본 논문은 금융 및 미시 경제 정보를 결합한 주식 거래 시스템의 분석 및 선택을 목표로 한다. 저자들의 이전 연구를 기반으로, 머신러닝 및 딥러닝 기술을 활용하여, 통계적 이점을 갖는 주식 시장 거래 알고리즘을 개발하고자 한다. 특히, Long Short-Term Memory (LSTM) 네트워크와 Random Forest 및 Gradient Boosting과 같은 의사결정 트리 기반 알고리즘을 통합한다. LSTM은 금융 자산의 가격 패턴을 분석하고, 의사결정 트리는 기업의 경제 데이터를 활용한다. 국제 기업 데이터를 사용한 알고리즘 트레이딩의 수치 시뮬레이션 결과, 기본적 변수와 기술적 변수를 모두 결합하는 접근 방식이 일반적인 접근 방식보다 우수한 성과를 보임을 확인했다. Random Forest가 의사결정 트리 중 가장 뛰어난 성능을 보였으며, 기술적 변수 선택을 통해 하이브리드 접근 방식의 예측 성능을 향상시킬 수 있음을 논의한다.
