기술적 지표의 종류

마지막 업데이트: 2022년 3월 4일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기
  1. 1. Chang, W. (2016). The rise of Robo Advisors. Forbes, 11, 214.
  2. 2. Choi, H. and Lim, D. (2013). Bankruptcy prediction using ensemble SVM model. Journal of the Korean Data & Information Science Society, 24, 1113-1125. 원문보기 상세보기
  3. 3. Choi, H. and Min, Y. (2015). Introduction to deep learning. Korea Information Processing Society Review, 22, 7-21.
  4. 4. Hinton, G. and Salakhutdinov, R. (2006). Reducing the dimensionality of data with neural networks. Science, 313, 504-507. 상세보기
  5. 5. Jung, J. and Min, D. (2013). The study of foreign exchange trading revenue model using decision tree and gradient boosting. Journal of the Korean Data & Information 기술적 지표의 종류 Science Society, 24, 161-170. 원문보기 상세보기
  6. 6. Jung, S. and Park, S. (2016). Examination of possible financial market risk accumulations due to prolongation of low interest rates. BOK Financial Stability Report, 27,132-143.
  7. 7. Ko, Y. (2016). A study on the measures to activate the Introduction of the Robo-Advisor in Korea. Korea Science & Art Forum, 25, 19-33.
  8. 8. Kwak, M. and Rhee, S. (2016). Finding factors on employment by adult life cycle using decision tree model. Journal of the Korean Data & Information Science Society, 27, 1537-1545. 원문보기 상세보기
  9. 9. Lee, W. and Chun, H. (2016). A deep learning analysis of the Chinese Yuan's volatility in the onshore and offshore markets. Journal of the Korean Data & Information Science Society, 27, 327-335. 원문보기 상세보기

기술적 지표의 종류

주요선진국의 과학기술지표 체계 연구동향

지식기반경제(knowledge-based economy)에서 과학기술이 차지하는 역할의 증대에 따라, 과학기술투자의 효
율성 제고 및 그 성과물의 사회경제 목적을 위한 효과적인 활용이 중요한 사회적, 정책적 화두의 하나로 등
장하고 있다. 이러한 배경에서 과학기술지표(S&T indicators)의 의미는 더욱더 부각되고 있다. 과학기술지
표는 복잡한 현실의 과학기술 관련 활동과 그 산출물을 객관적으로 검토, 비교, 분석할 수 있게끔 해 주는
계량화된 수치의 체계화된 집합이다. 특히 과학기술의 세분화 및 전문화 그리고 과학연구 환경의 급속한 변
화 등으로 인해 지금까지 과학연구활동에 대한 주 평가 방법으로 사용되어 온 동료평가(peer review)를 보
다 계량화, 객관화할 수 있는 평가방법을 통해 보완할 필요가 제시되고 있다. 과학기술지표는 과학정책 기
획집행자들과 기타 연구개발지원기관에 과학기술 활동의 현황을 제공하고 이를 기초로 앞으로의 발전 방향
을 예측할 수 있게 할 뿐만 아니라, 실제 연구에 종사하는 연구자들에게도 자신 및 동료 연구자들의 활동
에 대한 중요한 정보를 제공할 수 있다.

본 글은 과학기술지표 체계를 구축, 발전시키려는 선진 각국 및 국제기구의 노력이 어떻게 진행되고 있는지
를 파악하고, 개별 국가/기구의 분석으로부터 도출된 결론을 우리나라의 과학기술지표 개발 노력에 견주어
판단해 보며, 이를 통해 향후 우리나라 과학기술지표 개발활동에 대한 시사점을 도출해 보려 한다. 이 글
은 먼저 과학기술지표의 정의와 유형, 그리고 기준 및 단계들을 이론적으로 검토한다. 구체적으로 이 글에
서 다루어지는 주요 국가 및 기구는 과학기술지표 개발 활동에서 두드러지는 OECD, 미국, 일본이다. 또한
우리나라의 과학기술지표 개발활동에 대해서도 간략하게 서술할 것이며, 결론적으로 각국에 대한 연구내용
들을 종합하면서 우리나라에 대한 시사점들을 정리한다.

2. 과학기술지표의 개념, 유형 및 기준

OECD는 과학기술지표를 “과학기술시스템의 내부구조, 과학기술과 경제, 사회, 환경과의 관계, 과학기술의
목표달성 정도, 과학기술활동 자체 및 이로 인한 영향 등 과학기술시스템에 관한 다양한 질문에 객관적으
로 답할 수 있도록 설계된 일련의 자료 체계”로 정의하고 있다. 과학기술의 전문화 및 거대화에 따른 연구
개발 투자의 효율성 제고가 중요한 정책적 이슈로 등장함에 따라 현황 파악과 향후 추세를 제공해 줄 수 있
는 과학기술지표에 대한 관심 역시 증가해 왔다. 이에 따라 선진 각국 및 주요 연구기관들은 다양한 종류
의 과학기술지표들을 개발, 발전시켜 실제 정책평가 및 기획과정에 반영해 오고 있다.

과학기술지표의 유형은 크게 투입(input)지표와 산출(output)지표로 구분될 수 있다. 여기서 투입지표는 연
구개발비나 연구개발인력과 같이 과학기술 연구개발 수행을 위해 투입되는 요소들을 반영하며, 산출지표는
과학논문이나 특허, 기술무역 등의 가시적 지표 뿐 아니라 과학기술의 사회경제효과 등과 같은 장기적이고
쉽게 포착되지 않는 내용들까지 포괄한다. 하지만, 과학기술의 발전이 투입으로부터 산출에 이르는 단순선
형모델에 의해 설명되기 힘들며, 그 중간과정에 일종의 ‘블랙박스’(black-box)처럼 남아있는 연구개발 활
동은 예측하기 힘든 다양한 사회경제적 부산물 또는 효과들을 가져올 수 있음에 유의할 필요가 있다. 지금
까지 과학기술 관련 통계 및 지표는 주로 자료에 쉽게 접근할 수 있고 기존 경제통계와 연계가 수월한 투입
지표들에 집중해 왔으나, 과학기술 연구개발이 가지는 보다 복잡하고 시스템적인 성격을 포착하기 위해 다
양한 성과(outcome)지표를 개발, 발전시키고 또한 과학기술과 사회와의 연관에 대한 지표들도 새로이 발굴
하려는 노력이 기울여지고 있다.

지표 선정의 기준으로는 대표성, 취득가능성, 비교가능성, 반복성, 정책성, 단순성 등을 들 수 있다. 즉 지
표는 대상을 가급적 정확하고 용이하게 대변할 수 있어야 하며, 또한 정책적 함의를 충분히 제공할 수 있어
야 한다. 최근에는 1차원적인 단순지표를 넘어서 연구개발의 여러 측면을 함께 고려하는 복합지표
(compound indicator)에 대한 요구가 증가하고 있다. 복합지표는 우선 그 기본이 되는 통계 및 지표들의 정
립 및 축적이 필수적이고 또한 이들 지표들을 어떻게 하나의 지표로 통합할 것인가에 대한 통계적, 수학적
모델링이 필요하다는 점에서 상당한 수준의 지표체계 발전을 전제로 한다.

3. OECD의 과학기술지표 체계

OECD는 유럽을 중심으로 한 주요 선진국들의 경제기구로서, 과학기술정책 및 관련 지표 개발을 하위 분과
“과학, 기술 및 혁신”의 주요 업무의 하나로 추진하고 있다. 특히 과학기술정책위원회(Committee of S&T
Policy: CSTP) 산하 과학기술지표전문가그룹(National Experts on S&T Indicators: NESTI)은 정기회의와 주
요 이슈에 따른 임시회의 및 워크숍 등을 통해, 각국 과학기술지표의 국제비교 가능성을 제고하고 각국 연
구개발 관련 설문조사에 대한 방법론적 지침을 개발, 발전시키기 위한 활동을 적극적으로 전개하고 있다.

특히 과학기술지표 수집 및 국제비교 방법론 면에서 가장 주요한 OECD의 업적은 프라스카티 기술적 지표의 종류 지침서
(Frascati Manual)의 발간이라 할 수 있다. 프라스카티 지침서는 1963년 첫 번째 판이 발행된 이후 지금까
지 5차에 걸쳐 개정되었으며, OECD NESTI는 2002년 말 그간 진행되어 온 6판 개정작업을 마무리하면서 “프
라스카티 지침서 2002”를 발간하였다. 이러한 지침서의 개정작업은 한편으로는 과학기술지표의 측정 방법
론의 지속적인 발전과, 다른 한편으로 이들 지표가 반영하는 대상인 과학기술 연구개발 활동 및 연구개발
환경 - 특히 경제구조 및 국제관계 - 의 변화에 대응하기 위한 것이다. 예를 들어 최근판 지침서는 경제구
조 및 혁신체계의 변화에 발맞추어, 소프트웨어나 서비스 부문의 연구개발, 그리고 정보기술에 대한 항목
을 강화하고 연구기관 및 기업체의 유형을 현실에 맞게 보완했으며, 많은 방법론적 쟁점들을 보다 정확하
게 정의하려 노력하고 있다. 프라스카티 지침서와 더불어 OECD는 다양한 과학기술지표에 대한 일련의 세부 기술적 지표의 종류
지침서들을 발간해 왔다. 기술무역 관련 지침서(1990), 국가혁신조사에 관한 Oslo Manual(1992 발간, 1997
개정), 특허 지침서(1994), 과학기술인적자원 측정에 관한 Canberra Manual(1995 발간, 2001년 개정) 등이
그 예로 이들은 프라스카티 지침서와 함께 과학기술지표 방법론에 관한 “프라스카티 가족”(Frascati
family)을 형성하고 있다.

또 하나 OECD의 최근 지표개발 활동 중 주목할 만한 것으로는 1996년 NESTI와 OECD 사무국에 의해 발족된
Blue Sky Project를 들 수 있다. 이 프로젝트의 목적은 공급측면에서 새로운 요인에 의해 형성된 기회를 이
용하고 수요측면의 변화에 발맞추어 통계를 수정, 개발하는 것이다. 그 구체적인 내용으로는 지식기반경제
하에서 지식에 대한 투자의 측정, 고급인력의 국제유동성 관련 지표 개발, 국가 및 지역혁신 연구, 성과지
표로서의 특허의 활용, 정부예산과 연구개발의 연관, 그리고 연구개발의 산업에 대한 영향 측정 등이 포함
된다.

4. 미국의 과학기술지표 체계

미 연방정부의 과학기술 연구개발체계는 전통적으로 다수의 연방기구에 의해 수행되는 다원주의적 특징을
지닌다. 즉 실제 연구개발 기획 및 추진은 보건복지부, 에너지부, 상무부 등 주요 연구개발 관련부서의 관
할 하에 진행되고, 연방정부는 이들의 전체 활동을 종합조정하고 국가 차원에서 기획하는 임무를 담당하고
있다. 따라서 각 연방기구들은 각자의 정책적 필요에 따라 과학기술 관련 통계와 지표를 수집·정리하고 있
다. 그 중 미국 과학기술정책에서 가장 주요한 역할을 수행하는 것은 국립과학재단(National Science
Foundation)에서 격년 간격으로 발행하는 있는 과학공학지표집(Science and Engineering Indicators: SEI)
이다. SEI는 1972년 “과학지표집”이라는 이름으로 미국 과학기술의 건강상태에 대한 연방정부 및 의회에
대한 보고서의 형태로 최초 발간된 이후, 변화된 상황에 맞추어 기술에 대한 내용을 포함시키고 발간 간격
을 조정하여 1987년 판부터 지금과 같은 명칭으로 발간되어 오고 있다. SEI는 국가 차원에서 과학기술 및
관련 교육 지표들을 체계적으로 정리하고 시계열적인 데이터를 축적해 온 최초의 시도로 이후 주요 국가
및 연구개발 관련 국제기구들의 통계 및 지표 개발에 대한 중요한 모범 사례로 꼽혀오고 있다. 실제로 OECD
의 경우 이미 1960년대 초 국제비교가 가능한 국가별 과학기술통계와 지표에 대한 사전 연구가 광범위하게
이루어졌음에도 불구하고, 실제 통계자료의 축적이 이루어진 것은 SEI 발간 이후인 1970년대 중반부터였
다.

NSF에서 SEI 발간을 담당하고 있는 부서는 사회·행동·경제과학국 산하의 과학자원통계실(Division of
Science Resources Statistics: SRS)이다. SRS는 주기적으로 수행되는 과학기술 관련 자체 서베이 결과와
여타 정부기관에서 수행한 연구결과들을 종합하여 SEI의 발간에 참조하고 있다. SEI의 구체적인 지표 내용
의 최근 변화를 살펴보면, 기존의 투입지표에 대한 집중에서 벗어나 점차 논문발표 및 이의 과학공동체에
대한 영향도, 연구개발의 산업기술과의 연관성을 대변하는 특허 지표의 활용, 기술무역이나 세계화 등의 현
안에 대한 지표, 그리고 과학기술에 대한 사회인식, 일반대중의 과학기술에 대한 이해와 태도 등으로 과학
기술이 사회와 맺는 복잡한 연관을 보다 잘 포착하기 위해 지표의 다변화를 꾀하고 있음을 알 수 있다.

5. 일본의 과학기술지표 체계

일본은 과학기술지표를 국가 과학기술활동을 정량적, 체계적으로 파악하는 방법으로 인식하고 1980년대부
터 지표에 대한 연구를 수행해 왔다. 일본에서 과학기술지표 관련 업무를 주로 담당하고 있는 부서는 1988
년 설립된 일본과학기술정책연구소(NISTEP)이다. NISTEP은 1991년 “과학기술지표” 보고서 1판을 발간하였
으며, 1995년 과학기술기본법 제정, 1996년 과학기술기본계획 수립 등을 계기로 과학기술지표에 대한 관심
이 증가하면서 1995년, 1997년 그리고 2000년에 각각 개정판을 발간하였다. 최근 일본의 기술적 지표의 종류 과학기술지표 개
발 활동은 판단형 지표의 확립 및 정책평가형 지표로의 변화와 새로운 지표 추가 및 기존 지표의 문제점 해
결이라는 두 개의 큰 흐름으로 요약될 수 있다.

일본 과학기술지표 체계는 “폭포 구조”(cascade structure)라는 독특한 형태로 구성되어 있다. 이 시각
은 과학기술 연구개발 활동을 구성하는 여러 요소들이 폭포수의 흐름과 같은 일련의 과정을 통해 연결되어
있다고 파악한다. 이 기술적 지표의 종류 구조는 크게 과학기술기반, 연구개발기반, 연구개발활동, 연구개발성과, 과학기술의
기여, 과학기술의 사회성 등으로 구성되며, 과학기술지표 체계는 이들 간의 상호연관을 파악함으로써 구축
된다.

또 하나 일본 과학기술지표 연구의 주요한 특징으로는 종합지표(general indicator)를 개발하려는 노력을
들 수 있다. 개별 지표들은 과학기술 연구개발 활동의 한 측면을 파악하기에는 적합하지만, 한 국가의 과학
기술력 전반을 이해하기에는 어려움이 있다. 과학기술종합지표는 주성분분석(principal component
analysis)이라는 통계기법을 이용, 다수의 과학기술지표들을 하나의 단일 지표로 재구성한다. 또한 일본은
과학기술정책상의 기획 및 집행에서 이들 과학기술지표들을 적극 활용하려 시도하고 있다. 이처럼 정책요구
에 부응하려는 실용적인 경향은 상대적으로 성공적인 일본의 지표연구 및 개발 활동을 설명해 주는 하나의
요인이기도 하다.

6. 한국의 과학기술지표 체계

우리나라는 1963년 연구기관실태조사라는 이름 하에 최초로 연구개발 통계조사가 수행된 이래, 매년 과학기
술통계 및 지표 작성의 일환으로 국가지정통계인 “과학기술연구개발활동조사”가 이루어지고 있다. 또한
산업기술진흥협회의 기술수출입 현황조사, 과학기술정책연구원(STEPI)의 기술혁신조사 등 연구개발 관련 통
계조사들이 주기적으로 이루어지고 있다. 그러나 이들 조사는 연구개발 현황에 대한 기초통계 작성을 주 목
적으로 할 뿐, 우리나라 과학기술활동의 전반적인 변화 추이와 과학기술의 종합적 수준, 국가사회 전반에
미치는 영향, 과학기술의 미래 예측 및 사회적 역할 등 거시적 차원에서 과학기술의 위치를 조망하고 정책
수립에 활용될 수 있는 분석지표를 도출하려는 시도는 아직까지 미약한 실정이다.

우리나라 과학기술 관련통계 중 대표적인 것은 “과학기술연구개발활동조사”로 1963년 경제기획원에 의해
“연구기관실태조사”라는 이름으로 최초 실시된 후 1967년 당시 과학기술처로 업무가 이관된 이래 매년 연
구개발투자, 연구개발인력 등 기초적인 연구개발 투입통계를 작성하고 있다. 이 조사는 우리나라의 OECD 가
입 이후 프라스카티 지침서에 의거 국제비교가 가능한 형태로 작성·보고되고 있으며 현재 과학기술 연구개
발에 관련된 우리나라의 공식통계로 공표되고 있다. 현재 “과학기술연구개발활동조사”는 과학기술부의 주
관 하에 한국과학기술기획평가원(KISTEP)이 실무를 담당하고 있다. 기타 주요 연구개발 관련 통계로는 산업
자원부가 실무를 담당하고 있는 기술무역통계 및 과학기술부 주관 하에 산업기술진흥협회가 실무를 담당하
고 있는 기술수출통계를 들 수 있다. 한편 기초과학성과통계에 대해서는 과학기술부가 한국과학기술원
(KAIST)기술적 지표의 종류 에 위탁과제 형태로 분석을 의뢰하여 주로 Science Citation Index를 기초로 매년 국내 연구자들의
논문 발표 및 피인용도에 관한 분석이 이루어지고 있다. 이 외에도 특허통계는 특허청에서 담당하고 있으
며, 교육통계는 교육인적자원부의 주관 하에 한국교육개발원(KEDI)에서 작성하고 있다.

이상에서 알 수 있듯이 우리나라의 과학기술 연구개발 관련 통계 및 지표는 다양하게 수집되고 있으나 각
주관부처별로 분산되어 이루어지고 있다. 각 업무 주관부처에 따라 필요한 통계 및 지표를 수집, 관리할 필
요성이 있음을 인정하더라도, 예를 들어 미국과 같은 다원주의 체계를 가진 국가에서도 과학기술 관련 지표
를 통일된 틀 안에서 정리·분석·평가하려 노력하고 있다는 점을 감안할 때, 우리나라에서도 이처럼 과학
기술 연구개발 관련 통계지표를 종합·분석할 수 있는 제도적 장치의 마련이 시급하다고 하겠다.

지금까지 본 글은 OECD, 미국, 일본 등 주요국의 기술적 지표의 종류 과학기술지표 체계를 살펴보고, 그 결과를 우리나라의 과
학기술지표 활용 실태와 비교해 보았다. 그 결과 본 글은 국내 과학기술지표 개발 활동이 그동안 상당량의
기초통계를 축적해 왔으며, 특히 투입지표 부문에 있어서는 국제비교가 가능한 양질의 통계를 생산하고 있
음에도 불구하고, 성과지표라든가 과학기술의 사회경제적 효과에 대한 지표의 개발에는 아직 미흡하며 무엇
보다도 여러 부처/기관을 통해 이루어지는 과학기술 연구개발 관련 통계지표들이 체계적으로 종합되지 못하
고 있음을 지적하였다. 과학기술지표를 정책기획 및 실행에 적극 통합시키고 있는 일본의 사례나 다원주의
적인 연구개발 체계 하에서도 연방정부의 조정 역할을 강조하고 있는 미국의 예를 볼 때, 앞으로 우리나라
의 과학기술지표들을 보다 체계적으로 조직하고 이를 바탕으로 한정된 과학기술 자원을 국가 차원에서 효과
적으로 활용하고 그 성과를 극대화시킬 필요성은 더욱더 커진다고 하겠다.

ScienceON Chatbot

2016년 3월 구글 (Google)의 바둑인공지능 알파고 (AlphaGo)가 이세돌 9단과의 바둑대결에서 승리한 이후 다양한 분야에서 인공지능 사용에 대한 관심이 높아지고 있는 가운데 금융투자 분야에서도 인공지능과 투자자문 전문가의 합성어인 로보어드바이저 (Robo-Advisor)에 대한 관심이 높아지고 있다. 인공지능 (artificial intelligence)기반의 의사결정은 비용 절감은 물론 효과적인 의사결정을 가능하게 한다는 점에서 큰 장점이 있다. 본 연구에서는 기술적 분석 (technical analysis) 지표와 딥러닝 (deep learning) 모형을 결합하여 한국 코스피 지수를 예측하는 모형을 개발하고 제시한 모형들의 예측력을 비교, 분석한다. 분석 결과 기술적 분석 지표에 딥러닝 알고리즘을 결합한 모형이 주가지수 방향성 예측 문제에 응용될 수 있음을 확인하였다. 향후 본 연구에서 제안된 기술적 분석 지표와 딥러닝모형을 결합한 기법은 로보어드바이저서비스에 응용할 수 있는 일반화 가능성을 보여준다.

Abstract

Since Google's AlphaGo defeated a world champion of Go players in 2016, there have been many interests in the deep learning. In the financial sector, a Robo-Advisor using deep learning gains a significant attention, which builds and manages portfolios of financial instruments for investors.In this paper, we have proposed the a deep learning algorithm geared toward identification and forecast of the KOSPI index direction,and we also have compared the accuracy of the prediction.In an application of forecasting the financial market index direction, we have shown that the Robo-Advisor using deep learning has a significant effect on finance industry. The Robo-Advisor collects a massive data such as earnings statements, news reports and regulatory filings, analyzes those and recommends investors how to view market trends and identify the best time to purchase financial assets. On the other hand, the Robo-Advisor allows businesses to learn more about their customers, develop better marketing strategies, increase sales and decrease costs.

본문요약 다운로드 * AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

  • 본 연구는 기술적 주가분석기법을 의사결정나무모형, 서포트벡터머신모형 그리고 딥러닝모형에 결합함으로써 한국 코스피지수의 상승 또는 하락을 예측 하고자 한다.

본 연구는 기술적 주가분석기법을 의사결정나무모형, 서포트벡터머신모형 그리고 딥러닝모형에 결합함으로써 한국 코스피지수의 상승 또는 하락을 예측 하고자 한다.

본 연구에서 인공지능을 포함한 기계학습을 통한 한국 코스피 지수의 예측력을 분석하고자 한다. 분석기간은 2000년 1월 4일부터 2016년 2월 12일까지 일별 지수 종가 값을 기초로 한다.

또한 모형을 평가하기 위해 정확도와 함께 가장 많이 사용되는 척도로는 오류율이 있다. 오류율은 정확도의 반대개념으로 (1-정확도) 표현된다. 판단기준으로는 정확도는 높을수록, 오류율은 낮을수록 분류모형의 성능이 좋다고 할 수 있다.

본 실험에 사용한 딥러닝모형은 5개의 입력뉴런과 2개의 출력뉴런 그리고 1∼3개까지의 은닉층개수의 변화와 1∼5개의 은닉뉴런수의 변화를 주었다. 더불어 딥러닝에는 쌓아 올린 오토인코더 학습방법을 이용하였다 (Table 3.

본 연구에서는 기술적 주가분석기법을 의사결정나무모형, 서포트벡터머신모형 (support vector machine) 그리고 딥러닝 (deep learning)모형에 결합한 새로운 기법을 제안하였고, 한국 코스피 주가지수의 방향성 예측에 대해 비교 분석하였다. 분석 결과는 아래와 같다.

본 연구에서는 분류회귀나무 알고리즘을 활용하여 의미 있는 요인을 선택하였고 선택된 유의미한 요인을 이용하여 한국 코스피의 방향성을 예측할 수 있는 의사결정모델을 도출하였다. 둘째, 서포트벡터머신 (support vector machine)을 이용하여 한국 코스피지수를 예측하는데 있어 분류회귀나무모형에서 추출된 유의미한 예측변수들은 서포트벡터머신모형의 입력변수로 사용된다.

본 연구에서는 상대강도지수,모멘텀,변화율지표,지수이동평균교차등의 기술적 주가분석 지표들을 이용하여 한국 코스피 지수의 상승 또는 하락에 대한 예측 성능을 비교한다.

본 연구에서 사용할 분석기간은 2000년 1월 1일에부터 2016년 2월 12일까지 한국 코스피 주가지수에 대한 일별 지수 종가 값이며 이는 블룸버그에서 수집했다.

즉 자료를 훈련 자료와 검증 자료로 나누어 모델링 및 평가하는 작업을 10회 반복하였다. 그리고 교차 검증을 통해 최선의 모델을 가지고 검증자료에 적용해 성능을 평가하였다.

한국 코스피 주가지수 방향에 크게 영향을 미치는 기술적 주가분석 지표가 무엇인지를 알고자 학습 결과가 if-then-else 규칙으로 해석이 용이할 뿐만 아니라 예측 모형을 생성할 때 추가적인 정교화를 할 수 있다는 장점을 가지기 때문에 분류회귀나무모형을 이용하여 분석하였다. 더불어 분류오류를 할 위험이 높거나 부적절한 규칙 그리고 과적합을 고려하여 본 연구에서는 의사결정 가지치기를 적용하였다.

본 실험에 사용한 딥러닝모형은 5개의 입력뉴런과 2개의 출력뉴런 그리고 1∼3개까지의 은닉층개수의 변화와 1∼5개의 은닉뉴런수의 변화를 주었다. 더불어 딥러닝에는 쌓아 올린 오토인코더 학습방법을 이용하였다 (Table 3.5). 오토인코더는 학습하는 과정에서 적은 수의 은닉노드에 핵심 특성에 대한 압축된 표현을 저장한다.

본 연구에서는 기계학습을 통한 한국 코스피 지수 예측 능력을 실험하기 위해서 교차 검증 (cross validation)을 거친 대표적인 3종류의 기계학습 모형을 이용한다.

본 연구에서는 전체 및 선정된 기술적 주가분석 지표를 각각 서포트벡터머신모형과 딥러닝모형에 결합하여 사용하였다.

RBF (radial basis function) 커널을 이용한 서포트벡서터신모형결과 (Table 3.3), 시그마가 0.001이고 코스트가 20인 경우 전체 기술적 분석지표에 대한 검증자료의 정확도가 77.67%로 가장 우수한 결과를 나타내었다. 시그마가 0.

첫째, 전체 변수를 사용하지 않고 선정된 변수만으로도 한국 코스피 주가지수 방향을 예측할 수 있다는 결과를 얻었다. 둘째, 제시한 모형들의 비교실험을 수행한 결과, 세 모형의 방향성에 대한 예측력이 비슷하다는 결과를 얻었다. 이는 수많은 금융시장 변수들이 직간접적으로 서로 복잡하게 얽혀 불규칙적으로 변화하기 때문에 딥러닝모형을 이용하더라도 기술적 지표 (technical indicators)만으로 미래 주가지수의 움직임을 예측하는 것은 한계가 있다고 사료된다.

본 논문이 제안한 딥러닝 (deep learning)모형과 기술적 분석지표를 결합한 한국 코스피주가지수 방향성예측의 성능을 평가하기 위해 C++를 사용 분류회귀나무모형, 서포트벡터모형과의 비교실험을 수행하였고 그 결과 (Table 3.7) 세 모형의 예측력이 비슷했다. 이는 기술적 지표의 종류 수많은 금융시장 변수들이 직간접적으로 서로 복잡하게 얽혀 불규칙적으로 변화하기 때문에 딥러닝모형을 이용하더라도 기술적 지표 (technical indicators)만으로 미래 주가지수의 움직임을 예측하는 것은 한계가 있다고 사료된다.

분류회귀나무모형에 의한 분석 결과 (Table 3.2), 전체 기술적 분석지표에 대한 학습 및 검증자료의 정확도는 각각 76.12%와 76.05%로 과적합 없이 잘 분류되었고 가지치기에 의해 선정된 기술적 주가분석 지표변수에 대한 학습 및 검증자료의 정확도는 각각 78.17%와 77.82%로 예측성능이 더 향상되었음을 알 수 있다. 즉 전체변수를 사용할 때의 최적모델과 선택변수를 사용하여 만든 최적모델의 정확도를 비교해보면 전체변수 사용 시에는 76%이고 선택변수를 사용할 시에도 77%의 정확도를 보여줌으로써 전체 변수를 사용하지 않고 선정된 변수 (상대강도지수,모멘텀,변화율지표, 3일 지수이동평균 그리고 5일 지수이동평균) 만으로도 한국 코스피 주가지수 방향을 예측하는데 큰 차이를 보여주지 않음을 알 수 있다.

67%로 가장 우수한 결과를 나타내었다. 시그마가 0.1인 코스트가 60인 경우 선정된 기술적 분석지표에 대한 검증자료의 정확도는 77.06%로 가장 우수한 결과를 나타내었다. 즉 전체변수를 사용할 때의 최적모델과 선택변수를 사용하여 만든 최적모델의 정확도를 비교해보면 두 모형 약 77%의 정확도를 보여줌으로써 전체 변수를 사용하지 않고 선정된 변수만으로도 한국 코스피 주가지수 방향을 예측하는데 큰 차이를 보여주지 않음을 알 수 있다.

06%로 가장 우수한 결과를 나타내었다. 즉 전체변수를 사용할 때의 최적모델과 선택변수를 사용하여 만든 최적모델의 정확도를 비교해보면 두 모형 약 77%의 정확도를 보여줌으로써 전체 변수를 사용하지 않고 선정된 변수만으로도 한국 코스피 주가지수 방향을 예측하는데 큰 차이를 보여주지 않음을 알 수 있다.

82%로 예측성능이 더 향상되었음을 알 수 있다. 즉 전체변수를 사용할 때의 최적모델과 선택변수를 사용하여 만든 최적모델의 정확도를 비교해보면 전체변수 사용 시에는 76%이고 선택변수를 사용할 시에도 77%의 정확도를 보여줌으로써 전체 변수를 사용하지 않고 선정된 변수 (상대강도지수,모멘텀,변화율지표, 3일 지수이동평균 그리고 5일 지수이동평균) 만으로도 한국 코스피 주가지수 방향을 예측하는데 큰 차이를 보여주지 않음을 알 수 있다. 이 때 최적의 의사결정나무를 도출하기 위하여 가지 수 변화에 따른 교차검증 에러값이 가장 작은 기준에 따라 선택된 복잡 매개변수 (complex parameter)는 0.

분석 결과는 아래와 같다. 첫째, 전체 변수를 사용하지 않고 선정된 변수만으로도 한국 코스피 주가지수 방향을 예측할 수 있다는 결과를 얻었다. 둘째, 제시한 모형들의 비교실험을 수행한 결과, 세 모형의 방향성에 대한 예측력이 비슷하다는 결과를 얻었다.

우선 기술적 분석지표 외에 기본적 주가 분석 또는 금융시장 상황에 영향을 주는 변수들을 추가한 연구가 필요하다. 더불어 본 연구에서 비교대상으로 제시하였던 방법론 외 다양한 딥러닝 (deep learning) 알고리즘과 비교해보고 더 우월한 모형을 제시, 연구해 볼 수 있다.

이에 향후 몇 가지 보완할 점이 필요하다. 우선 기술적 분석지표 외에 기본적 주가 분석 또는 금융시장 상황에 영향을 주는 변수들을 추가한 연구가 필요하다. 더불어 본 연구에서 비교대상으로 제시하였던 방법론 외 다양한 딥러닝 (deep learning) 알고리즘과 비교해보고 더 우월한 모형을 제시, 연구해 볼 수 있다.

2016년 3월 구글 (Google)의 바둑인공지능 알파고 (AlphaGo)가 이세돌 9단과의 바둑대결에서 승리한 이후 다양한 분야에서 인공지능 사용에 대한 관심이 높아지고 있는 가운데 금융투자 분야에서도 인공지능과 투자자문 전문가의 합성어인 로보어드바이저 (Robo-Advisor)에 대한 관심이 높아지고 있다. 인공지능 (artificial intelligence)기반의 의사결정은 비용 절감은 물론 효과적인 의사결정을 가능하게 한다는 점에서 큰 장점이 있다.

기본적 주가분석은 기업의 내재가치에 영향을 미치는 모든 요소들을 분석하는 방법이지만 개별 기업의 내재가치 정의 및 측정방식 등을 기반으로 미래의 주가를 예측하는 것은 한계가 있다. 기술적 주가분석은 ‘주가는 수요와 공급의 원리에 따라 결정되며 수급의 결과는 그래프로 나타난다’는 이론을 배경으로, 그래프 분석을 통해 미래 주가를 예측하는 방법이다.

금융투자를 위한 일반적인 주식예측방법으로 기본적 주가분석과 기술적 주가분석이 존재한다. 기본적 주가분석은 기업의 내재가치에 영향을 미치는 모든 요소들을 분석하는 방법이지만 개별 기업의 내재가치 정의 및 측정방식 등을 기반으로 미래의 주가를 예측하는 것은 한계가 있다. 기술적 주가분석은 ‘주가는 수요와 공급의 원리에 따라 결정되며 수급의 결과는 그래프로 나타난다’는 이론을 배경으로, 그래프 분석을 통해 미래 주가를 예측하는 방법이다. 컴퓨터 알고리즘의 발달과 더불어 기본적 주가분석과 기술적 주가분석을 통한 미래의 주가를 예측하는 방법들이 진화하고 있지만 직간접적으로 서로 복잡하게 얽혀있는 수많은 변수들에 의해서 불규칙적으로 변화하기 때문에 정확히 주가를 예측하는 것은 한계가 있을 뿐 아니라 매우 어렵고 복잡하다

2016년 3월 구글 (Google)의 바둑인공지능 알파고 (AlphaGo)가 이세돌 9단과의 바둑대결에서 승리한 이후 다양한 분야에서 인공지능 사용에 대한 관심이 높아지고 있는 가운데 금융투자 분야에서도 인공지능과 투자자문 전문가의 합성어인 로보어드바이저 (Robo-Advisor)에 대한 관심이 높아지고 있다. 인공지능 (artificial intelligence)기반의 의사결정은 비용 절감은 물론 효과적인 의사결정을 가능하게 한다는 점에서 큰 장점이 있다.

저자의 다른 논문

참고문헌 (9)

  1. 1. Chang, W. (2016). The rise of Robo Advisors. Forbes, 11, 214.
  2. 2. Choi, H. and Lim, D. (2013). Bankruptcy prediction using ensemble SVM model. Journal of the Korean Data & Information Science Society, 24, 1113-1125. 원문보기 상세보기
  3. 3. Choi, H. and Min, Y. (2015). Introduction to deep learning. Korea Information Processing Society Review, 22, 7-21.
  4. 4. Hinton, G. and Salakhutdinov, R. (2006). Reducing the dimensionality of data with neural networks. Science, 313, 504-507. 상세보기
  5. 5. Jung, J. and Min, D. (2013). The study of foreign exchange trading revenue model using decision tree and gradient boosting. Journal of the Korean Data & Information Science Society, 24, 161-170. 원문보기 상세보기
  6. 6. Jung, S. and Park, S. (2016). Examination of possible financial market risk accumulations due to prolongation of low interest rates. BOK Financial Stability Report, 27,132-143.
  7. 7. Ko, Y. (2016). A study on the measures to activate the Introduction of the Robo-Advisor in Korea. Korea Science & Art Forum, 25, 19-33.
  8. 8. Kwak, M. and Rhee, S. (2016). Finding factors on employment by adult life cycle using decision tree model. Journal of the Korean Data & Information Science Society, 27, 1537-1545. 원문보기 상세보기
  9. 9. Lee, W. and Chun, H. (2016). A deep learning analysis of the Chinese Yuan's volatility in the onshore and offshore markets. Journal of the Korean Data & Information Science Society, 27, 327-335. 원문보기 상세보기

이 논문을 인용한 문헌

궁금한 사항이나 기타 의견이 있으시면 남겨주세요.

  • DOI : 10.7465/jkdi.2017.28.2.287
  • 한국학술정보 : 저널
  • 한국데이터정보과학회 : 저널
  • DBPia : 저널

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)

피델리티아시아증권자투자신탁(주식)종류C 1 (0P0000IVXP)

간단한 요약 - 피델리티아시아증권자투자신탁(주식)종류C 1 펀드에 대한 적극 매수, 매수, 적극 매도, 매도 또는 중립 신호. 이동 평균 매수/매도 신호(5, 10, 20, 50, 100 및 200 구간에 대한 단수 및 지수) 및 일반 차트 지표(RSI, RSI, Stochastics, StochRSI, MACD, ADX, CCI, ROC, 윌리암스 %R, Ultimate 등) 매수, 매도, 과매수, 과매도 또는 중립 신호를 통해 상세한 기술적 분석에 접근하실 수 있습니다. 또한 일반, 피보나치, 카마릴라, Woodie와 Demark의 피봇 포인트 수준이 제공됩니다. 모든 0P0000IVXP 펀드 기술적 연구는 다른 기간에도 이용 가능합니다.

피봇 포인트 2022년 08월 03일 06:50 GMT

종목 S3 S2 S1 피봇 포인트 R1 R2 R3
클래식 1743.550 1743.550 1743.550 1743.550 1743.550 1743.550 1743.550
피보나치 1743.550 1743.550 1743.550 1743.550 1743.550 1743.550 1743.550
카마리야 1743.550 1743.550 1743.550 1743.550 1743.550 1743.550 1743.550
우디스 1743.550 1743.550 1743.550 1743.기술적 지표의 종류 550 1743.550 1743.550 1743.550
디마크스 - - 1743.550 1743.550 1743.550 - -

기술적 지표 2022년 08월 03일 06:50 GMT

이동평균 2022년 08월 03일 06:50 GMT

의견을 통해 다른 사용자들과 교류하고 , 관점을 공유하고 , 저자와 서로 간에 의문점을 제시하시기를 바랍니다 . 하지만 , 저희 모두가 기대하고 소중히 여기는 높은 수준의 담화를 유지하기 위해 , 다음과 같은 기준을 기억하시기 바랍니다 :

  • 풍성한 대화 나누기.
  • 주제에 집중하기. 토론 주제와 관련된 것만 게시합니다 .
  • 존중하기. 부정적인 의견도 긍정적이고 세련되게 표현할 수 있습니다 .
  • 표준어 사용 : 문법에 맞춰 글을 작성합니다 .
  • 주의사항: 의견에 포함된 스팸이나 홍보용 메시지 및 링크는 제거될 것입니다 .
  • 저자나 다른 사용자에 대한 욕설,비방,또는 인신공격은 삼가하시기 바랍니다.
  • 대화를 독점하지 마십시오. 열정과 소신에 감사드립니다 . 다만 다른 분들에게도 자신의 생각을 표현할 기회를 드리고자 합니다 . 의견은 간결하고 사려 깊게 제시하시고 다른 사람이 불편해 할 수 있음으로 같은 의견을 되풀이하지 마시기 바랍니다 . 이야기나 포럼을 독차지하는 사람에 대한 불만이 접수될 경우 , 해당 사이트에서 그 사람을 금지할 수 있습니다 .
  • 기술적 지표의 종류
  • 의견은 한글로 작성해주세요 .

스팸 또는 비방글은 사이트에서 삭제될 것이며 Investing.com 의 결정에 따라 추후 댓글 등록이 금지될 것입니다 .

0P0000IVXP 코멘트

%USER_NAME%(을)를 정말로 차단하시겠습니까?

그렇게 하면, 귀하와 %USER_NAME%(은)는 서로의 Investing.com 게시물을 볼 수 없습니다.

%USER_NAME%(은)는 차단 명단에 추가되었습니다.

방금 이 사람을 차단해제하였으므로 48시간 이후에 차단을 재개할 수 있습니다.

나는 이 의견이 다음과 같다고 생각합니다:

귀하의 보고는 검토를 위해 조정자에게 보내졌습니다.

코스피지수2,461.45+21.83+0.89%
코스피200 선물 (F)324.15+2.65+0.82%
US 5004,119.0+27.8+0.68%
US Tech 10013,092.4+190.8+1.48%
DAX13,512.12+62.92+0.47%
닛케이27,741.90+147.17+0.53%
미국 달러 지수106.585+0.481+0.45%
1,772.70-17.00-0.95%
19.867-0.272-1.35%
브렌트유99.88-0.66-0.66%
WTI유93.68-0.74-0.78%
천연가스7.705-0.001-0.01%
구리3.4805-0.0380-1.08%
미국 옥수수592.38+0.38+0.06%
달러/원1,312.84-2.07-0.16%
유로/달러1.0136-0.0028-0.28%
브라질 헤알/원247.41-2.54-1.02%
엔/원9.7726-0.0774-0.79%
파운드/달러1.2119-0.0053-0.44%
태국 바트/원36.135-0.073-0.20%
달러/엔134.35+1.18+0.89%
애플163.62+3.61+2.26%
알리바바 ADR92.89+0.27+0.29%
트위터41.13+0.15+0.38%
알코아48.07-0.27-0.56%
뱅크오브아메리카33.21+0.17+0.51%
코카콜라63.42-0.22-0.34%
엑슨모빌93.22-0.85-0.90%
종목가격변동변동 %
Fidelity Korea - .1,746.040 +2.490 +0.14%

다운로드App store

리스크 고지: 금융 상품 및/또는 가상화폐 거래는 투자액의 일부 또는 전체를 상실할 수 있는 높은 리스크를 동반하며, 모든 투자자에게 적합하지 않을 수 있습니다. 가상화폐 가격은 변동성이 극단적으로 높고 금융, 규제 또는 정치적 이벤트 등 외부 요인의 영향을 받을 수 있습니다. 특히 마진 거래로 인해 금융 리스크가 높아질 수 있습니다.
금융 상품 또는 가상화폐 거래를 시작하기에 앞서 금융시장 거래와 관련된 리스크 및 비용에 대해 완전히 숙지하고, 자신의 투자 목표, 경험 수준, 위험성향을 신중하게 고려하며, 필요한 경우 전문가의 조언을 구해야 합니다.
Fusion Media는 본 웹사이트에서 제공되는 데이터가 반드시 정확하거나 실시간이 아닐 수 있다는 점을 다시 한 번 알려 드립니다. 본 웹사이트의 데이터 및 가격은 시장이나 거래소가 아닌 투자전문기관으로부터 제공받을 수도 있으므로, 가격이 정확하지 않고 시장의 실제 가격과 다를 수 있습니다. 즉, 가격은 지표일 뿐이며 거래 목적에 적합하지 않을 수도 있습니다. Fusion Media 및 본 웹사이트 데이터 제공자는 웹사이트상 정보에 의존한 거래에서 발생한 손실 또는 피해에 대해 기술적 지표의 종류 어떠한 법적 책임도 지지 않습니다.
Fusion Media 및/또는 데이터 제공자의 명시적 사전 서면 허가 없이 본 웹사이트에 기재된 데이터를 사용, 저장, 복제, 표시, 수정, 송신 또는 배포하는 것은 금지되어 있습니다. 모든 지적재산권은 본 웹사이트에 기재된 데이터의 제공자 및/또는 거래소에 있습니다.
Fusion Media는 본 웹사이트에 표시되는 광고 또는 광고주와 사용자 간의 상호작용에 기반해 광고주로부터 보상을 받을 수 있습니다. 본 리스크 고지의 원문은 영어로 작성되었으므로 영어 원문과 한국어 번역문에 차이가 있는 경우 영어 원문을 우선으로 합니다.

기술적 지표의 종류

01. 기술적 분석의 개념

과거 가격의 움직임에 대한 연구를 기초로 미래의 주가 동향을 예측하는 것.

주식시장 가격은 기대를 반영하면서 추세(Trend)와 패턴(Pattern)을 형성하게 되는데 가격 데이터(시가, 고가, 저가, 거래량 등)기술적 지표의 종류 와 기간 데이터의 분석을 통한 시장심리를 이용하여 미래 주가를 예측한다. 미래에 대한 완벽한 예측을 가져오진 않는다. 하지만 투자자가 장기간에 걸쳐 주가를 예측할 수 있게 돕는다. 차트를 보면서 주가 패턴에 대한 해석을 통해 성공적 투자를 하는 요인이 된다.

-가격 데이터: 시가(open), 고가(high), 저가(low), 종가(close), 거래량(volume) 등
-기간 데이터: 시간(1분, 5분, 10분, 15분, 30분 또는 시간), 일별, 주별 또는 월별 데이터와 지난 몇 시간이나 수년간 테이터

주식의 시세 변동매수 세력과 매도 세력에 근거한 거래시점의 수요와 공급에 따라 결정되며, 수요와 공급의 변화는 가격 형성을 통하여 차트 상에 나타난다는 것이다. 시세의 움직임은 일정한 추세를 형성하면서 진행하는 경향이 있으며 시세가 지금까지 진행했던 추세의 방향을 바꿀 때반드시 특수한 모형(Pattern)을 형성하는 속성을 가진다. 이러한 속성을 이용한 차트 분석을 통해 가격 추세를 추정하고 추세의 방향 전환을 파악하는 것이 차트 분석의 핵심이다.

02. 기술적 분석의 전제

(1) 시장가격은 모든 요소를 반영하고 있다.

기술적 분석은 시장이 수요 공급의 요인을 신속히 반영하고 있으며 수요 공급의 변화는 즉각적으로 시장가격에 영향을 준다. 수요와 공급 변화가 신속히 가격에 반영되기 때문에 가격의 분석만을 통하여서도 시장의 모든 정보를 효율적으로 파악하여 미래 가격동향을 예측 할 수 있다는 것이다.

(2) 가격은 추세에 따라 움직인다.

가격은 형성된 추세가 전환 될 때까지 지속되므로 추세에 따라 거래를 할 경우 성공적인 거래가 가능하다는 인식을 가진다. 따라서 추세의 올바른 파악을 목적으로 하고 있다. 가격이 추세에 따라 움직이지 않는다면 기술적 분석 자체가 무의미해 진다.

(3) 시장의 움직임은 반복된다.

오랜 기술적 분석을 통해서 밝혀진 주요 차트 유형은 시장의 심리 상태를 잘 반영하므로 차트 유형의 파악으로 시장 가격 동향을 포착 할 수 있다는 것이다. 대표적으로 가격 추세 전환의 주요 신호인 "머리 어깨형(Head And Shoulders)"의 형태는 가격변동 예측의 결정적 단서로써 사용되고 있다. 패턴분석에서 가장 대표적인 추세 전환형 패턴으로 상승추세에서 발생하며 머리(Head)와 왼쪽, 오른쪽 어깨(Shoulders)의 모양을 나타내며 이 패턴 이후 상승추세에서 하락 추세로 전환된다.

03. 기술적 분석의특성

기술적 분석은 주관성이 강한 특성을 갖고 있다. 투자자 마다 각기 다른 기술적 분석 지표를 사용하여 주관적인 해석을 가지고 주식시장에 대응하게 된다. 이렇다 할 정답 없이 투자자 나름의 해석으로 진행 되기 때문에 경험, 기술 습득정도에 따라 그 결과가 달라진다.

장기적으로 이미 지난 종목에 이동평균을 대입하여 분석하여 보면 정확해 보이기도 하지만 실제 골든크로스 때 매수하는 이동평균 돌파 기법을 사용하여 매매하면 매수하자마자 조정 받으면서 가격이 떨어지거나 데드크로스 때 매도하면 가격이 다시 오르는 경우를 흔히 경험할 수 있다. 대부분의 기술적 지표는 시간이 지나야 확인할 수 있는 후생성의 기술적 지표의 종류 성질을 갖고 있다. 몇 가지 모멘텀화 시킨 선행성 지표가 있기는 하지만 이는 괴리(Divergence) 등의 주관적인 방법론으로 접근하기 때문에 사실상 그 선행적인 부분에 의문을 갖게 된다.

기술적 분석을 통해 적절한 진입 지점의 시기(timing)를 판단하고, 수요(지지)와 공급(저항)의 수준뿐만 아니라 돌파(breakout)를 인지하는 데 도움을 준다. 저항 위로 돌파를 기다리거나 지지 수준 근처에서 매수하는 것으로 수익을 향상시킬 수 있는 것이다.하지만 지식의 습득 없이 변화의 원리를 이해하지 못하고 단순한 판단을 내릴경우 실패하는 투자를 하게 된다. 기술적 분석은 얼마만큼 유연하고 숙련되게 사용 하는냐에 따라 성패가 갈린다.

현대 기술적 분석은 주가가 방향을 잡으면 그 추세가 반대 방향으로 바뀌는 신호가 나타날 때까지는 원래 방향을 유지하고 주기적으로 추세에 의해 영향을 받는다는 것을 기본 내용으로 하는 "다우 이론(Dow Theory), 1880년 "을 기초로 한다.

[교육] 기술적지표 스토캐스틱의 이해 1탄 (2022.04.15.금)

오늘은 저희 팀에서 연구했던 내용인 Stochastic (스토캐스틱) 보조지표에 대해서 살펴보겠습니다.

그럼 바로 시작하겠습니다.

즐거운 금요일 다양한 보조지표를 살펴보고 뜯어보고 맛보고 즐기는 보조보죠 시간이에요!!

* 각 단계에서 무엇을 하는지 위 도표로 살펴봐요!👍🏻
* 너무 길다면 젤 아래 3줄요약을. 😥 그것만 보진 않으시겠죠. 😥😥😥

오늘 살펴볼 보조지표는 Stochastic (스토캐스틱) 입니다! 한번 찬찬히 뜯어보죠!

아래 사진의 주황색 박스에 들어있는 게 스토캐스틱이라는 보조지표에요!

1. 살펴보죠 (지표가 아닌 우리를!)
대충 이름 : 스토캐스틱. 어. 들어본 것 같은데.

대충 종류 : 빠른거, 느린거 있다던데.

대충 용도 : 20,80. 뭐. 80 위면 팔고 20 아래면 사고.

2. 뜯어보죠

- 정식 명칭 : Stochastic oscillator (스토캐스틱 오실레이터)

- 태어난 때 : 1950년대 (오래됨)

- 지표 종류 : 빠른거(Fast Stochastic ), 느린거(Slow Stochastic )

- 특징 및 차이 (Fast Stochastic , Slow Stochastic )

• Fast : 변화가 잦고 급격함(민감함) / 노이즈가 많음(신뢰도가 낮음)
• Slow : 위 문제를 해결하기 위해, 패스트의 결과를 이용함 => 신뢰도는 개선되었지만, 반응이 느림!
(대부분의 경우 스토캐스틱이라고 하면 패스트에서 개선된, 슬로우 스토캐스틱을 말해요!)

- 일반 용도 : 현재의 과매수, 과매도 신호 확인용. 매매신호 확인용, 다이버전스 확인용(있어보이는 말이므로 필수⭐)

- 사용 수식 ( C : 종가, L : 저가, H : 고가)

3. 맛보죠

A. 수식에 대한 이해 ( C : 종가, L : 저가, H : 고가)

어려워 보이지만, 이해하면 어렵지 않아요! 오늘은 우선 스토캐스틱의 원형인 패스트 스토캐스틱을 살펴볼게요!

수식으로 되어 있으니 어려운데, 이걸 글로 풀어볼게요!

아! 요렇게 봐도 와닿지 않으니. 그림이랑 같이 볼게요!

위와 같이 됩니다!

결국 스토캐스틱 값이 의미하는 바는 아래와 같네요!

1. 설정된 기간 중에서
2. 현재 위치가 어느 정도 높이에 있는지

여기서 간단한 퀴즈!! 생각해 보시고 내려주세요!

Q1. 스토캐스틱 값이 100이라면 의미하는 바는?

Q2. 스토캐스틱 값이 0 이라면 의미하는 바는??

Q1. 스토캐스틱 값이 100이라면 의미하는 바는?
A1. 설정 기간 중 현재 위치가 가장 높다!

Q2. 스토캐스틱 값이 0 이라면 의미하는 바는?
A2. 설정기간 중 현재 위치가 가장 낮다!

정답 여부에 관계없이 생각해 보신 분들., 정말 축하드립니다! 한 계단 올라가신거에요!!😏

스토캐스틱에 대해서는 어느정도 이해하셨다면, 변수에 대해 살펴볼 차례입니다!

B. 변수 : (N,%K, %D)

N : 위 그림의 "기간" 입니다!
N 값이 작다 ➡ 기간이 짧다 ➡ 비교 대상이 적어진다 ➡ 변동폭이 커진다 ➡ 신뢰도는 낮지만, 반응이 빠르다!
N 값이 크다 ➡ 기간이 길다 ➡ 비교 대상이 많아진다 ➡ 변동폭이 작아진다 ➡ 신뢰도는 높지만, 반응이 느리다!

%K : "수식에서 도출된 값" 입니다! (현 상태 반영이 비교적 빠름)

%D : "%K의 이동평균" 입니다! (현 상태 반영이 비교적 느림)

주로 사용되는, 범용적인 세팅입니다! (단순 참고용)

단기 : (5,3,3) (10,5,5)
장기 : (16,7,5) (30,10,10)

C. 용도

① 현재의 과매수, 과매도 신호 확인용
- 일반적으로 80 이상이면 과매수(과열), 20 이하면 과매도로 봅니다!
② 매매신호중 하나로 활용
- %K선과 %D선이 교차할 때 매매신호중 하나로 활용합니다!
③ 다이버전스 확인(⭐⭐⭐⭐⭐)
- 다이버전스를 확인하는 도구 중 하나로 사용됩니다!

=> 위 그림과 같이 가격과 보조지표의 흐름이 반대로 나타나는 현상
- 가격은 오르는데 보조지표는 내려감 (하락 다이버전스) ➡ 상승 힘이 다해감 ➡ 상승에서 하락으로의 전환 가능성👎🏻
- 가격은 내리는데 보조지표는 올라감 (상승 다이버전스) ➡ 하락 힘이 다해감 ➡ 하락에서 상승으로의 전환 가능성👍🏻
(⭐ 말할 때 다이버전스 어쩌구 저쩌구 하면 되게 있어보이는 효과가 있다는 소문이. )

4. 즐기죠
어려워 보이지만, 이해하면 어렵지 않죠?!

① 스토캐스틱은 현재 위치를 나타낸다!
② n을 길게 쓰면 둔하고, 짧게 쓰면 민감하다!
③ 스토캐스틱은 과매수, 과매도 확인용 및 다이버전스 확인용으로 사용된다!(⭐⭐⭐⭐⭐)


0 개 댓글

답장을 남겨주세요