초록
최근 컴퓨팅 기술의 발전으로 인해 거대한 양의 데이터와 정보가 지속적으로 축적되고 있다. 특히 금융 분야에서는 거래 기록을 포함한 실시간 데이터가 막대하게 생성되므로, 이러한 정보를 분석함으로써 유용한 통찰을 도출할 수 있는 기회가 매우 크다. 따라서 본 연구는 가용한 금융 데이터를 활용하여 새로운 주식시장 예측 모델을 개발하고자 한다. 대량의 데이터로부터 뛰어난 학습 능력을 보이는 딥러닝 기법을 채택하였다. 본 연구에서는 장단기 기억(LSTM) 네트워크와 유전자 알고리즘(GA)을 통합한 하이브리드 접근법을 제안한다. 기존에는 LSTM 네트워크의 시계열 창 크기 및 아키텍처 요소를 추정하기 위해 경험적 힌트에 기반한 시도 오류 방식이 일반적으로 사용되어 왔다. 본 연구는 GA를 활용하여 주식시장 데이터의 시계열적 특성을 분석하고, LSTM 네트워크의 시계열 창 크기와 네트워크 구조를 체계적으로 결정하는 방법을 제안한다. 제안된 하이브리드 접근법의 성능 평가를 위해 일일 코스피(KOSPI) 지수 데이터를 선택하였다. 실험 결과, LSTM 네트워크와 GA의 하이브리드 모델이 기준 모델보다 우수한 성능을 보였다.