PSO 기반 인공신경망을 활용한 BSE 센섹스 금융 예측 기술 분석

초록

본 논문은 BSE 센섹스 지수 예측을 위해 입자군집 최적화(PSO)와 인공신경망(ANN)을 결합한 모델을 제안한다. PSO의 전역·국부 최적 탐색 능력을 활용해 ANN 가중치를 효율적으로 학습시키고, 차등 진화(DE)와 비교 실험을 수행한다. 실험 결과는 PSO‑ANN이 기존 GA‑ANN 및 전통 회귀 모델보다 예측 정확도가 높으며, 잡음과 비선형성을 포함한 금융 시계열 데이터에 강인함을 보임을 확인한다.

상세 요약

논문은 먼저 금융 예측 문제의 특성을 ‘불규칙·잡음·시간변화·정적’ 네 가지 카테고리로 정의하고, 이러한 특성을 효과적으로 다룰 수 있는 메타휴리스틱 기법으로서 PSO를 소개한다. PSO는 입자군집이 위치와 속도를 업데이트하면서 개인 최적(pBest)과 전역 최적(gBest)을 공유하는 방식으로 탐색 공간을 탐색한다. 이때 관성 가중치, 인지·사회 계수 등 몇 가지 파라미터만 조정하면 되므로 구현이 간단하고, 전통적인 Gradient Descent나 Quasi‑Newton 방법보다 지역 최소에 빠질 위험이 낮다.

ANN 훈련에 PSO를 적용하는 핵심 아이디어는 각 입자를 ANN의 가중치·바이어스 벡터 전체로 간주하고, 적합도 함수를 예측 오차(예: MSE)로 정의하는 것이다. 이렇게 하면 미분이 불가능하거나 비선형성이 강한 손실 함수에도 적용 가능하며, 학습률이나 모멘텀 같은 하이퍼파라미터 튜닝 부담이 감소한다. 논문은 또한 PSO와 차등 진화(DE)를 비교한다. DE는 변이·교차·선택 연산을 통해 후보 해를 진화시키며, 특히 연속형 최적화 문제에서 높은 수렴 속도를 보인다. 두 알고리즘을 동일한 ANN 구조와 동일한 데이터 셋에 적용해 성능을 평가함으로써, PSO‑ANN이 학습 초기 수렴이 빠르고 과적합을 방지하는 데 유리함을 실증한다.

실험 설계에서는 BSE 센섹스 일일 종가와 거래량, 주요 경제 지표 등을 입력 변수로 사용하고, 5‑fold 교차 검증을 통해 일반화 성능을 검증한다. 평가 지표로는 평균 절대 오차(MAE), 평균 제곱 오차(MSE), 결정계수(R²)를 채택한다. 결과는 PSO‑ANN이 MAE와 MSE에서 기존 GA‑ANN 대비 8~12% 개선을 보였으며, R²는 0.92 수준으로 높은 설명력을 나타냈다. 또한 잡음이 추가된 데이터에 대해서도 성능 저하가 미미해, PSO 기반 학습이 금융 시계열의 불확실성을 견디는 강점을 확인한다.

논문은 마지막으로 PSO의 변형(예: 가중치 감소형 PSO, 다중 군집 PSO)과 하이브리드 전략(PSO‑DE, PSO‑GA) 가능성을 제시하고, 실시간 고빈도 거래 시스템에 적용하기 위한 연산량 최적화 방안을 논의한다. 전반적으로 PSO‑ANN 모델은 금융 예측 분야에서 기존 메타휴리스틱 기반 접근법보다 효율적이며, 파라미터 설정이 간단하고 구현 비용이 낮다는 실용적 장점을 제공한다.