Journal of the Korean Data and Information Science Society

The Korean Data and Information Science Society (한국데이터정보과학회)
권호 표지
DOI QR코드

DOI QR Code

Prediction of the industrial stock price index using domestic and foreign economic indices

국내외 경제지표를 예측변수로 사용한 산업별 주가지수 예측

  • Choi, Ik-Sun (Department of Statistics, Chonnam National University) ;
  • Kang, Dong-Sik (Department of Statistics, Chonnam National University) ;
  • Lee, Jung-Ho (Department of Statistics, Chonnam National University) ;
  • Kang, Min-Woo (Department of Statistics, Chonnam National University) ;
  • Song, Da-Young (Department of Statistics, Chonnam National University) ;
  • Shin, Seo-Hee (Department of Statistics, Chonnam National University) ;
  • Son, Young-Sook (Department of Statistics, Chonnam National University)
  • Received : 2012.01.30
  • Accepted : 2012.03.06
  • Published : 2012.03.31
Download PDF
⟨ Previous Next ⟩

Abstract

In this paper, we predicted the rise or the fall in eleven major industrial stock price indices unlike existing studies dealing with the prediction of KOSPI that combines all industries. We used as input variables not only domestic economic indices but also foreign economic indices including the U.S.A, Japan, China and Europe that have affected korean stock market. Numerical analysis through SAS E-miner showed above or below about 60% accuracy using the logistic regression and neural network model.

본 연구에서는 모든 산업을 총합한 종합주가지수 예측을 다루는 기존의 연구들과는 달리 11개의 대표 산업별 주가지수의 상승 및 하락을 예측하였다. 해외경제상황에 큰 영향을 받는 우리나라 주식 시장을 고려하여 국내 경제지표뿐만 아니라 미국, 일본, 중국, 유럽의 주요 경제지표를 예측변수로 사용하였다. 2001년부터 2011년까지 총 132개의 월별 자료에 대하여 로지스틱 회귀모형과 신경망모형에 의한 분석은 대체로 60% 내외의 정확도를 보였다.

Keywords

References

  1. 강현철, 한상태, 최종후, 이성건, 김은석, 엄익현, 김미경 (2008). <고객관리 (CRM)를 위한 데이터마이닝방법론>, 자유아카데미, 서울.
  2. 김삼용, 김진아 (2009). 일반 자기회귀 이분산 모형을 이용한 시계열 자료 분석. <한국데이터정보과학회지>, 20, 475-483.
  3. 김유일, 신은경, 홍태호 (2004). 신경망과 SVM을 이용한 주가지수예측. <인터넷상거래연구>, 4, 221-243.
  4. 박범조 (2011). 개별 주가에 반영된 시변 무리행동 연구. <한국데이터정보과학회지>, 22, 423-436.
  5. 박인찬, 권오진, 김태윤 (2011). 시계열 모형을 이용한 주가지수 방향성 예측. <한국데이터정보과학회지>, 20, 991-998.
  6. 박주환, 정진혁 (2008). <내일 주가는 상승할까, 하락할까? -SVM을 활용한 KOSPI 예측>, 대신증권 리서치센터 투자전략부.
  7. 신동근, 정경용 (2011). 웨이블릿 변환과 퍼지 신경망을 이용한 단기 KOSPI 예측. <한국콘텐츠학회논문지>, 11, 1-7.
  8. 오경주, 김태윤, 정기웅, 김치호 (2011). 선형 및 신경망 자기회귀모형을 이용한 주식시장 불안정지수 개발. <한국데이터정보과학회지>, 22, 335-351.
  9. 이은진, 민철홍, 김태선 (2008). 신경 회로망과 통계적 기법을 이용한 종합주가지수 예측 모형의 개발. <전자공학회논문지>, 45, 95-101.
  10. 한나영 (2011). <인공신경망을 이용한 KOSPI 예측에 대한 연구>, 석사학위논문, 고려대학교, 서울.
  11. Kim, K. J. (2003). Funancial time series forecasting using support vector machines. Nerocomputing, 55, 307-319. https://doi.org/10.1016/S0925-2312(03)00372-2
  12. Lee, H. Y. (2008). Combined model of artificial intelligent predictors based on Genetic algorithm for the prediction of KOSPI. Entrue Journal of Information Technology, 7, 33-43.
  13. SAS Institute Inc. (2000). Enterprise miner software : Applying data mining techniques, SAS Institute Inc., Cary, NC.

Cited by

  1. Comparison of model selection criteria in graphical LASSO vol.25, pp.4, 2014, https://doi.org/10.7465/jkdi.2014.25.4.881
  2. Prediction of the interest spread using VAR model vol.23, pp.6, 2012, https://doi.org/10.7465/jkdi.2012.23.6.1093
  3. Forecasting the Time-Series Data Converged on Time PLOT and Moving Average vol.6, pp.4, 2015, https://doi.org/10.15207/JKCS.2015.6.4.161
  4. Optimal portfolio and VaR of KOSPI200 using One-factor model vol.26, pp.2, 2015, https://doi.org/10.7465/jkdi.2015.26.2.323
  5. 거시경제변수의 호텔·레저 주가지수에 대한 정보이전효과에 관한 연구 vol.22, pp.3, 2016, https://doi.org/10.20878/cshr.2016.22.3.017