장기 주가 예측을 위한 적응형 가중치 유전 알고리즘 최적화 SVR 모델

초록

본 논문은 전 세계 주요 5개 주가지수를 대상으로, 유전 알고리즘으로 SVR의 C, ε, γ 하이퍼파라미터를 최적화하고 최근 5년 데이터를 가중치 부여해 전체 학습에 활용한 IGA‑SVR 모델을 제안한다. 2021‑2024년 일일 데이터를 이용해 1년까지의 장기 예측을 수행했으며, MAPE 기준 LSTM 대비 19.87%, 기존 OGA‑SVR 대비 50.03% 개선하고, 학습 시간은 LSTM의 1/20 수준으로 효율성을 입증하였다.

상세 분석

본 연구는 장기 주가 예측이라는 난제에 접근하기 위해 세 가지 핵심 기술을 결합하였다. 첫째, 서포트 벡터 회귀(SVR)의 핵심 하이퍼파라미터인 C(정규화 파라미터), ε(허용 오차), γ(커널 폭)를 동시에 최적화한다는 점에서 기존 연구가 주로 C와 ε만을 조정하던 한계를 넘어선다. 둘째, 유전 알고리즘(GA)을 활용해 파라미터 탐색 공간을 효율적으로 탐색함으로써 전역 최적해에 근접한다. GA의 적응형 가중치 설계는 적합도 함수에 전체 학습 데이터와 최근 5년 데이터의 MAPE 평균을 사용해, 장기 트렌드와 최신 시장 변동성을 동시에 반영한다. 이는 전통적인 롤링 포워드 검증이 최근 데이터에만 초점을 맞추어 장기 추세를 소실시키는 ‘최근성 편향’ 문제를 완화한다. 셋째, 모델 평가에서는 LSTM과 기존 OGA‑SVR을 베이스라인으로 설정하고, 5개 주요 지수(Nifty, DJI, DAX, N225, SSE)를 2021‑2024년 구간에 걸쳐 일일 데이터로 학습·예측한다. 실험 결과 IGA‑SVR는 MAPE에서 LSTM 대비 19.87% 감소, OGA‑SVR 대비 50.03% 감소를 기록했으며, 실행 시간은 LSTM의 약 5% 수준으로 계산 효율성도 크게 우수했다. 이러한 성과는 두 가지 관점에서 의미가 있다. 첫째, 장기 예측 정확도가 크게 향상되어 고액 자산가·기관투자자 등 장기 투자 의사결정에 실용적인 도구가 된다. 둘째, GA 기반 하이퍼파라미터 최적화와 가중치 학습 전략이 SVR의 전통적 한계를 극복하고, 딥러닝 모델에 비해 경량화된 구조로도 경쟁력 있는 성능을 달성할 수 있음을 보여준다. 다만, 본 연구는 가격 자체만을 입력 변수로 사용했으며, 거시경제 지표·뉴스 감성 등 외부 요인을 포함하지 않아 향후 모델 확장에 과제가 남는다. 또한, GA의 파라미터(인구 크기, 교배·돌연변이 확률 등) 선택이 결과에 미치는 민감도 분석이 부족한 점도 보완이 필요하다. 전반적으로 IGA‑SVR은 장기 금융 시계열 예측 분야에서 효율성과 정확성을 동시에 만족시키는 유망한 접근법으로 평가된다.