earticle

영어

Predicting the various and complex problems in the real world is always an important task in business management. One of the important tasks in this prediction process is the collection of valuable data and the selection of variables. No matter how objectivity you try to select a variable, the subjectivity of the analyst is inevitably involved. In order to obtain an objective conclusion as possible, the optimal combination of independent variables should be selected based on the model's explanatory power and prediction accuracy. To predict the KOSPI 200 index, this study expands from selecting a variable from a single model to a weighted ranking combination of a correlation analysis showing linearity, a support vector machine (SVM) identifying nonlinearities, LASSO complementing multiple collinearity, and a tree algorithm. As a result, it was possible to increase the predictive power of the index by using the “A Weighted Sum Ranking”, which ran-domly multiplies the ranking of the variables selected using only these four methods by a certain weight. In conclusion, the variable selection of the new model through thsi methodology was able to obtain much better results than the variable selection using a single model.

한국어

현실 세계의 다양하고 복잡한 문제들을 예측하는 것은 기업 경영에서 언제나 중요한 과제이다. 이러한 예측 과정에서 중요한 과업 중 하나는 가치 있는 데이터의 수집 및 변수의 선택이다. 변수를 선택하는 것은 아무리 객관성을 유지하려 해도 불가피하게 분석가의 주관이 개입된다. 가능한 한 객 관적인 결과을 얻기 위해서는 모형의 설명력과 예측 정확도 측면을 기준으로 독립변수들의 최적 조합 을 선택해야 한다. 본 연구는 KOSPI200 지수 예측을 위해 단일 모형에서 변수를 선택하는 것에서 확장하여 선형성을 보여주는 상관분석, 비선형성을 파악할 수 있는 서포트 벡터 머신(SVM), 다중 공 선성을 보완하는 라쏘(LASSO), 그리고 나무모형 계열 알고리즘인 배깅(BAGGING) 등 4가지 방법 을 결합한 새로운 모형을 제안한다.