Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

From Local Patterns to Global Understanding: Cross-Stock Trend Integration for Enhanced Predictive Modeling

Created by
  • Haebom

저자

Yi Hu, Hanchi Ren, Jingjing Deng, Xianghua Xie

개요

본 논문은 주식 가격 예측을 위해 기존의 개별 주식의 과거 가격 데이터만을 사용하는 단일 주식 학습 방식의 한계를 극복하고자, 주식 간 상관관계를 활용하는 새로운 방법인 Cross-Stock Trend Integration (CSTI)을 제안합니다. 연합 학습(Federated Learning)에서 영감을 얻어, 개별 주식 데이터로 모델을 학습하고 이를 반복적으로 통합하여 전반적인 시장 동향을 반영하는 글로벌 모델을 생성합니다. 이후 해당 글로벌 모델을 특정 주식 데이터로 미세 조정하여 지역적 특성도 유지합니다. 실험 결과, 제안된 방법이 기존의 단일 주식 학습 방식보다 우수한 예측 성능을 보임을 확인했습니다.

시사점, 한계점

시사점:
연합 학습 기반의 Cross-Stock Trend Integration (CSTI) 방법을 통해 주식 가격 예측의 정확도 향상 가능성을 제시합니다.
개별 주식 모델의 병렬 학습을 가능하게 하여 계산 자원의 효율적인 사용 및 훈련 시간 단축에 기여합니다.
데이터 프라이버시를 유지하면서 다양한 주식 간의 상관관계를 활용할 수 있는 새로운 접근 방식을 제시합니다.
한계점:
제안된 방법의 성능 향상이 특정 데이터셋이나 시장 조건에 국한될 가능성이 있습니다. 더욱 다양한 데이터셋과 시장 상황에서의 추가적인 검증이 필요합니다.
연합 학습의 특성상, 모델 통합 과정에서 발생할 수 있는 정보 손실이나 성능 저하에 대한 추가적인 분석이 필요합니다.
실제 투자 전략으로 적용하기 위한 추가적인 연구 및 검토가 필요합니다. 예측 정확도와 실제 수익 간의 관계에 대한 분석이 부족합니다.
👍