Earticle

초록

영어

Recently, technologies and methodologies for predicting through time series data are rapidly developing, and they are effectively solving various decision-making problems of humanity such as national, social, and economic. In order to apply such a scientific analysis technique, the quality and quantity of data are important, but when the amount of data is insufficient, it is very difficult to apply it to scientific methods such as machine learning and big data analysis. The amount of stock price data of newly listed companies is limited, and the lack of such data can cause problems such as underfitting and overfitting in learning machine learning and artificial neural network models. In this paper, Time-series Generative Adversarial Network (TimeGAN) was applied as a method to expand the stock price data of newly listed companies. TimeGAN provides an effective way to generate synthetic data similar to the real world by modeling the inherent temporal and dynamic characteristics of time series data. We used this model to expand the stock price data of newly listed companies in the Korean stock market from 2019 to 2023, and analyze the statistical effectiveness of the expanded data through PCA and t-SEN techniques, and found that the data generated through TimeGAN well preserves the statistical characteristics of the original data. This paper is expected to open new possibilities in financial market analysis and prediction by presenting a useful approach to data expansion techniques in the context of lack of time series data.

한국어

최근 시계열 데이터를 통해서 예측하는 기술과 방법론은 급속도로 발전하고 있으며, 이는 국가 적, 사회적, 경제적 등 인류의 다양한 의사결정 문제를 효과적으로 해결해 주고 있다. 이처럼 과학적 인 분석 기법을 적용하기 위해서는 데이터의 질과 양이 중요한데 데이터의 양이 부족한 경우에는 기 계학습과 빅데이터 분석과 같은 과학적 방식에 적용하기가 매우 어렵다. 최근 신규 상장된 기업들의 주가 데이터는 그 양이 제한적이고, 이러한 데이터의 부족은 기계학습 및 인공신경망 모델의 학습에 있어 과소적합과 과적합 같은 문제를 일으킬 수 있다. 이 논문에서는 신규 상장 기업의 주가 데이터 를 확장하는 방법으로 Time-series Generative Adversarial Network(TimeGAN)을 적용하였다. TimeGAN은 시계열 데이터의 내재된 시간적 동적 특성을 모델링하여 실제와 유사한 합성 데이터를 생성할 수 있는 효과적인 방법을 제공한다. 우리는 이 모델을 사용하여 2019년부터 2023년까지 한국 주식 시장에 신규 상장 기업의 부족한 주가 데이터를 확장하고, 확장된 데이터에 대한 통계적 실효성 을 PCA, t-SEN 기법을 통해서 분석한 결과, TimeGAN을 통해 생성된 데이터는 원래 데이터의 통 계적 특성을 잘 보존하는 것으로 나타났다. 본 논문은 시계열 데이터가 부족한 상황에서의 데이터 확 장 기법에 대한 유용한 접근 방법을 제시함으로써, 금융 시장 분석 및 예측에 있어 새로운 가능성을 열어주길 기대한다.

목차

요약
Abstract
1. 서론
2. 선행연구
3. 연구모형
3.1. GAN(Generative Adversarial Network)
3.2. Time GAN
4. 실험계획 및 결과 분석
4.1 실험계획
4.2. 결과 분석
5. 결론
REFERENCES

키워드

저자

• 김수은 [ Soo Eun Kim | 상명대학교 융합기술대학 글로벌금융경영학부 부교수 ]
• 유재필 [ Jae Pil Yu | 상명대학교 공과대학 경영공학과 교수 ] Corresponding Author
• 김연수 [ Soo Yeon Kim | 상명대학교 공과대학 일반대학원 경영공학과 석사과정 ]

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  정보화연구 [정보화연구(구 정보기술아키텍처연구)]

• 간기

  계간

• pISSN

  1738-382X

• 수록기간

  2004~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 325 DDC 658