journal of Korean Institute of Communications and Information Sciences, Vol. 47, No. 12, pp. 2058-2064, 2022.
10.7840/kics.2022.47.12.2058

[9] 이지연, 임종태, 유재수, "해상기상부이 데이터를 이용한 딥러닝 기반 해상풍력단지 충력 발전량 예측", 한국콘텐츠학회 논문지, 제23권 2-5호, pp. 14-29, 2023.
10.5392/JKCA.2023.23.05.014

[10] Y. Kim, and H. Kim, "Stock index probabilistic distribution forecasting using a diffusion model to reflect the volarity of long-term sequences", Journal of Knowledge Information Technology and Systems, Vol. 18, No. 1, pp. 141-155, 2023.

[11] D. Salinas, V. Flunkert, and J. GasThaus, "DeepAR: Probabilistic forecasting with autoregressive recurrent networks, Internal Journal of Forecasting, Vol. 36, No. 3, pp. 1181-1191, 2020.
10.1016/j.ijforecast.2019.07.001

[12] K. Rasul, A. Sheikh, I. Schuster, and U. Bergmann, "Multivariate probabilistic time series forecasting via conditional normalizing flows", arXiv:2002.06103, 2020.

[13] E. Bang, H. Byun, and J. Cho, "Stock price prediction improvement algorithm using long-short term ensemble and chart images: Focusing on the petrochemical industry", Journal of Korea Multimedia Society, Vol. 25, No. 2, pp. 157-165, 2022.

[14] 한창진, "주가 방향성의 다중 시점 예측을 위한 해석 가능한 Transformer 모델 연구", 서울대학교 대학원 공학석사학위논문, 2021.

[15] 주승세, 전서영, 권성수, 한유진, 이종혁, 배지훈, "주가 예측을 위한 다중추세 앙상블 모델", 한국정보기술학회 하계 종합학술대회, pp. 432-434, 2023.

[16] 오유진, 김유섭, "2단계 하이브리드 주가 예측 모델 : 공적분 검정과 인공 신경망", 정보처리학회논문지 B, 제14-B권 제7호, pp.531-540, 2007.
10.3745/KIPSTB.2007.14-B.7.531

[17] 랜덤워크, https://www.moef.go.kr/sisa/dictionary/detail?idx=959, 기획재정부.

[18] A. Lo, and A. Mackinlay, "A Non-Random Walk Down Wall Street", Princeton University Press, 2002.

[19] H. Lee, M. Son, B. Hwang, G. Youn, and S. Jeon, "Deep learning based subsidiary stock price fluctuation forecast using parent company news sensitivity", Proceedings of KIIT Conference, pp. 749-752, 2022.

[20] J. Campbell, S. Grossman, and J. Wang, "Trading volume and serial correlation in stock returns", Quarterly Journal of Economics, Vol. 108, No. 4, pp. 905-939, 1993.
10.2307/2118454

[21] L. Blume, D. Easley, and M. O'hara, "Market statistics and technical analysis: The role of volume", Journal of Finance, Vol. 49, No. 1, pp. 153-181, 1994.
10.1111/j.1540-6261.1994.tb04424.x

[22] A. Gallant, P. Rossi, and G. Tauchen, "Stock prices and volume", Review of Financial Studies, Vol. 5, No. 2, pp. 199-242, 1992.
10.1093/rfs/5.2.199

[23] H. Lee, N. Hong, and T. Lee, "Comparison of prediction for multivariate time series between LSTM and VARX", Journal of Korean Data Information Science Society, Vol. 33, No. 1, pp. 35-47, 2022.
10.7465/jkdi.2022.33.1.35

[24] 양유모, "개입시계열과 인공신경망을 이용한 예측성과 비교연구 : KOSPI200 주가지수를 중심으로", 연세대학교 대학원 석사학위 논문, 2003.

[25] 이서연, "미국 및 아시아 주요국가의 주가지수를 통한 다변량 시계열 모형의 KOSPI 지수 예측력 비교", 중앙대학교 대학원 석사학위 논문, 2011.

The Society of Convergence Knowledge Transactions ISSN:2287-8920(Print) 융복합지식학회논문지

All Issue