원문정보
피인용수 : 0건 (자료제공 : 네이버학술정보)
초록
한국어
• 코로나19 팬데믹과 시장 불확실성 증대 -> 정보를 빠르게 처리해야 하는 필요성 증가 • 데이터 공학의 발전 -> 방대한 양의 정보를 빠르게 처리하는 것을 요구 • Intro-day High-frequency 주식 데이터를 활용한 관련 연구가 활발히 진행되고 있음 • 이러한 High-frequency 주식 데이터를 분석하는 연구는 function GARCH / ARCH 등을 통해 Volatility에 관한 연구가 많음 • 하지만, Volatility 외에 지수의 방향성에 대한 연구 또한 투자 의사결정에 중요한 영향을 미침 • 또한, fuctional GARCH / ARCH 의 경우 다변량 High-frequency 데이터에 대해서 한계를 가짐 • 금융 시계열 데이터의 분석에서 RNN 계열의 Deep Learning 모형 활용하여 주가 를 예측하는 연구가 활발히 진행되고 있음 • 하지만 RNN 계열의 모형의 경우 가중치 업데이트가 Train Set의 후반부에 집중 되어 시계열 전반의 데이터를 Robust하게 반영하지 못함. • 본 연구는 이러한 선행 연구의 한계점을 보완하기 위해 Attention과 ResNet을 결 합한 CNN기반의 다변량 High-frequency데이터 분석을 위한 알고리즘을 제안함.
목차
Abstract
I. Introduction
1. Literature Reviews
2. Research Purpose
II. Materials and Methods
1. Dataset
2. Methods
3. Research Design
III. Results and Conclusion
1. Model Comparison
2. Feature Selection
3. Conclusion
References
I. Introduction
1. Literature Reviews
2. Research Purpose
II. Materials and Methods
1. Dataset
2. Methods
3. Research Design
III. Results and Conclusion
1. Model Comparison
2. Feature Selection
3. Conclusion
References
저자정보
참고문헌
자료제공 : 네이버학술정보