위대한 령도자 김정일동지께서는 다음과 같이 교시하시였다.

《국제금융시장에 적극 진출하여 여러가지 신용업무를 확대발전시키며 국제금융시장의 시세변동에 맞게 기동적인 활동을 벌려 더 많은 외화를 벌어야 하겠습니다.》 (《김정일선집》 증보판 제13권 383페지)

과학적인 예측방법에 기초하여 국제금시장의 금가격변동을 정확히 예측하고 그에 맞게 기동적인 금거래활동을 진행해나가는것은 나라의 경제발전과 인민생활향상에 필요한 외화자금을 원만히 보장하는데서 나서는 중요한 문제의 하나이다.

지난 시기에는 통합자기회귀이동평균(ARIMA)모형을 비롯한 전통적인 통계적수법이나 적응신경모호추론체계(ANFIS)와 같은 유연계산방법에 의한 시계렬예측모형들이 금가격을 비롯한 금융시계렬예측에 많이 리용되여왔다. 그러나 최근에는 인공지능의 급속한 발전과 함께 금융시계렬예측분야에 기계학습모형에 이어 새로운 심층학습모형들이 출현하여 그 우월성을 나타내고있다.

현재 금융시계렬예측에 많이 리용되고있는 심층학습모형들에는 심층퍼셉트론신경망(DMLP), 중첩신경망(CNN), 재귀형신경망(RNN) 등 여러가지가 있으며 그중에서도 재귀형신경망은 과거상태에 대한 정보들을 저장할수 있는 특성이 있는것으로 하여 금융시계렬예측에 광범히 리용되고있으며 실천응용에서 이미 그 효과성이 검증되였다. 그러나 일반재귀형신경망은 그 층수가 많아지고 깊이가 깊어짐에 따라 그라디엔트가 소멸되거나 발산하는 결함을 가지고있다. 이러한 부족점을 극복하기 위하여 제안된 새로운 형태의 재귀형신경망이 바로 LSTM신경망이다. LSTM신경망은 현재 주식시세예측, 환자시세예측을 비롯한 금융시계렬예측분야에서 지배적인 자리를 차지하고있다.

이로부터 LSTM신경망을 금가격예측에 적용하였다.

금가격예측에 LSTM신경망을 적용하는데서 나서는 중요한 문제의 하나는 신경망의 학습에 리용되는 학습자료에 섞여있는 잡음들을 제거하는것이다.

금가격의 과거시계렬자료를 비롯하여 금융시장에서 수집한 금융시계렬자료들에는 일반적으로 많은 잡음들이 섞여있게 된다. 주어진 시계렬자료에 얼마만한 정도의 잡음이 섞여있는가를 판별하여 그것을 확정적인 시계렬자료와 우연성분으로 갈라내는것은 매우 어려운 문제이며 이것은 또한 효과적인 예측모형을 설계하는데 커다란 난관을 조성한다. 그것은 잡음이 섞인 과거시계렬자료를 신경망의 학습자료로 리용하면 신경망은 잡음이 섞인 학습자료에 반영된 특성들을 그대로 학습하므로 예측값에도 그러한 특성이 나타나 예측정확도가 떨어지기때문이다. 그러나 대부분의 신경망들과 마찬가지로 LSTM신경망에는 이러한 잡음들을 제거하는 능력이 없다. 그러므로 초기의 금가격시계렬자료를 잡음제거를 위한 특정한 전처리과정을 거친 후 신경망의 학습자료로 리용하는것이 필요하다.

시계렬자료의 잡음제거를 효과적으로 할수 있는 한가지 방법은 웨블레트변환을 리용하는것이다.

웨블레트변환은 원래 음성신호, 화상신호를 비롯한 신호의 압축 및 잡음제거에 리용되는 위력한 수학적수단으로 알려져있다. 그러나 최근에는 시계렬자료의 잡음제거에도 효과적이라는것이 인정되여 금융분야에서도 널리 리용되고있다. 이로부터 금가격예측에 리용되는 학습자료의 잡음제거를 위하여 웨블레트변환의 한가지 종류인 하르웨블레트변환을 리용하기로 하였다.

하르웨블레트변환을 리용한 금가격에 대한 예측은 다음과 같다.

우선 국제금시장에서 수집한 금가격의 과거시계렬자료를 학습자료와 검증자료로 나누고 학습자료에 대하여 하르웨블레트변환을 실시하여 여기에 섞여있는 잡음들을 제거한다.

다음으로 잡음이 제거된 학습자료를 리용하여 LSTM신경망을 훈련시킨다.

다음으로 학습이 진행된 LSTM신경망을 가지고 검증자료에 한한 기간의 금가격에 대한 예측을 진행하고 그것을 실지 검증자료와 비교하여 모형의 효과성을 평가하며 그것을 선행한 예측모형들과 비교하여 새 모형의 우월성을 검증한다.

국제금시장에서 수집한 일별금가격(2016년 4월 19일~2020년 6월 1일)을 기초자료로 리용하였다. 전체 자료의 80%를 신경망의 학습자료로 리용하고 나머지는 검증자료로 리용하였다.

우선 학습자료에 대한 정규화를 진행하고 2수준하르웨블레트변환을 진행한 다음 턱값(0.1)을 처리하여 얻은 변환값을 가지고 거꿀변환을 진행하여 학습자료의 잡음을 제거하였다.

다음으로 신경망의 학습을 진행하기 위하여 목표값을 입력값의 다음날에 해당한 금가격으로 정하고 다음날의 금가격을 예측하도록 신경망을 훈련시키였다. 신경망의 학습률은 0.001, 운동량은 0.9, 소형묶음의 크기는 64, 숨은층세포의 마디수는 128, 전체 시행수는 500으로 하였다.

새로 제안한 모형의 성능을 평가하기 위하여 동일한 기초자료와 동일한 조건을 가지고 일반재귀형신경망(RNN), LSTM신경망을 훈련시킨 다음 예측결과를 새 모형과 비교하여보았다. 모형의 성능평가를 위한 지표들로 평균절대오차(MAE), 평균절대백분률오차(MAPE), 평균두제곱오차(RMSE)를 리용한 결과 3개의 지표들에 비하여 웨블레트변환과 LSTM신경망을 결합한 모형이 우월하였다.

이처럼 웨블레트변환과 LSTM신경망을 결합한 새로운 금가격예측방법을 제안함으로써 금가격예측의 정확성을 개선하였다.

우리는 앞으로 금가격예측에 대한 연구를 보다 심화시켜 국제금시장에서 기동적인 금거래활동으로 큰 수익을 얻어 사회주의강국건설에 필요한 외화자금을 보다 충분히 마련하는데 적극 이바지하여야 할것이다.

실마리어： 금가격예측