2018007956
commented
5 months ago HMM은 시계열 데이터에 숨어 있는 상태의 변화를 모델링하며, 이러한 상태 변화가 관측 데이터에 어떻게 영향을 미치는지 분석하는 모델입니다. CNN이나 LSTM 처럼 명확한 label을 가지고 학습하는 것이 아닌, feature에서의 패턴을 찾아내어 결과를 도출하는 비지도학습 알고리즘이기 때문에, 종가를 레이블로 생각하는 것이 아닌 종가 데이터를 사용하여 현재 종가 대비 하루뒤~일주일 뒤의 종가 변화율이라는 피쳐를 정의하는 방식으로 구현하였습니다.
학습 알고리즘 설명
- 종가 데이터를 shift하여 다음날의 종가와의 변화율을 피쳐로 구성
- model.fit(features) 를 호출할 때 GaussianHMM 모델은 주어진 시퀀스 데이터(features)를 사용하여 모델 파라미터를 최적화 하기 위한 EM 알고리즘을 실행
예측 알고리즘 설명
- 각각의 주가 변화율(ret1부터 ret7까지)에 대해 가능한 값들의 시퀀스를 생성 :
sample_space_ret1 ~ ret7 - 생성된 주가 변화율 시나리오들의 모든 가능한 조합(7일 동안의 주가 변화에 대한 모든 가능한 시나리오)을 생성 :
possible_outcomes num_latent_days만큼의 최신 데이터를 예측에 사용- 너무 많은 과거 데이터를 포함시키면, 모델이 최신의 패턴이나 변화를 반영하는 데 있어서 민감도가 떨어질 수 있음
- 너무 적은 데이터만 사용하면, 모델이 중요한 시간적 패턴을 놓칠 수 있음
- 오늘로부터 7일 전까지의 데이터는 shift 될 때 null 값이 발생하여 drop 되었기 때문에, 여기서 말하는 최신 데이터는 7일 전을 기준으로 num_latent_days 만큼의 과거 데이터를 의미함
- 시나리오가 주어진 과거 데이터의 맥락에서 얼마나 그럴듯한지를 판단하기 위해, 예측에 사용될 과거 특정 기간의 관측치
previous_data와 미래 가능한 시나리오outcome를 결합하여 평가에 사용 :total_data - 학습된 HMM 모델을 사용하여 각 시나리오에 대한 점수(해당 데이터 시퀀스가 모델에 의해 생성될 likelihood) 계산 :
outcome_scores - 모델이 가장 가능성이 높다고 판단하는 미래 7일 동안의 주가 변화 시나리오 추출 :
most_probable_outcome - 가장 가능성 높은 시나리오를 사용하여 예측된 주가 변화율을 오늘 종가에 적용하여 미래 일자별 주가 예측 :
pred1 ~ pred7
Background
우리가 예측하는 값은 종가 데이터이기 때문에, 종가를 레이블로 생각To do
1일 후부터 7일 후까지 각각의 예측 모델 구현