주가 예측 연구의 종류 정리 1

본 글에서는 프로그래밍을 활용한 주가 예측 분야의 다양한 방법론을 설명하고 해당 방법론들의

장단점을 정리해보고자 한다. 이후에는 가볍게 구현한 코드를 통해 좀 더 디테일하게 설명할 예정이다. 

목차는 다음과 같다. 

 

1. 규칙 기반 매수,매도 모델 

2. 딥러닝 기반 주가 예측 모델

2.1 딥러닝 기반 주가 예측 모델(NLP) 

2.2 딥러닝 기반 주가 예측 모델(기술적 지표) 

2.3 딥러닝 기반 주가 예측 모델(강화학습)  

3. 기타  

 

1. 규칙 기반 매수,매도 모델 

 

규칙 기반은 알고리즘 매매/ 자동 매매/시스템 트레이딩 등 개념과 비슷하다. 하지만 본 글에서 굳이 '규칙' 이라는 단어를 사용한 것은 특정한 규칙에 의해 작동하지 않는 딥러닝 모델과의 구분을 위해 사용했다.  

규칙 기반의 모델은 단어 그대로 특정 규칙에 의해 주식을 구매(매수)하거나 판매(매도)하는 모델이다.  

예를 들어 약 2천개의 종목을 지정하고, 20%이상 상승한 종목을 매수하도록 지정하면, 컴퓨터가 20%이상 가격이 오른 종목을 찾아서 매수하는 방식이다.   

이때, 보다 높은 정확도를 위해 거래량, 이동평균 등 여러 지표를 함께 사용하여 몇가지 조건이 동시에 충족하는 경우에 매수하도록 설정할 수 있다. 

이러한 규칙 기반 모델의 장점은 딥러닝 모델과 비교 했을 때, 크게

1. 무척 가볍고, 2. 구현과 사용이 쉽고, 3. 커스터마이징이 쉽다는 3가지 정도가 존재한다.  

 

1.1 가벼움

무척 가볍다는 것은 적게는 KB단위에서 많게는 GB까지 존재하는 딥러닝 모델에 비해 상대적으로 가볍다는 뜻으로, 

애초에 모델 자체가 필요하지 않다. 가벼운 조건식 몇줄만으로 충분히 동작하기 때문이다. 

급등 종목을 추출하는 코드를 이전 글에 올려 두었으니, 관심있는 사람은 참고하길 바란다. 

 

1.2 구현과 사용이 쉬움

구현과 사용이 쉽다는 것도 딥러닝 모델에 비해서 하는 말이다. 딥러닝 모델을 구현하기 위해서는 관련된 수많은 라이브러리를 설치해야하고, 모델을 학습하기 위한 컴퓨팅 자원 및 시간이 소요된다. 따라서 코드 몇줄로 구현 가능하다는 것은 큰 장점에 속한다. 

 

1.3 커스터마이징

만약 모델이 정확하게 동작하지 않는다면, 어떻게 개선할 수 있을까? 딥러닝 모델을 개선하기 위해서는  

데이터를 개선하고, 알고리즘을 개선하는 등의 과정이 필요하다. 그리고 개선 이후 재학습 과정을 통해 모델을 갱신하는데 이 과정에서 성능 향상이 일어나지 않을 수도 있다. 반면 규칙기반 모델은 커스터마이징이 쉽다. 

예를들어 20%이상 종목을 매수하는 모델이 성능이 부족한 경우, 20 이라는 수치를 15나 25로 바꿔버리면 된다. 

직접 주식 차트를 모니터링 하면서 실패한 경우와 성공한 경우를 보면 어떤 조건식을 추가하거나 제외해야 할지 힌트를 얻을 수 있고, 이런 것들은 즉시 반영해서 수정이 가능하다. 

커스터마이징이 쉽기 때문에 지속적인 보완과 업데이트가 가능하다는게 최대 장점이다.   

 

규칙 기반 모델은 이러한 장점으로 인해, 실제로 다양한 증권사 및 개인에게도 활발히 사용되는 방법이다.

뉴지스탁은 이러한 규칙 기반 매매를 코딩없이 개인이 사용할 수 있도록 자동화한 툴을 제공하는데, 젠포트(https://genport.newsystock.com/Main.aspx)라는 서비스는 몇가지 규칙을 개인이 조합하고 커스터마이징 하여 개인이 자동매매 시스템을 실제로 운용할 수 있게 도와준다. 

개인적으로 굉장히 좋은 서비스인것 같고, 실제 사용하는 사람들의 수익률도 나쁘지 않은 것 같다.  

 

하지만 이러한 규칙 기반의 모델도 단점과 한계가 존재하는데, 이후의 내용은 다음 2편에서 다룬다.