본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지 2

목차 5

국문초록 10

ABSTRACT 12

제1장 서론 15

1.1. 연구 배경 및 목적 15

1.2. 연구 내용 및 범위 19

제2장 관련연구 21

2.1. Fear and Greed Index에 관한 연구 21

2.2. 머신러닝 모델을 활용한 금융공학 연구 22

2.3. 연구 차별성 23

제3장 연구내용 24

3.1. 연구 제안 구성도 24

3.2. 상세 프로세스 25

제4장 구현 및 비교 분석 27

4.1. 시스템 환경 및 데이터 수집 27

4.1.1. 시스템 환경 27

4.1.2. 데이터 수집 28

4.2. 기초 데이터 분석 28

4.2.1. CNN Fear and Greed Index 데이터 분석 28

4.2.2. CNN Fear and Greed Index와 S&P 500 Index 미래 수익률 관계 30

4.3. 분석 수행 35

4.3.1. New Fear and Greed Index 데이터 수집 35

4.3.2. New Fear and Greed Index 데이터 전처리 39

4.4. 모델 구현 43

4.4.1. 선형회귀 모델 43

4.4.2. 머신러닝 모델 54

제5장 결론 68

참고문헌 70

표목차 7

[표 1-1] CNN Fear and Greed Index 구성 요소 17

[표 4-1] 시스템 환경 27

[표 4-2] 데이터 종류 28

[표 4-3] CNN Fear and Greed Index 데이터 구조 29

[표 4-4] CNN Fear and Greed Index Rating 기준 30

[표 4-5] CNN Fear and Greed Index와 S&P 500 미래 수익률의 분기별 상관관계(평균) 32

[표 4-6] New Sub Index 설명 및 수집자료 36

[표 4-7] New Sub Index 계산식과 적용 부호 39

[표 4-8] New Fear and Greed Index, CNN Fear and Greed Index의 상관관계 42

[표 4-9] 입력 데이터 43

[표 4-10] 입력 데이터에 따른 1일 미래 수익률 예측 선형회귀 모델별 성능 지표 48

[표 4-11] 1일 미래 수익률 예측을 위한 선형 모델의 입력 변수별 회귀 계수(Coefficient) 통계 52

[표 4-12] 입력 변수별 회귀 계수의 절댓값(평균) Rank 54

[표 4-13] 1일 수익률 예측 값에 대한 머신러닝 모델 성능지표 58

[표 4-14] 1일 미래 수익률 예측 선형 모델과 비선형 모델의 각 분기별 성능 비교 60

[표 4-15] 1일 미래 수익률 예측을 위한 비선형 모델의 입력 변수별 중요도 통계 61

[표 4-16] 선형 모델의 Concordance Index 66

[표 4-17] 비선형 모델의 Concordance Index 67

그림목차 9

[그림 3-1] 연구 제안 구성도 24

[그림 3-2] 연구 상세 프로세스 26

[그림 4-1] 키움증권 GM McClellan Summation 설명 38

[그림 4-2] New Fear and Greed Index와 Sub Index(Score)간 상관관계 확인 44

[그림 4-3] 독립 변수(Score) 분산팽창계수(VIF) 확인 45

[그림 4-4] Time Series Split 46

[그림 4-5] 1일 수익률 예측을 위한 모델의 Sub Index 사용빈도 51

[그림 4-6] 선형 모델의 변수별 회귀 계수 분포 53

[그림 4-7] 1일 미래 수익률 예측 머신러닝 모델의 성능지표 R² 59

[그림 4-8] 비선형 모델의 변수별 중요도 분포 62

[그림 4-9] 비선형 모델의 변수별 중요도(평균) 63

[그림 4-10] 선형, 비선형 모델의 Predict VS Actual Plot 64

[그림 4-11] 선형 모델의 실제 수익률과 예측 수익률 65

[그림 4-12] 비선형 모델의 실제 수익률과 예촉 수익률 65

초록보기

 주식의 가격은 주식 시장에서 수요와 공급에 따라 결정되며 주식 투자의 가치는 가격 변동에 따라 변화한다. 주식 투자의 목표는 주식 가치 상승으로 인한 이익 실현으로써 다양한 기업의 정보와 시장을 분석하여 주식 가치를 예측하고 투자한다. 주식 수익률을 높이기 위해 주식 투자의 매수와 매도 타이밍을 결정하는 것이 중요하며 기본적 방법과 기술적 분석 방법을 사용한다. 그러나 주식 시장은 수많은 변수가 존재하며 복합적으로 작용하는 복잡계 시스템으로 투자자들의 감정과 심리 상태가 시장 변동성, 거래량, 주가 움직임 등에 반영되며 투자자들의 의사 결정에 영향을 미친다.

이러한 상호작용은 시장의 흐름을 이해하고 예측하는 데 중요한 요소로 작용한다. 투자자의 심리를 측정하고 분석하는 다양한 도구들이 있다. 그중 Fear and Greed Index(공포와 탐욕 지수)는 CNN(Cable News Net work)에서 제공하는 미국 주식 시장의 심리상태를 보여주는 대표적인 지수이다. 워렌 버핏(Warren Edward Buffett)의 "공포에 사서 탐욕에 팔아라"라는 투자 격언을 전략으로 세울 수 있는 근간이 되는 지수이기도 하며 매수 및 매도 타이밍 분석과 보조 지표로서 활용한다.

본 논문은 CNN의 Fear and Greed Index와 인공지능을 활용한 주식 수익률 예측 모델을 제안하고자 한다. Fear and Greed Index와 Index를 구성하는 Sub Index들을 분석하고 이를 기반으로 주식 시장의 미래 수익률을 예측하는 모델을 구축한다. 다양한 선형회귀, 머신러닝 알고리즘을 적용하여 미래 수익률을 예측하고 회귀 모델의 성능 지표를 이용하여 검증한다. 연구 결과, Fear and Greed Index와 Index를 구성하는 Sub Index들은 주식 시장의 미래 수익률 예측에 유의미한 정보를 포함하지만 단독 지표로는 한계가 있었다. 본 논문은 심리 지표와 인공지능 기술 융합이 금융 분야에서 어떻게 활용될 수 있는지를 제시하며, 투자자들에게 보다 정교하고 신뢰성 있는 투자 전략을 제공하는 데 기여할 것이다.

본 연구의 한계로는 입력 데이터 CNN Fear and Greed의 Sub Index 자체의 유용성과 1개월, 3개월 미래 수익률의 예측 정확도를 검증하지 못한 점이 있으며 금융 시계열 데이터의 특성을 활용할 수 있는 딥러닝을 이용하여 모델을 구현하지 못한 점이 있다. 향후 연구에서는 입력 변수들의 대조 및 비교를 통해 주식 수익률 예측의 유용성을 검증하고 딥러닝을 활용하여 1개월, 3개월 미래 수익률 예측 모델을 구현할 필요가 있다. 또한 주식 수익률 예측과 상승/하락 분류 예측 모델을 구축하여 실증분석을 통해 주식 투자의 경제적인 효용을 증명할 필요가 있다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차