카테고리 없음

주가예측 결과

prezh 2024. 11. 29. 20:06

 

ML 모델은 fandomforest를 사용하였다.

 

 

 

Feature Importance 분석

 

예측 모델이 사용하는 변수들 중 어떤 요소가 결과에 가장 큰 영향을 미치는지를 분석한 그래프이다. 변수의 중요도를 시각화하여 모델의 의사결정 과정을 이해하는 데 도움을 준다.

  1. 가장 중요한 변수:
    • Price는 예측 모델에서 가장 중요한 변수로, 주가 데이터가 모델의 성능에 핵심적인 영향을 미친다.
    • Vol(거래량)은 시장 움직임을 반영하며, 주가 변동성과 관련된 정보를 제공한다.
    • Change(변화율)는 주간 주가 변화의 크기를 나타내며, 중요한 의사결정 변수로 작용한다.
  2. 중간 정도의 중요도를 가진 변수:
    • Search(검색량)는 사람들이 특정 주식에 얼마나 관심을 가지는지를 나타내며, 투자 심리와 연관성이 높다.
    • positive_score와 negative_score는 감성 분석 점수로, 뉴스나 소셜 미디어의 긍정적/부정적 영향을 반영한다.
  3. 중요도가 낮은 변수:
    • sentiment_ma3와 sentiment_ma5는 감성 점수의 이동 평균으로, 상대적으로 낮은 중요도를 기록한다.

이 분석은 데이터 기반 투자 모델이 어떤 변수에 의존하는지를 파악하여 더 나은 예측과 분석을 가능하게 한다.

 

 

 

 

 

모델 성능 평가 지표

랜덤포레스트 모델의 성능을 평가한 결과를 보여준다. 여기서 클래스 1은 주가 상승을 예측한 경우, 클래스 0은 주가 하락을 예측한 경우를 의미한다. 주요 성능 지표인 Precision, Recall, F1-score, Accuracy를 통해 모델의 예측 성능을 분석한다.

클래스별 평가

  1. 클래스 0 (하락 예측):
    • Precision (0.82):
      모델이 하락으로 예측한 데이터 중 실제로 하락한 데이터의 비율을 나타낸다. 높은 Precision 값은 모델이 하락 예측에 있어 정확하게 판단하고 있음을 의미한다.
    • Recall (0.73):
      실제로 하락한 데이터 중에서 모델이 이를 올바르게 예측한 비율이다. Recall 값이 73%로, 하락 데이터 중 일부를 놓치는 경향이 있음을 보여준다.
    • F1-score (0.77):
      Precision과 Recall의 조화 평균으로, 하락 예측에 대한 전반적인 성능이 안정적임을 보여준다.
  2. 클래스 1 (상승 예측):
    • Precision (0.71):
      모델이 상승으로 예측한 데이터 중 실제로 상승한 데이터의 비율이다. Precision 값이 하락 예측보다 낮아, 상승 예측에 대한 정확성이 상대적으로 부족하다.
    • Recall (0.76):
      실제로 상승한 데이터 중에서 모델이 이를 올바르게 예측한 비율이다. Recall 값이 76%로, 상승 데이터 탐지에 비교적 강점을 가진다.
    • F1-score (0.73):
      상승 예측의 전반적인 성능을 나타내며, Recall과 Precision 간 균형을 보여준다.

모델의 전체 성능

  1. Accuracy (0.77):
    • 전체 데이터 중 모델이 올바르게 예측한 비율이다. 모델이 상승 및 하락 모두에 대해 약 77%의 정확도로 예측하고 있음을 보여준다.
  2. Macro Average:
    • 각 클래스(상승/하락)의 Precision, Recall, F1-score의 단순 평균 값이다.
    • Precision: 0.76, Recall: 0.74, F1-score: 0.75로 클래스 간 균형 있는 성능을 보여준다.
  3. Weighted Average:
    • 클래스별 데이터 비율을 반영한 평균 값이다. 하락 데이터가 더 많다면 하락 예측 성능이 더 큰 가중치를 가지게 된다.
    • Weighted Precision: 0.77, Weighted Recall: 0.74, Weighted F1-score: 0.75로, 데이터 분포에 따른 모델 성능을 고려한 결과를 제공한다.

평가 결과 분석

  • 모델은 하락 예측(클래스 0)에 비해 상승 예측(클래스 1)의 Precision이 낮아, 상승 예측에서 다소 오류를 포함할 가능성이 있다.
  • Recall 값은 상승 예측(0.76)이 하락 예측(0.73)보다 높아, 모델이 상승 신호를 탐지하는 데 상대적으로 강점을 보인다.
  • F1-score는 하락(0.77)과 상승(0.73)의 차이가 크지 않으며, 전반적으로 균형 잡힌 성능을 보여준다.

활용 방안

  • 만약 보수적인 투자 전략을 원한다면, Precision이 높은 하락 예측 결과를 활용하여 손실 가능성을 줄이는 방향으로 전략을 수립할 수 있다.
  • 상승 신호에 민감하게 대응하려면 Recall 값이 높은 상승 예측을 참고하여 포지션을 설정할 수 있다.
  • 전체적으로 Accuracy가 77%로 안정적인 성능을 보이며, 데이터 기반으로 투자 결정을 내리는 데 충분히 활용 가능한 모델이다.

이 결과를 바탕으로 랜덤포레스트 모델이 시장 예측 및 투자 전략 수립에 신뢰성 있는 도구로 활용될 수 있음을 확인할 수 있다.

 

 

 

 

 

 

 

  • 조건 충족 데이터:
    • 예를 들어, 2024-08-25 주차는 검색량 19, 주가 208.63, 그리고 SUM_P 값이 10으로 조건을 충족한다.
    • 반면 SUM_P 값이 9 이하인 주차는 분석에서 제외되었다.
  • 필터링의 효과:
    • 조건에 따라 데이터가 줄어들지만, 분석에 사용되는 데이터의 신뢰도는 높아지며, 투자 대상 선정 시 더 높은 정확도를 기대할 수 있다.

여기서 sum_p는

 

 

 

 

 

 

 

모델의 예측 투자 수익률과 기준 투자 수익률(Baseline)을 비교한 결과를 나타낸다. 이를 통해 데이터 기반 투자 모델이 얼마나 효과적인지를 확인할 수 있다.

  1. 예측 투자 수익률(Predicted Return):
    • 전체 평균 수익률은 17.229%로 높은 성과를 기록한다.
    • 최근 5주 평균 수익률은 12.048%, 최근 25주 평균 수익률은 14.400%로, 단기 및 장기 투자 모두에서 성과를 보인다.
  2. 기본 투자 수익률(Baseline Return):
    • 단순 투자 전략에서의 전체 평균 수익률은 5.274%로, 모델의 예측 수익률에 비해 약 3배 낮다.
    • 최근 5주 평균은 2.308%, 최근 25주 평균은 6.942%로, 모든 기간에서 예측 모델보다 낮은 성과를 보인다.
  3. 비교 결과:
    • 모델의 예측 투자 수익률이 기준 투자 수익률을 크게 초과하며, 이는 데이터 기반 투자 전략의 효과를 입증한다.

이 결과는 감성 분석과 데이터 모델링이 금융 시장에서 실질적인 성과를 낼 수 있음을 보여준다. 데이터 기반으로 투자 전략을 설계하는 것이 시장 변화에 적응하고 높은 수익을 창출하는 데 큰 도움이 될 수 있다.

'카테고리 없음'의 다른글

  • 현재글주가예측 결과

티스토리툴바