인공지능 기반 금 값 예측모델B
1. 학습 모델
| 코스피 증감률 | 코스닥 증감률 | 원/달러, 위안, 엔, 유로 환율의 증감률 | 콜금리 증감률 | |||
| ⇓ 1차원 딥러닝 ⇓ | ||||||
| 금 값 증감률(당일) | ||||||
증감률 : (오늘 값) / (어제 값)
데이터 : 2016년 1월 1일 ~ 어제
2. 예측 모델
| 코스피 증감률 | 코스닥 증감률 | 원/달러, 위안, 엔, 유로 환율의 증감률 | 콜금리 증감률 | |||
⇓ 러닝 데이터 ⇓ |
||||||
금 값 증감률(당일) |
||||||
모델A에서 주요국 환율과 콜금리 데이터를 더 추가한 모델입니다. 마찬가지로 Tensorflow를 이용하였고 전제는 주가와 환율 금리에 영향을 받은 자금이 자금이 금으로 흘러가는데 하루가 걸린다는 것 입니다.
여러가지 모델을 실험해본 결과 hidden layer가 한 개만 있는 것이 정확도가 가장 높게 결과를 예측했고 모델B에서도 동일하게 1개의 층만 사용하여 트레이닝을 했습니다.
국내 자본이 주식, 금, 외화, 부동산, 금융자본으로 이루어졌고 금융자본에서 일어나는 변수 즉, 환율 변동이 보여주는 외화
유입, 유출과 금리 때문에 돈의 총 크기가 늘어나는 것 외에는 변수가 적다고 보고 이것을 다 더하면 특정 상수가 되겠다는 개념을
모티브로 시작했습니다.
a * (주가총액)
+ a' * (금 값)
+ a'' * (주요국 환율)
+ a''' * (부동산 총액)
+ a'''' 1/(r^n) * (금융자본 총액)
= K
a = 계수, r = 표준금리, n = 특정시점부터 단위 시간, K = 상수
모델 A는 종합주가지수 데이터 2가지만 이용하고 B에서는 7가지의 데이터를 사용하여 예측합니다. 예상과는 다르게 모델 A에 비해서 정확도가 크게 상승하지는 않는 결과를 보였습니다.
