검색량을 이용한 주가예측

 

 

 

주차별로 최적의 하이퍼파라미터와 이를 적용한 예측 모델의 정확도를 보여주는 결과이다. 각 주차에서 하이퍼파라미터 튜닝을 통해 최적의 매개변수를 찾았으며, 이를 바탕으로 모델을 학습하고 정확도를 측정하였다.

예를 들어, 4주 차에서는 예측 정확도가 0.9259로 높은 편이지만, 6주 차에서는 0.7222로 상대적으로 낮아지는 경향을 보였다. 그러나 이후 10주 차에서 예측 정확도가 1.0000으로 크게 향상된 것을 확인할 수 있다. 이는 학습 데이터와 튜닝 전략의 개선이 모델 성능에 긍정적인 영향을 미쳤음을 의미한다.

이 데이터를 통해 모델이 주차별로 얼마나 잘 적응하고 있는지 확인할 수 있으며, 최적의 하이퍼파라미터 설정이 모델 성능에 미치는 영향을 구체적으로 평가할 수 있다.

 

 

 

 

 

 

2017년 1월부터의 주차별 데이터를 나타낸다. 여기에는 검색량(Search), 주가(Price), 저가(Low), 거래량(Vol), 변화율(Change)과 같은 주요 지표가 포함되어 있다.

예를 들어, 2017년 1월 첫째 주에는 검색량이 38, 주가는 약 15.13로 시작하였으며, 이후 데이터에서 주가와 검색량의 변동성을 확인할 수 있다. 거래량(Vol)은 82,918으로 나타났고, 변화율(Change)은 다음 주로 이어지며 점차 증가하는 양상을 보인다. 이러한 데이터는 주가와 검색량 간의 상관관계를 분석하거나, 모델 학습에 활용할 수 있는 중요한 입력 변수로 작용한다.

특히 변화율(Change)과 검색량의 동시 변화는 주가 예측에 있어 주요한 인사이트를 제공할 가능성이 있다. 데이터의 이러한 상세한 구조는 이후 모델이 어떻게 동작하는지를 해석하는 데에도 중요한 역할을 한다.

 

 

 

 

 

 

이 이미지는 TSLA의 검색량 데이터를 나타낸다. 주차별로 날짜(date)와 검색량(TSLA), 검색 데이터의 완전성을 나타내는 값(isPartial)이 포함되어 있다.

검색량 데이터는 2017년 1월 1일부터 시작되며, 검색량은 36으로 나타났다. 이후 2월 19일에는 검색량이 74로 급증했는데, 이는 특정 이벤트나 뉴스에 의해 사람들이 테슬라에 대한 관심이 높아졌음을 의미할 가능성이 있다. isPartial 값이 모두 False로 되어 있는 것을 보아 데이터가 완전하게 수집되었음을 확인할 수 있다.

검색량 데이터는 투자 모델에서 중요한 변수로 사용되며, 특정 주차의 검색량 급증이 주가 변동과 어떤 관계를 가지는지 분석하는 데 활용된다. 검색량이 높아지는 시점은 시장 참여자들의 관심이 증가했음을 의미하므로, 이를 기반으로 투자 전략을 세울 수 있다.

 

 

 

 

 

 

모델이 예측한 투자 수익률을 요약한 결과를 보여준다. 전체 평균 예측 수익률은 **15.362%**로 나타나며, 비교적 안정적인 성과를 보였다. 그러나 최근 5주에서는 평균 수익률이 **-10.454%**로 감소세를 보였고, 이는 단기적인 시장 변동성으로 인해 모델의 성능이 일시적으로 저하되었을 가능성을 시사한다.

반면, 최근 10주와 25주의 평균 수익률은 각각 **11.508%**와 **9.26%**로 나타나, 중기 및 장기적으로는 여전히 안정적인 수익률을 유지하고 있다. 이러한 결과는 단기적인 변동성을 줄이고 보다 긴 시간 범위에서 모델을 활용할 경우 긍정적인 투자 결과를 얻을 수 있음을 보여준다.

또한, 이를 통해 예측 모델이 시장의 추세를 따라가며 투자 의사 결정을 보조하는 데 중요한 역할을 할 수 있음을 알 수 있다. 특히 수익률 데이터는 모델의 실질적인 효용성을 평가하는 데 핵심적인 지표로 사용될 수 있다.