주식시장 주가 예측 모델 비교 분석

 

한국 및 미국 주식시장 주가 예측 모델 비교 분석

개요 (Introduction)

주식 가격 예측은 금융 분야에서 가장 난이도 높은 과제 중 하나로 꼽힙니다 (Advanced Stock Market Forecasting: A Comparative Analysis of ARIMA-GARCH, LSTM, and Integrated Wavelet-LSTM Models). 한국과 미국 주식시장 모두 가격 변동이 복잡하고 예측이 어려운 것으로 알려져 있으며, 정확한 모델을 구축하는 일은 연구자와 투자자에게 중요한 관심사입니다. 기존에는 전통적인 통계 기반 모델(예: ARIMA, GARCH 등)로 시계열 데이터를 분석해 왔지만, 최근에는 머신러닝 및 딥러닝 기반 모델(예: 랜덤 포레스트, XGBoost, LSTM, Transformer 등)이 도입되어 더욱 다양하고 정교한 접근법이 사용되고 있습니다 (Advanced Stock Market Forecasting: A Comparative Analysis of ARIMA-GARCH, LSTM, and Integrated Wavelet-LSTM Models) (Advanced Stock Market Forecasting: A Comparative Analysis of ARIMA-GARCH, LSTM, and Integrated Wavelet-LSTM Models). 본 보고서에서는 한국과 미국 주식시장의 단기(1일1주), 중기(1주1개월), 장기(1개월~1년 이상) 예측을 목표로 하는 여러 모델들의 이론적 배경, 장단점, 예측 성능, 사용 사례를 비교합니다. 또한 각 모델이 어떤 예측 기간과 목적에 적합한지 논하고, 실제 현업 적용 가능성(필요 데이터 규모, 해석 가능성, 실전 거래 활용성 등)에 대해서도 살펴보겠습니다. 마지막으로 관련 오픈소스 구현 예시나 참고할 만한 논문 링크를 함께 제시합니다.

전통적 통계 기반 예측 모델

ARIMA 모델 (Autoregressive Integrated Moving Average)

이론적 배경: ARIMA는 시계열 예측의 가장 대표적인 전통 모델로, 자기회귀(AR)와 이동평균(MA) 요소를 합친 ARMA 모델에 비정상성을 제거하기 위한 차분 과정을 포함합니다 (다양한 시계열 예측 모델(ARIMA, Prophet, LSTM) 정리). 즉, 과거 자기 자신 값(AR 부분)과 과거 오차(MA 부분)의 선형 조합으로 현재 값을 예측하며, $d$차 차분을 통해 데이터의 **정상성(Stationarity)**을 확보합니다. ARIMA 모델은 데이터의 추세와 계절성을 선형적으로 포착하는데 효과적이며 (Advanced Stock Market Forecasting: A Comparative Analysis of ARIMA-GARCH, LSTM, and Integrated Wavelet-LSTM Models), 계절성이 뚜렷한 경우 계절 항을 포함한 SARIMA로 확장할 수 있습니다.

장점: ARIMA의 가장 큰 장점은 단순성과 해석력입니다. 모델 파라미터(AR 계수, MA 계수 등)는 시계열의 자기상관 구조를 명확히 보여주기 때문에 예측 결과를 해석하기 용이합니다. 또한 비교적 적은 데이터로도 학습 가능하며, 제대로 차분하여 정상성을 확보한 경우 단기 예측 성능이 우수한 것으로 알려져 있습니다 (Stock Price Prediction Based on ARIMA-GARCH and LSTM). 예를 들어 한 연구에서는 ARIMA 모델이 단기 주가 예측에 매우 유리하게 작동함을 보였으며, 1개월 이내 예측에서 높은 정확도를 보였습니다 (Stock Price Prediction Based on ARIMA-GARCH and LSTM). ARIMA는 구현과 사용이 간편하여 오래전부터 주가, 환율 등 다양한 금융시계열 예측에 표준으로 사용되어 왔습니다.

단점: 비선형 관계를 포착하지 못한다는 것이 ARIMA의 한계입니다. 과거 값의 선형 조합만 사용하므로, 경제 지표나 뉴스와 같은 외부 변수의 복잡한 영향이나 급격한 구조 변화는 반영하기 어렵습니다. 또한 데이터의 정상성 가정이 전제되므로 (다양한 시계열 예측 모델(ARIMA, Prophet, LSTM) 정리), 현실의 많은 주가 데이터에 존재하는 추세적 변화나 변동성 변화를 그대로 적용하기엔 어려움이 있습니다. 실제 주식시장의 시계열은 대부분 정상성이 없고 시간에 따라 분포가 달라지는데, 이 경우 ARIMA 단일 모델로는 충분한 예측력을 얻기 어렵습니다. 그리고 장기 예측에서는 결국 평균회귀 혹은 단순추세 연장 이상의 정보를 주기 힘들어 예측 기간이 길어질수록 성능이 저하됩니다. 일부 연구에서는 복잡한 딥러닝 모델과 비교해도 ARIMA가 일정 조건에서 더 나은 성능을 보이는 경우도 있지만 (GitHub - DariuszKobiela/arima-vs-lstm-on-nasdaq-stock-exchange-data: This study compares the results of two completely different models: statistical one (ARIMA) and deep learning one (LSTM) based on a chosen set of NASDAQ data. Both models are used to predict daily or monthly average prices of chosen companies listed on the NASDAQ stock exchange.), 이는 주로 입력 변수나 패턴이 단순할 때의 이야기입니다. 예를 들어, 과거 가격 정보만으로 여러 기간을 예측하는 실험에서 ARIMA가 LSTM보다 낮은 오류율(MAPE)로 월간~분기 단위 예측에서 더 나은 성능을 낸 사례가 있습니다 (GitHub - DariuszKobiela/arima-vs-lstm-on-nasdaq-stock-exchange-data: This study compares the results of two completely different models: statistical one (ARIMA) and deep learning one (LSTM) based on a chosen set of NASDAQ data. Both models are used to predict daily or monthly average prices of chosen companies listed on the NASDAQ stock exchange.). 하지만 반대로 LSTM 등 비선형 모델이 ARIMA보다 월등히 성능이 좋은 사례도 많기 때문에 (Assessing the Predictive Power of Transformers, ARIMA, and LSTM in Forecasting Stock Prices of Moroccan Credit Companies) (Assessing the Predictive Power of Transformers, ARIMA, and LSTM in Forecasting Stock Prices of Moroccan Credit Companies), ARIMA의 성능 우위는 데이터와 상황에 따라 제한적입니다.

예측 성능 및 사용 사례: ARIMA는 **단기 예측(1일1주)**에 특히 많이 활용됩니다. 하루 뒤 주가나 일주일 수준의 지수 변동은 과거의 자기상관을 활용한 ARIMA로 어느 정도 설명될 수 있기 때문입니다. 실제로 S&P500 지수의 일간 변동을 예측한 연구들에서 ARIMA 모델이 단기 방향성 예측에 유의미한 정확도를 보였다는 보고가 있습니다 (주식 가격 예측을 위한 시계열 데이터 분석 모델과 예측 성공률). 반면 중기(몇 주~1개월) 이상으로 가면 단순 연장에는 무리가 있기 때문에 ARIMA 단독으로는 부족하고, 계절성이 있으면 SARIMA로 보완하거나 **외생 변수(SARIMAX)**를 포함하는 식으로 확장합니다. **장기 예측(수개월1년)**에서는 ARIMA의 활용이 상대적으로 드뭅니다. 주식 가격은 장기적으로 무작위보행(random walk)에 가깝다는 이론도 있고, 장기간의 추세 변화는 ARIMA가 포착하기 어렵기 때문입니다. 다만 경기 지표나 펀더멘털 요인이 뚜렷이 반영되는 경우, ARIMA를 이용해 장기 추세를 예측하는 경우도 있습니다. 예를 들어 코스피 지수를 대상으로 20년치 일간 데이터를 학습한 한 국내 연구에서는, ARIMA 단일 모델이 양방향 LSTM보다도 예측 정확도가 높았다고 보고되었습니다 (시계열 데이터의 교차 검증을 활용한 융합적 모델 기반의 시계열 특징에 의한 코스피지수 예측 - 한국경영과학회지 - 한국경영과학회 : 논문 - DBpia). 이는 데이터 전처리(웨이블릿 분해 등)와 교차검증을 통해 ARIMA의 단점을 보완한 결과로, 적절한 조건에서 전통 모델도 딥러닝을 능가할 수 있음을 보여줍니다.

요약: ARIMA는 구현이 쉬우며 단기적인 주가 변동을 빠르게 예측하는 데 유용하지만, 비선형 패턴이나 장기 추세 변화에는 한계가 있습니다. 따라서 주로 baseline 모델로 활용되거나, 더 복잡한 모델의 결과를 해석하거나 보완하는 용도로 쓰입니다. 실제 투자에서는 ARIMA 예측값을 기본 시나리오로 삼고, 큰 이벤트 발생 시에는 별도 판단을 추가하는 방식으로 응용될 수 있습니다. Python에서는 statsmodels 라이브러리를 통해 쉽게 ARIMA를 적용할 수 있으며, 아래 코드는 간단한 구현 예시입니다:

from statsmodels.tsa.arima.model import ARIMA

# 과거 주가 데이터 'series'에 대해 ARIMA(1,1,1) 모델 적합
model = ARIMA(series, order=(1,1,1))
model_fit = model.fit()
print(model_fit.summary())

# 향후 5일치 예측
forecast = model_fit.forecast(steps=5)
print(forecast)

위와 같이 model.fit()을 통해 적합한 후 forecast()로 미래 값을 얻을 수 있습니다. ARIMA 모델은 모수 모델이므로 훈련 데이터가 갱신되면 모델을 재적합해야 하며, 최근에는 이를 자동화한 온라인 ARIMA 기법도 연구되고 있습니다 (다양한 시계열 예측 모델(ARIMA, Prophet, LSTM) 정리).

GARCH 모델 (Generalized Autoregressive Conditional Heteroskedasticity)

이론적 배경: GARCH 모델은 시계열 데이터의 **분산 변화(이분산성)**를 포착하기 위한 통계 모델입니다. 주식시장의 가격 수익률(return) 데이터는 보통 변동성 클러스터링(Volatility Clustering) 현상을 보이는데, 한 기간에 변동성이 크면 그 다음 기간에도 큰 변동성이 나타나는 경향이 있습니다. 전통적인 ARIMA 등은 오차 분산이 일정하다고 가정하지만, GARCH는 **이분산성(heteroskedasticity)**을 모형화하여 시간에 따라 달라지는 분산을 예측합니다 (Stock Price Prediction Based on ARIMA-GARCH and LSTM). 예를 들어 GARCH(1,1) 모델의 경우, 다음 시점의 분산 $\sigma_{t+1}^2$을 이전 시점 오차의 제곱과 이전 시점 분산의 선형 결합으로 표현합니다. 이를 통해 조건부 분산의 자기회귀적 구조를 모델링함으로써 금융 시계열의 급등락 위험을 추정하는 데 활용합니다 (Advanced Stock Market Forecasting: A Comparative Analysis of ARIMA-GARCH, LSTM, and Integrated Wavelet-LSTM Models).

장점: GARCH의 가장 큰 강점은 변동성 예측입니다. 단기적인 시장 리스크를 정량화할 수 있기 때문에 VaR(내재가치 위험) 산출이나 옵션 가격 결정 등에 널리 쓰입니다. 예를 들어 GARCH 모델은 주가 자체보다는 주가의 변동폭이나 **실현 변동성(realized volatility)**을 예측하는 데 뛰어난 성능을 보입니다. 또한 ARIMA와 결합하여 사용하면, ARIMA가 평균(가격 수준) 부분을 예측하고 GARCH가 분산(위험) 부분을 예측함으로써 시계열의 두 가지 측면을 모두 포착할 수 있습니다 (Advanced Stock Market Forecasting: A Comparative Analysis of ARIMA-GARCH, LSTM, and Integrated Wavelet-LSTM Models). 실제 연구에서도 ARIMA+GARCH 혼합 모델이 장기 추세와 단기 변동성을 모두 잡아내어 가장 높은 예측 정확도를 달성한 사례가 보고되었습니다 (Advanced Stock Market Forecasting: A Comparative Analysis of ARIMA-GARCH, LSTM, and Integrated Wavelet-LSTM Models). 이러한 모델은 투자자에게 보다 입체적인 시장 전망을 제공할 수 있다는 장점이 있습니다.

단점: GARCH는 가격의 방향이나 수준을 맞추는 용도로 쓰기에는 한계가 있습니다. 오직 분산만을 예측하기 때문에, 향후 가격이 오를지 내릴지를 직접적으로 알려주지 않습니다. 예컨대 GARCH 모델로 다음 날의 변동성이 커질 것이라 예측할 순 있어도, 가격이 상승할지 하락할지는 추가 정보가 필요합니다. 또한 분산 모형이기 때문에 정규분포 등의 가정을 하며, 극단적인 비정상 현상에는 대응이 어렵습니다. GARCH 모델만으로는 예측 값의 활용이 제한적이어서, 투자 전략에 직접 활용하기보다는 리스크 관리 또는 신뢰 구간 추정에 활용되는 경우가 많습니다. 실제 사례로 PDD라는 종목의 주가를 예측한 실험에서, GARCH 모델은 변동성은 잘 포착했지만 가격 자체의 포인트 예측은 크게 빗나가 높은 MAPE(632% 이상)의 오류를 보였습니다 (Stock Price Forecasting of PDD Using TimesNet, ARIMA, Transformer, and GARCH). 이처럼 GARCH는 포인트 예측 정확도는 낮을 수밖에 없으며, 예측값의 활용은 주로 "향후 변동이 커질 것이다/작을 것이다"와 같은 정성적 인사이트에 그칩니다.

예측 성능 및 사용 사례: GARCH는 초단기~단기 예측에서 유용합니다. 예를 들어 다음 날 혹은 다음 주간의 변동성 예측에 자주 쓰이며, 트레이더들은 이를 통해 레버리지나 옵션 포지션을 조정하기도 합니다. 중기 예측(몇 주~몇 달)의 경우 변동성 수준이 평균으로 돌아오는 경향(평균회귀)이 있기 때문에, GARCH를 사용하여 평균 회귀 수준을 추정할 수 있습니다. 하지만 예측 기간이 길어질수록 GARCH의 불확실성도 커지므로, 장기 변동성 예측은 잘 하지 않습니다. 한국 시장에서도 GARCH 모델은 코스피200 변동성 지수(VKOSPI) 분석이나 환율 위험 예측 등에 활용된 바 있습니다. ARIMA와 GARCH를 결합한 ARIMA-GARCH 모델은 특히 **정적 1-step 예측(모델을 재갱신하지 않고 한 번에 미래 예측)**에서 뛰어난 정확도를 보였다는 연구가 있으며 (Stock Price Prediction Based on ARIMA-GARCH and LSTM), 반면 **동적 다중 기간 예측(계속 시계열을 업데이트하며 예측)**에서는 딥러닝(LSTM) 모델이 더 우수한 성능을 보였습니다 (Stock Price Prediction Based on ARIMA-GARCH and LSTM). 이는 ARIMA-GARCH가 단기적인 수렴 특성을 잘 활용하지만, 장기적으로 데이터 패턴 변화에 적응하는 능력은 LSTM에 뒤처질 수 있다는 점을 시사합니다.

요약: GARCH는 “얼마나 변할까”를 예측하는 모델로, 가격 자체의 방향성 예측과는 보완적인 역할을 합니다. 따라서 실무 적용 시 ARIMA 등과 함께 사용되어 가격 예측 + 리스크 예측의 이원화 전략에 쓰이거나, 옵션 트레이딩에서 기초자산의 미래 변동성을 예측하는 용도로 활용됩니다. Python 구현은 arch 라이브러리 등을 통해 가능하며, 예를 들어 arch.GARCH 클래스로 쉽게 GARCH(1,1) 모델을 적합할 수 있습니다. 다만 실제 투자에서 GARCH 예측치를 단독 신호로 삼는 일은 드물고, 시장 급변 위험을 사전에 감지하는 보조지표로 많이 사용됩니다.

머신러닝 기반 예측 모델

랜덤 포레스트 (Random Forest)

이론적 배경: 랜덤 포레스트는 여러 개의 결정트리(Decision Tree) 모델을 앙상블하여 예측 성능을 높이는 배깅(Bagging) 기반 알고리즘입니다. 각 트리는 훈련 데이터의 무작위 샘플 및 무작위 피처 선택을 통해 생성되며, 다수의 트리 예측을 평균(회귀의 경우)하거나 투표(분류의 경우)하여 최종 예측을 산출합니다. 1995년 Breiman이 제안한 이래 랜덤 포레스트는 과적합을 완화하면서도 뛰어난 비선형 예측 성능을 보여주는 모델로 널리 인정받고 있습니다. 특히 구조가 비교적 간단하고 병렬처리가 가능해 대규모 데이터에도 효율적으로 적용할 수 있습니다.

장점: 랜덤 포레스트의 가장 큰 장점은 비선형 관계와 변수 상호작용을 잘 포착한다는 점입니다 ([PDF] Comparison Analysis of ARIMA and Machine Learning Methods for ...). 주식 가격은 여러 요인의 복합 영향으로 움직이는데, 결정트리 앙상블인 랜덤 포레스트는 이러한 복잡한 패턴을 자동으로 학습할 수 있습니다. 예를 들어 과거 n일간의 가격 변동 패턴이나 거래량, 기술적 지표 등을 모두 입력으로 사용하면, 랜덤 포레스트는 각 지표의 중요도와 임계값 조건 등을 학습하여 향후 가격을 예측합니다. 또한 과적합에 비교적 강건합니다. 많은 트리를 앙상블하면서 개별 트리의 과적합이 평균화되어 취소되기 때문에, 복잡한 모형임에도 안정적인 결과를 내는 경향이 있습니다. 한 연구에서는 단기 주가 예측에서 랜덤 포레스트가 ARIMA와 LSTM을 능가하는 정확도를 보이기도 했습니다 (Comparative Analysis of ARIMA, Random Forest, and LSTM Models for Mercedes-Benz Stock Price Prediction · 研飞ivySCI). 해당 연구에서 메르세데스-벤츠 주가를 예측한 결과, RF 모델이 단기(일간) 예측에서는 가장 뛰어난 성능을 보였고 LSTM은 장기 추세 예측에 강점을 보였다고 합니다 (Comparative Analysis of ARIMA, Random Forest, and LSTM Models for Mercedes-Benz Stock Price Prediction · 研飞ivySCI). 일반적으로 단기적 패턴(며칠 내)의 경우 랜덤 포레스트가 빠르게 규칙성을 포착해내는 경우가 많습니다.

단점: 랜덤 포레스트의 단점은 모델 해석이 어렵다는 점과, 시간 의존 구조를 직접 고려하지는 않는다는 점입니다. 첫째, 수백개의 결정트리가 평균된 결과이므로, 개별 변수의 영향이나 작동 원리를 명확히 설명하기가 어렵습니다. 중요 변수 순위나 부분의존도(Partial Dependence) 플롯 등을 통해 대략적인 경향을 볼 수 있지만, ARIMA처럼 명시적인 수식 형태의 해석은 불가능합니다. 둘째, 시계열 데이터의 순서 정보를 명시적으로 다루지 않으므로, **특징 공학(feature engineering)**의 품질에 성능이 의존합니다. 예를 들어 지난 5일치를 이용해 내일을 예측하려면 "지난 1일 수익률", "지난 2일 수익률", ..., "지난 5일 수익률"과 같은 랙(lag) 피처를 직접 만들어줘야 하며, 계절성이나 추세도 별도 변수로 넣어주어야 합니다. 그렇지 않으면 트리는 시계열의 시점을 구분하지 못하고 제대로 일반화하지 못합니다. 또한 트리의 특성상 **데이터 영역 바깥(out-of-sample)**에서의 예측 추정이 어렵습니다. 훈련 범위 밖의 새로운 수준의 입력에 대해서는 외삽보다는 훈련 데이터 중 비슷한 범위의 답을 내놓기 때문에, 극단 상황 예측에는 한계가 있습니다. 마지막으로, 너무 많은 트리나 과도한 깊이로 구성하면 훈련 데이터에 맞춘 복잡한 규칙이 많아져 약간의 과적합이 생길 수 있으므로 적절한 트리 개수와 가지치기 파라미터 조절이 필요합니다.

예측 성능 및 사용 사례: 단기 예측에서는 랜덤 포레스트가 특히 유용합니다. 뉴스나 차트 기술적 패턴 등으로 인해 며칠 사이에 나타나는 비정형적 움직임도 트리의 규칙으로 포착될 수 있기 때문입니다. 예컨대 갑작스런 거래량 급증, 기술적 지표의 특정 임계치 돌파 등의 이벤트가 향후 12일 내 주가 상승을 유발하는 패턴이 있다면, 랜덤 포레스트는 여러 트리를 통해 이를 감지하고 예측에 반영할 수 있습니다. 중기 예측(수주1개월)의 경우, 랜덤 포레스트는 경제 지표, 섹터 지표 등 다양한 특성 변수를 함께 투입해 활용할 수 있다는 장점이 있습니다. 전통적 통계모델은 고차원의 입력을 다루기 어렵지만, 랜덤 포레스트는 차원이 높아도 비교적 안정적으로 학습하기 때문에 다변량 시계열 예측에 응용됩니다. 반면 장기 예측(수개월 이상)에서는 랜덤 포레스트 단독으로 큰 성공을 거두기 어렵습니다. 시간이 길어질수록 거시경제 변화나 기업 실적 등의 영향을 받는데, 이를 단순히 과거 데이터 패턴으로 추론하기 어렵기 때문입니다. 그래서 장기 예측에는 랜덤 포레스트를 다른 모델과 조합하거나, 특정 장기 지표를 예측하는 보조 모델로 쓰는 경우가 있습니다. 예를 들어, 경제제표 기반으로 1년 뒤 기업의 주가 수준을 대략 예측하고, 이를 보정하는 용도로 과거 주가 추세를 학습한 랜덤 포레스트를 사용할 수 있습니다.

실제 적용: 랜덤 포레스트는 실무에서도 비교적 많이 사용되는 머신러닝 기법입니다. 구현이 간단하고 (사이킷런의 RandomForestRegressor 등으로 쉽게 사용 가능), 지나친 튜닝 없이도 기본 성능이 안정적입니다. 다만 실시간 거래에는 트리 모델이 즉각적으로 반응하지 못할 수 있는데, 새로운 데이터가 들어올 때마다 모델을 재학습해야 하므로 딥러닝보다는 오히려 갱신 비용이 낮을 수도 있습니다. 예측 결과의 활용 면에서는, 랜덤 포레스트는 분류 문제로 설정해 상승/하락 여부 예측에 쓰이기도 하고, 회귀 문제로 설정해 수익률의 크기를 예측하기도 합니다. 두 경우 모두 ARIMA 등의 전통 모델보다 복잡한 비선형 특징을 활용할 수 있어 우수한 성과를 거두는 사례가 있습니다 (Unveiling the Power of ARIMA, Support Vector and Random Forest Regressors for the Future of the Dutch Employment Market). 하지만 feature 중요도를 통해 어떤 요소가 예측에 영향을 주는지 정도를 해석하는 수준에 머물며, 예측의 근거를 완전히 설명해내기는 어렵다는 점에 유의해야 합니다.

XGBoost (Extreme Gradient Boosting)

이론적 배경: XGBoost는 결정트리 기반의 그래디언트 부스팅(Gradient Boosting) 알고리즘으로, 많은 Kaggle 대회 등에서 우승을 휩쓴 강력한 머신러닝 모델입니다. 부스팅은 여러 약한 학습기(weak learner)를 순차적으로 학습시키며 **잔여 오차(residual)**를 줄여가는 방식으로, 이전 단계의 오류를 다음 단계에서 보완해나갑니다. XGBoost는 이러한 부스팅 과정을 효율적으로 구현하고 다양한 규제(term) 옵션을 추가하여 성능을 극대화한 라이브러리입니다. 결정트리를 기반으로 하지만, 배깅을 사용하는 랜덤 포레스트와 달리 순차적 모델 증강을 하므로 일반적으로 훈련에 시간이 더 걸리지만 예측 정확도가 높고 과적합 제어가 용이합니다.

장점: XGBoost의 가장 큰 장점은 높은 예측 성능과 유연성입니다. 트리 개수, 학습률, 최대 깊이 등 하이퍼파라미터를 잘 조정하면 훈련 데이터에 대한 복잡한 패턴을 정교하게 학습하면서도, 규제를 통해 과적합을 막을 수 있습니다. 특히 대용량 데이터에 대해서도 분산 처리 및 병렬 처리가 가능해 실용적인 속도를 보입니다. 비선형 관계나 다차원 특징도 효과적으로 다룰 수 있으며, 결측치 처리나 다양한 손실함수 설정 등의 편의 기능도 갖추고 있습니다. 금융 시계열에서도 XGBoost는 단기 패턴 예측뿐 아니라 중장기 추세 예측에까지 폭넓게 시도되고 있습니다. 예를 들어 한 연구에서는 데이터 기간을 3년, 6년, 9년으로 다르게 설정해 XGBoost와 LSTM의 성능을 비교했는데, 데이터가 충분히 큰 경우 XGBoost의 정확도가 LSTM보다 높았다고 보고되었습니다 (Comparison of XGBoost and LSTM Models for Stock Price Prediction). 이는 대용량 데이터셋에서는 XGBoost가 더욱 정교한 패턴 학습으로 우수한 성능을 발휘할 수 있음을 시사합니다. 또한 XGBoost는 피처 중요도나 SHAP 값 등을 통해 모델 해석을 어느 정도 제공한다는 장점도 있습니다. 어떤 변수 (예: 거래량 증가, 금리 변동 등)가 주가 예측에 긍정/부정 영향을 주는지 정량적으로 파악할 수 있어, 블랙박스인 딥러닝에 비해 비즈니스 설명력이 높을 수 있습니다.

단점: XGBoost의 단점은 모델 튜닝이 비교적 중요하다는 것입니다. 기본 매개변수로도 훌륭한 성능을 내지만, 최적의 성능을 위해서는 학습률, 트리 깊이, L1/L2 정규화 계수 등을 데이터에 맞게 조정해야 합니다. 이 과정이 번거롭고, 때로는 과소적합이나 과적합 문제를 교차검증으로 세심히 점검해야 합니다. 또한 시간 의존성을 특별히 다루지 않는다는 점은 랜덤 포레스트와 유사합니다. 결국 시계열 특성을 반영하려면 시차 피처 등을 만들어줘야 하며, 데이터가 작을 때는 복잡한 모형이 오히려 과적합 위험을 높일 수 있습니다 ([PDF] Comparison Analysis of ARIMA and Machine Learning Methods for ...). 실제로 데이터가 적은 경우에는 XGBoost보다 LSTM이 더 정확한 예측을 보였다는 연구 결과도 있습니다 (Comparison of XGBoost and LSTM Models for Stock Price Prediction). 이는 작은 데이터셋에서는 부스팅 과정이 노이즈를 학습할 우려가 있고, 딥러닝 모델이 오히려 규제 효과를 가질 수도 있음을 보여줍니다. 따라서 XGBoost를 사용할 때는 충분한 양의 데이터가 있는지, 특징 변수가 예측에 유의미한지를 고려해야 합니다. 마지막으로, XGBoost 역시 결과적으로 트리들의 앙상블이므로 완전히 투명하게 예측 근거를 설명하기는 어렵습니다. 중요 변수나 분포 형태를 해석할 수 있지만, ARIMA처럼 명쾌한 수식으로 미래 변화를 기술하지는 못합니다.

예측 성능 및 사용 사례: 단기 예측에서는 XGBoost가 랜덤 포레스트보다 나은 경우가 종종 있습니다. 부스팅은 훈련 데이터에 조금 더 맞추려고 노력하므로, 하루하루의 미묘한 패턴도 잡아낼 수 있기 때문입니다. 예컨대 기술적 지표 조합과 최근 며칠간의 수익률을 입력으로 내일 상승 여부를 맞히는 문제에서, XGBoost가 랜덤 포레스트보다 높은 F1-score를 보였다는 사례들이 있습니다. 중기 예측(수주~1개월)에서는 거시 변수를 포함한 다변량 예측에 활용되기도 합니다. XGBoost 모델에 주가 뿐 아니라 거래량, 원자재 가격, 환율, 금리 등 여러 지표를 넣어 4주 후 주가를 예측한 연구들이 있으며, 이 경우 전통 회귀나 ARIMA보다 의미있게 낮은 오류를 보이기도 했습니다. 장기 예측에서는 앞서 언급한 대로, XGBoost 같은 데이터 중심 모델만으로는 어려움이 있습니다. 다만 다른 모델과의 하이브리드가 시도되는데, 한 예로 주의 메커니즘이 결합된 XGBoost가 여섯 개 종목에 대한 예측에서 모든 모델 중 최상의 성능을 냈다는 보고도 있습니다 (A Comparison of ARIMA, LSTM, XGBOOST and Hybrid in Stock ...). 이런 혼합 모델은 XGBoost에 **시계열 특성을 학습하는 보조 구조(Attention)**를 붙여주는 것으로, 복잡하지만 장기 패턴까지 일정 부분 설명하려는 시도로 볼 수 있습니다.

실제 적용: XGBoost는 현재 금융 분야에서 데이터 분석 대회나 백테스팅 연구 등에 자주 활용되고 있으며, 실시간 트레이딩보다는 오프라인 모델링에 조금 더 쓰입니다. 예를 들어 펀드 매니저가 종목 선정이나 포트폴리오 리밸런싱에 활용할 지표를 만들 때, 과거 데이터를 학습한 XGBoost 모델로 향후 1분기 수익률을 예측해 상위 종목을 뽑는 식입니다. 트레이딩 봇에서도 XGBoost를 쓰는 경우가 있는데, 사이킷런/XGBoost 패키지로 구현하여 주기적으로 모델을 업데이트하는 방식입니다. 다음은 간단한 코드 예시입니다:

from xgboost import XGBRegressor

# X_train, y_train: 훈련 데이터 특징과 타겟(예: 향후 n일 수익률)
model = XGBRegressor(n_estimators=100, max_depth=5, learning_rate=0.1)
model.fit(X_train, y_train)
preds = model.predict(X_test)

이처럼 XGBRegressor를 사용하여 예측 모델을 만들 수 있습니다. 학습된 모델은 model.feature_importances_ 등을 통해 어떤 변수가 영향력이 컸는지 추출할 수 있어, 모델의 부분적 해석에 도움을 줍니다. 종합하면, XGBoost는 뛰어난 예측 성능으로 단기부터 중기 예측까지 활용될 수 있지만, 튜닝과 데이터 요건이 있고, 충분한 데이터가 없으면 성능이 저하될 수 있으므로 적절한 경우에 사용해야 합니다 (Comparison of XGBoost and LSTM Models for Stock Price Prediction).

딥러닝 기반 예측 모델

LSTM (Long Short-Term Memory)

이론적 배경: LSTM은 **순환신경망(RNN)**의 일종으로, Sepp Hochreiter와 Jürgen Schmidhuber가 1997년에 제안한 모델입니다 (Advanced Stock Market Forecasting: A Comparative Analysis of ARIMA-GARCH, LSTM, and Integrated Wavelet-LSTM Models). RNN은 시계열 데이터처럼 순차적인 정보를 다루는 데 특화된 신경망 구조로, 숨은 상태(hidden state)를 통해 이전 시점의 정보를 기억하며 순차적으로 데이터를 처리합니다. 그러나 일반 RNN은 **장기 의존성(long-term dependency)**을 학습하기 어렵고 그래디언트 소실(gradient vanishing) 문제가 있었는데, LSTM은 게이트(gate) 구조를 도입하여 이러한 문제를 해결했습니다. LSTM 셀은 입력 게이트, 망각(Forget) 게이트, 출력 게이트로 구성되어 중요한 정보는 기억하고 불필요한 정보는 잊어버리는 선택을 하며, 셀 상태(cell state)를 통해 긴 시퀀스의 정보를 보존합니다. 이러한 구조 덕분에 LSTM은 긴 시계열에서도 과거의 영향을 비교적 오래 유지하면서 학습할 수 있습니다 (Advanced Stock Market Forecasting: A Comparative Analysis of ARIMA-GARCH, LSTM, and Integrated Wavelet-LSTM Models).

장점: LSTM의 강점은 복잡한 비선형 시계열 패턴을 학습할 수 있다는 것입니다. 가격의 추세, 주기, 갑작스런 급등락 등의 비선형적이고 시변적인 패턴을 LSTM은 과거 데이터로부터 자동으로 포착합니다 (Advanced Stock Market Forecasting: A Comparative Analysis of ARIMA-GARCH, LSTM, and Integrated Wavelet-LSTM Models). 특히 다중 계층(deep)으로 쌓을 경우 추상적인 고수준 패턴까지 학습 가능하여, 단순 ARIMA로는 설명되지 않는 움직임도 설명력을 가질 수 있습니다 (Assessing the Predictive Power of Transformers, ARIMA, and LSTM in Forecasting Stock Prices of Moroccan Credit Companies). 많은 연구에서 LSTM은 전통모델 대비 우수한 예측 정확도를 보여왔습니다 (Assessing the Predictive Power of Transformers, ARIMA, and LSTM in Forecasting Stock Prices of Moroccan Credit Companies) (Assessing the Predictive Power of Transformers, ARIMA, and LSTM in Forecasting Stock Prices of Moroccan Credit Companies). 예를 들어 한 연구는 다양한 주식 데이터에 LSTM을 적용하여 SVM, 전통 신경망(ANN), ARIMA 등을 일관되게 능가하는 성과를 거두었다고 보고합니다 (Assessing the Predictive Power of Transformers, ARIMA, and LSTM in Forecasting Stock Prices of Moroccan Credit Companies). 또한 LSTM은 다변량 입력을 자연스럽게 처리할 수 있어, 주가 예측에 뉴스 감성이나 거래량, 타 자산 가격 등을 함께 입력하여 성능을 높이는 식으로 활용되기도 합니다 (Advanced Stock Market Forecasting: A Comparative Analysis of ARIMA-GARCH, LSTM, and Integrated Wavelet-LSTM Models). 장기 의존성을 잡아내는 능력도 뛰어나, 수십 일 이상의 주기나 계절성도 LSTM이 학습할 수 있습니다. 한 실험에서는 1일~5일 앞의 주가 방향 예측에서 LSTM 계열 모델이 전통 모델들을 훨씬 능가했고, 결과적으로 연 평균 수익률 측면에서도 우위를 보였다고 합니다 (Assessing the Predictive Power of Transformers, ARIMA, and LSTM in Forecasting Stock Prices of Moroccan Credit Companies). 이처럼 LSTM은 학습 데이터가 풍부하고 패턴에 일정 반복성이 있다면 탁월한 성능을 발휘합니다. 요약하면, 변동성이 크고 비선형적인 금융 데이터에 LSTM이 잘 맞는다는 것이 여러 연구를 통해 입증되고 있습니다 (Advanced Stock Market Forecasting: A Comparative Analysis of ARIMA-GARCH, LSTM, and Integrated Wavelet-LSTM Models).

단점: LSTM의 단점은 데이터 준비와 복잡성입니다. 첫째, 많은 양의 훈련 데이터가 필요합니다. 파라미터 수가 많고 표현력이 높기 때문에, 데이터를 충분히 주지 않으면 훈련 세트에 과적합하기 쉽습니다. 특히 주식처럼 잡음이 많은 데이터에서는 수천~수만 이상의 시계열 길이가 있어야 장기패턴을 제대로 학습할 수 있다고 여겨집니다. 데이터가 적을 경우 차라리 ARIMA 등의 단순 모델이 나을 수 있는데, 실제로 입력 특성이 부족한 환경에서는 ARIMA가 LSTM보다 나은 성능을 낸 예도 있습니다 (GitHub - DariuszKobiela/arima-vs-lstm-on-nasdaq-stock-exchange-data: This study compares the results of two completely different models: statistical one (ARIMA) and deep learning one (LSTM) based on a chosen set of NASDAQ data. Both models are used to predict daily or monthly average prices of chosen companies listed on the NASDAQ stock exchange.). 둘째, 모델 구조와 하이퍼파라미터 튜닝이 까다롭습니다. 몇 개의 LSTM 층을 쌓을지, 타임스텝(window) 길이를 얼마나 사용할지, 뉴런 수와 학습률을 어떻게 설정할지 등에 따라 성능이 크게 달라집니다. 보편적인 가이드라인이 없기 때문에 많은 시행착오가 필요하며, 훈련 시간도 오래 걸립니다. 셋째, 해석 가능성이 매우 낮습니다. 출력에 이르기까지 게이트 내부에서 수많은 비선형 변환이 일어나므로, 왜 그런 예측이 나왔는지 이해하기 어렵습니다. Attention 메커니즘을 추가하여 특정 시점이 예측에 기여한 정도를 시각화하는 등의 연구가 있지만, 전반적으로 딥러닝은 블랙박스로 취급됩니다. 넷째, LSTM 모델은 온라인 학습(새로운 데이터에 실시간으로 적응)이 바로 되지 않아서, 주기적으로 재훈련을 해야 합니다. 새로운 데이터가 들어올 때마다 훈련을 조금씩 이어나가는 것도 가능하지만(상태 유지), 이는 구현과 모니터링이 복잡합니다. 이러한 이유로, 실제 트레이딩 현업에서는 LSTM 같은 딥러닝의 사용이 제한적이었다가, 최근에야 기술 발달로 점차 시도되고 있습니다.

예측 성능 및 사용 사례: 단기 예측에서 LSTM은 혼재된 결과를 보입니다. 하루 수준의 아주 짧은 예측에서는, 시장 효율성과 노이즈로 인해 LSTM이 특별히 나은 성능을 보장하지는 못합니다. 일부 연구에서 1일 예측은 LSTM과 ARIMA의 차이가 크지 않았다고 하거나 (GitHub - DariuszKobiela/arima-vs-lstm-on-nasdaq-stock-exchange-data: This study compares the results of two completely different models: statistical one (ARIMA) and deep learning one (LSTM) based on a chosen set of NASDAQ data. Both models are used to predict daily or monthly average prices of chosen companies listed on the NASDAQ stock exchange.), 혹은 LSTM이 근소하게 우세했다는 보고가 있습니다. 예컨대 Kobiela 등의 연구에서는 1일 예측에서 LSTM 오차(MAPE 1.46%)가 ARIMA 오차(1.64%)보다 조금 낮았지만, 1달 이상의 예측에서는 ARIMA가 더 나은 결과를 보였습니다 (GitHub - DariuszKobiela/arima-vs-lstm-on-nasdaq-stock-exchange-data: This study compares the results of two completely different models: statistical one (ARIMA) and deep learning one (LSTM) based on a chosen set of NASDAQ data. Both models are used to predict daily or monthly average prices of chosen companies listed on the NASDAQ stock exchange.). **중기 예측(수 주수 개월)**에서는 LSTM의 강점이 두드러질 수 있습니다. 며칠 이상의 움직임 패턴이나 추세를 학습하여 향후 몇 주간의 방향을 맞추는 데 성과를 내는 사례가 많이 보고됩니다 (Assessing the Predictive Power of Transformers, ARIMA, and LSTM in Forecasting Stock Prices of Moroccan Credit Companies). 특히 연속적인 상승/하락 구조나 변동성 변화의 전조 등을 LSTM이 포착하여, 단순 통계 모델보다 높은 $R^2$나 낮은 RMSE를 기록하는 경우가 흔합니다 (Assessing the Predictive Power of Transformers, ARIMA, and LSTM in Forecasting Stock Prices of Moroccan Credit Companies). **장기 예측(수개월1년 이상)**은 주가 예측에서는 매우 어려운 영역이지만, LSTM 등 딥러닝 모델로 어렵게나마 추세를 맞춰보려는 시도가 있습니다 (Comparative Analysis of ARIMA, Random Forest, and LSTM Models for Mercedes-Benz Stock Price Prediction · 研飞ivySCI). IvySci의 한 연구는 LSTM이 장기 추세 예측에 상대적으로 강점이 있어, 1년 이상의 장기 변화는 LSTM이 잘 잡아내는 반면 ARIMA는 시장 변동성에 취약하다고 분석했습니다 (Comparative Analysis of ARIMA, Random Forest, and LSTM Models for Mercedes-Benz Stock Price Prediction · 研飞ivySCI). 다만 이러한 결과는 모든 경우에 해당하지는 않으며, 장기 예측 성능은 데이터의 특성, 입력 변수(거시경제 지표 포함 여부) 등에 크게 좌우됩니다. 실제 투자에서는 LSTM을 단독으로 쓰기보다는, 기존 인력이나 모델이 포착하지 못한 패턴을 찾는 보조도구로 사용하는 경우가 있습니다. 예를 들어 헤지펀드에서 LSTM으로 여러 자산의 복잡한 관계를 학습시켜 이상징후를 탐지하거나, 퀀트 트레이더가 LSTM 기반의 신호를 다른 모멘텀 지표와 혼합해 사용하는 식입니다. 또한 LSTM은 알고리즘 트레이딩 대회나 학술 연구에서 많이 활용되어, 코스피 지수 예측, S&P 500 지수 예측 등에 수십 편 이상의 관련 논문이 발표되고 있습니다 (Advanced Stock Market Forecasting: A Comparative Analysis of ARIMA-GARCH, LSTM, and Integrated Wavelet-LSTM Models).

실제 적용 및 구현: LSTM은 딥러닝 프레임워크(텐서플로우, 파이토치 등)의 등장으로 구현이 비교적 쉬워졌습니다. Python의 TensorFlow/Keras에서는 Sequential API로 간단히 LSTM 레이어를 쌓을 수 있습니다. 아래는 예시 코드입니다:

from tensorflow import keras

model = keras.Sequential([
    keras.layers.LSTM(50, return_sequences=True, input_shape=(timesteps, n_features)),
    keras.layers.LSTM(50),
    keras.layers.Dense(1)
])
model.compile(optimizer='adam', loss='mse')
model.fit(X_train, y_train, epochs=20, batch_size=32, verbose=0)

pred = model.predict(X_test)

위 코드에서는 두 개의 LSTM 층을 쌓아 마지막에 Dense로 출력하는 간단한 모델을 구성했습니다. timesteps는 시계열 입력 길이 (예: 지난 10일), n_features는 특징 수 (종가 한 개면 1, 혹은 OHLCV 등 여러 개일 수 있음)입니다. 이처럼 LSTM 모델은 구성에 따라 유연하게 변형 가능하며, 필요에 따라 양방향 LSTM, 어텐션 메커니즘 등을 추가해 성능을 높일 수 있습니다. 하지만 앞서 말한 한계들 – 데이터 요구량, 해석력 부족, 과최적화 위험 – 을 항상 염두에 두고 사용해야 합니다. 특히 검증용 데이터로 충분히 평가하고 시계열 교차검증(walk-forward validation) 등을 통해 과적합 여부를 점검하는 것이 중요합니다.

Transformer (트랜스포머 기반 모델)

이론적 배경: 트랜스포머는 2017년 구글에서 처음 제안된 자기어텐션(self-attention) 기반 딥러닝 모델로, 원래는 자연어 처리(NLP)에서 혁신을 일으킨 아키텍처입니다. RNN/데이터 순차 처리 없이 병렬적으로 시퀀스를 처리하면서도, 어텐션 메커니즘을 통해 시퀀스 내의 모든 요소들 간 관계를 학습할 수 있는 것이 특징입니다. 시계열 예측 분야에도 2019년 이후 트랜스포머 구조가 도입되기 시작했으며, 긴 시계열의 복잡한 의존성을 학습하는 데 잠재력을 보여주고 있습니다. 트랜스포머는 인코더-디코더 구조를 갖추고 있습니다만, 시계열 예측에는 주로 인코더 부분만 활용하여 과거를 인코딩하고 미래를 디코딩하는 형태나, Seq2Seq 형태로 사용됩니다. 대표적인 시계열 특화 트랜스포머 모델로는 Informer, Temporal Fusion Transformer(TFT), Autoformer, TimesNet 등이 발표되었으며, 이들은 각기 시계열에 맞게 어텐션을 개선하거나 합성곱 등을 결합한 변형들입니다 (Stock Price Forecasting of PDD Using TimesNet, ARIMA, Transformer, and GARCH) (Stock Price Forecasting of PDD Using TimesNet, ARIMA, Transformer, and GARCH).

장점: 트랜스포머 기반 모델의 가장 큰 장점은 아주 긴 기간의 의존성도 효과적으로 학습할 수 있다는 점입니다. 어텐션 메커니즘을 통해 과거 모든 시점의 정보를 가중합하여 현재 시점 예측에 반영하기 때문에, 수백 날 전에 발생한 사건이 현재에 영향을 주는 경우도 잡아낼 수 있습니다. 이는 고정된 창을 사용하는 LSTM보다 유리한 점입니다. 또한 트랜스포머는 병렬 연산이 가능하므로 대용량 데이터 학습에 효율적입니다. 주가 데이터처럼 수년치 이상 방대한 시계열도 GPU를 활용해 병렬 처리로 학습시킬 수 있습니다. 다변량 입력 처리에도 강점이 있는데, 예컨대 주식 예측에 회사별 여러 시계열(가격, 재무지표 등)을 넣으면 어텐션이 각 시계열 간 관계도 함께 학습해줍니다. 일부 트랜스포머 기반 시계열 모델은 단기 패턴과 장기 추세를 동시에 포착하도록 설계되어, 금융 데이터의 복잡성을 잘 다룬다는 평가를 받았습니다 (Stock Price Forecasting of PDD Using TimesNet, ARIMA, Transformer, and GARCH). 특히 TimesNet이라는 최신 모델의 경우, 다중 스케일의 패턴을 추출하고 단기 변동과 장기 사이클을 동시에 예측하여 기존 LSTM, GARCH 등을 능가하는 정확도를 PDD 주가 예측에서 보였습니다 (Stock Price Forecasting of PDD Using TimesNet, ARIMA, Transformer, and GARCH) (Stock Price Forecasting of PDD Using TimesNet, ARIMA, Transformer, and GARCH). 일반적으로 변동성이 큰 금융 데이터에서도 충분한 데이터와 적절한 구조가 주어지면 트랜스포머는 높은 성능을 기대할 수 있습니다. 예를 들어, 한 연구에서 트랜스포머 계열 모델이 주식 데이터의 장기 추세와 단기 급등락 패턴을 모두 포착하여 기존 모델 대비 4~7% 예측 정확도 개선을 보였다고 보고되었습니다 (Stock Price Forecasting of PDD Using TimesNet, ARIMA, Transformer, and GARCH).

단점: 트랜스포머의 단점은 방대한 학습 자원 요구와 복잡한 튜닝입니다. 기본 트랜스포머는 파라미터 수가 매우 많고, 학습에 많은 데이터와 연산이 필요합니다. 때문에 수십 년치 주가 데이터나 수많은 종목의 데이터를 합쳐 학습시키는 등 데이터풀이 커야 효과가 극대화됩니다. 소규모 데이터에 적용할 경우 오히려 LSTM보다 못한 결과가 나올 수 있습니다 (Assessing the Predictive Power of Transformers, ARIMA, and LSTM in Forecasting Stock Prices of Moroccan Credit Companies). 실제로 모로코 증권거래소 3개 종목에 대해 트랜스포머를 적용한 한 연구에서는, 트랜스포머 모델이 음의 $R^2$ (예측이 오히려 평균 이하 성능) 값을 보일 정도로 부진한 성능을 나타냈습니다 (Assessing the Predictive Power of Transformers, ARIMA, and LSTM in Forecasting Stock Prices of Moroccan Credit Companies). 반면 동일 데이터에서 LSTM은 $R^2>0.95`의 높은 정확도를 보였죠. 이 사례는 데이터가 적고 변동성이 클 때 트랜스포머가 오히려 학습에 어려움을 겪을 수 있음을 보여줍니다 (Assessing the Predictive Power of Transformers, ARIMA, and LSTM in Forecasting Stock Prices of Moroccan Credit Companies). 또한 트랜스포머는 시계열에 바로 적용하기에는 몇 가지 고려 사항이 있습니다. 예를 들어 순서 정보를 주입하기 위해 **포지셔널 인코딩(positional encoding)**이 필요하고, 매우 긴 시계열에는 일반적인 $O(n^2)$ 어텐션으로 계산량 문제가 생겨 효율적인 어텐션 기법이 필요합니다. 이런 이유로 Informer 등 많은 변형들이 나왔지만, 사용자 입장에서는 어떤 구조를 쓸지 선택하고 튜닝하는 과정이 어렵고 복잡합니다. 마지막으로, 트랜스포머 역시 딥러닝의 한 종류라 해석이 쉽지 않다는 문제가 있습니다. 어텐션 가중치를 분석하면 약간의 단서(예: 어느 과거 구간에 주목했는지)를 얻을 수 있지만, 이것만으로 충분한 설명이 되지 않는 경우가 많습니다. 따라서 현업에서 신뢰성 측면의 문턱도 존재합니다.

예측 성능 및 사용 사례: 현재까지 트랜스포머 기반 모델은 연구 단계에서 활발히 개발되고 있으며, 주식 예측에서 점진적으로 성능을 입증해가고 있습니다. 단기 예측에서는, 솔직히 말해 트랜스포머가 LSTM보다 나을 이유가 뚜렷하지 않다는 지적이 있습니다. 수일 내의 움직임은 국지적인 패턴인데, 복잡한 트랜스포머를 쓰는 것이 오히려 과적합을 야기할 수 있기 때문입니다. 실제 PDD 주가를 예측한 한 실험에서도 트랜스포머가 변동성 큰 데이터에 어려움을 겪어 높은 오류(RMSE 약 30)를 기록했습니다 (Stock Price Forecasting of PDD Using TimesNet, ARIMA, Transformer, and GARCH). 중기 예측에서는 트랜스포머의 장점이 발휘될 수 있습니다. 수주~수개월 범위에서, 단기적인 변동뿐 아니라 경제 사이클 등의 영향이 섞여 나타날 때 트랜스포머는 멀리 떨어진 시점들까지 참고하여 보다 나은 예측을 할 수 있습니다. 다만 이 역시 충분한 데이터가 있을 때 얘기입니다. 장기 예측은 트랜스포머에게 기대되는 주요 분야입니다. 수년 단위의 거시경제 흐름이나 업종별 사이클 등을 포착해 긴 기간의 주가 방향을 예측하는 연구들이 진행 중입니다. 예를 들어 **TFT(Temporal Fusion Transformer)**는 금리, GDP 같은 정적 변수와 시계열 데이터를 함께 입력하여 다년간의 자산 가격을 예측하는 시도를 하였고, 부분적으로 성과를 내기도 했습니다. 그러나 전반적으로 장기 예측 정확도는 아직 낮으며, 트랜스포머라고 해도 큰 개선을 보여주지는 못하고 있는 단계입니다. 요약하면: 트랜스포머는 이론적으로 강력하지만, 실전 주가 예측에서 딱 맞는 use-case를 찾는 중인 셈입니다.

실제 적용 및 전망: 현재까지 실제 투자 분야에서 트랜스포머 활용은 제한적이지만, 가능성은 높게 평가됩니다. 특히 헤지펀드 등에서는 거시경제 시나리오별 자산군 예측 등에 트랜스포머를 적용해보는 시도를 하고 있습니다. 또한 고빈도 트레이딩에서는 아니지만 포트폴리오 최적화나 리스크 시뮬레이션에 트랜스포머 기반 생성모델을 쓰는 등 간접적 활용도 연구되고 있습니다. 오픈소스로는 PyTorch의 torchmetrics나 GluonTS의 트랜스포머 구현, HuggingFace의 Transformers 라이브러리 등에 시계열 예측 예제가 있으며, 비교적 최신 모델인 TimesNet의 코드도 공개되어 있어 실험 가능하게 되어 있습니다. 다만 실무 적용을 위해서는 상당한 컴퓨팅 리소스와 전문가 튜닝이 필요하므로, 당장 모든 트레이더가 쓰는 상황은 아닙니다. 향후 기술발전과 함께 데이터가 축적되고 모델이 단순화된다면, 트랜스포머가 금융 예측의 주류로 떠오를 가능성도 있습니다. 지금으로서는 잠재력이 큰 신기술 정도로 요약할 수 있겠습니다.

예측 기간별 최적 모델 비교

주가 예측 모델의 효과성은 **예측 기간(horizon)**에 따라 다르게 나타납니다. 단기, 중기, 장기로 구분하여 어떤 접근이 유리한지 종합적으로 비교하면 다음과 같습니다.

(image) Figure: 예측 기간에 따른 ARIMA vs LSTM 오차 비교 (NASDAQ 데이터 사례) (GitHub - DariuszKobiela/arima-vs-lstm-on-nasdaq-stock-exchange-data: This study compares the results of two completely different models: statistical one (ARIMA) and deep learning one (LSTM) based on a chosen set of NASDAQ data. Both models are used to predict daily or monthly average prices of chosen companies listed on the NASDAQ stock exchange.). 낮은 MAPE일수록 예측 정확도가 높음을 의미합니다. 1일 예측에서는 두 모델의 오차가 비슷했지만, 예측 기간이 길어질수록 ARIMA의 오차 증가폭이 LSTM보다 완만하여 LSTM 대비 우위를 보였습니다 (예: 3개월 시점 ARIMA MAPE≈5.93%, LSTM≈10.53%). 이는 장기 전망에서 전통 모델이 의외로健조한 성능을 낼 수 있음을 시사합니다.

단기 예측 (1일 ~ 1주)

특징: 단기 예측은 시장 미시구조나 기술적 패턴, 혹은 단발성 이벤트의 영향을 많이 받는 구간입니다. 하루나 일주일 이내에서는 기업 펀더멘털보다는 투자자 심리, 수급, 프로그램 매매 등의 영향이 커서 노이즈가 매우 큰 영역이기도 합니다.

효과적인 모델: 단기에는 너무 복잡한 모델보다는 비교적 단순하거나 빠르게 대응할 수 있는 모델이 유리한 경향이 있습니다. ARIMA 같은 전통 모델은 직전까지의 추세 연장에 강점이 있어, 뚜렷한 추세장이 이어지는 경우 유용합니다. 실제로 ARIMA는 일간 주가 변동을 상당 부분 설명할 수 있으며, 1~2일 앞 예측에서 70% 수준 정확도를 보였다는 보고도 있습니다 (주식 가격 예측을 위한 시계열 데이터 분석 모델과 예측 성공률). 랜덤 포레스트나 XGBoost도 단기 예측에서 많이 활용됩니다. 뉴스나 기술적 지표 등 복합 요인을 즉각 반영할 수 있어, 하루 앞 상승/하락을 맞추는 분류 문제에 적용시 50%를 훌쩍 넘는 정확도를 보이기도 합니다. 특히 랜덤 포레스트는 앞서 언급했듯 단기 가격 예측에서 최고 성능을 보인 사례도 있고 (Comparative Analysis of ARIMA, Random Forest, and LSTM Models for Mercedes-Benz Stock Price Prediction · 研飞ivySCI), XGBoost 역시 데이터가 충분하면 단기 정확도가 높다는 연구가 있습니다 (Comparison of XGBoost and LSTM Models for Stock Price Prediction). LSTM의 경우, 아주 단기에서는 오히려 과적합 위험 때문에 성능이 제한될 수 있지만, 만약 초단타적 패턴(예: 분/min 단위 패턴)을 찾는 경우라면 CNN이나 LSTM으로 미세한 패턴 인식을 시도하기도 합니다. 다만 하루 수준에서는 LSTM과 ARIMA의 성능 차이가 뚜렷하지 않을 수 있습니다 (GitHub - DariuszKobiela/arima-vs-lstm-on-nasdaq-stock-exchange-data: This study compares the results of two completely different models: statistical one (ARIMA) and deep learning one (LSTM) based on a chosen set of NASDAQ data. Both models are used to predict daily or monthly average prices of chosen companies listed on the NASDAQ stock exchange.). 트랜스포머는 단기에 굳이 쓸 필요가 적습니다. 변동이 심한 하루 이틀치를 예측하려고 복잡한 트랜스포머를 쓰면, 한 연구에서처럼 큰 오차를 낼 위험이 있습니다 (Stock Price Forecasting of PDD Using TimesNet, ARIMA, Transformer, and GARCH).

요약: 단기 투자(데이 트레이딩 ~ 스윙) 관점에서는, 경량 모델(ARIMA 등)로 최근 추세를 연장하거나, 머신러닝 모델로 다양한 단기 신호를 조합하는 접근이 주로 효과적입니다. LSTM 같은 딥러닝은 데이터가 아주 풍부한 초단타(algo trading) 영역 외에는 단기에는 메리트가 크지 않을 수 있습니다. 결국 단기 예측력은 제한적이므로, 매매 전략 수립 시에는 예측 신호를 확률적으로 활용하고 리스크 관리와 병행해야 합니다.

중기 예측 (1주 ~ 1개월)

특징: 중기 예측은 단기 노이즈와 장기 추세의 중간 지점으로 볼 수 있습니다. 몇 주에서 한 달 정도면 기업 실적 발표나 거시지표 발표 등이 반영되는 기간이고, 기술적 사이클(예: 20일 이동평균선) 등이 의미를 가질 수 있는 구간입니다.

효과적인 모델: 중기에는 통계적 모델과 ML/DL 모델을 결합하거나 앙상블하는 접근이 많이 연구됩니다. 예를 들어 ARIMA로 단기 추세를 추정하고, LSTM으로 비선형 보정을 하는 하이브리드 모델이 사용되곤 합니다 (Advanced Stock Market Forecasting: A Comparative Analysis of ARIMA-GARCH, LSTM, and Integrated Wavelet-LSTM Models). 이는 중기 예측에서 ARIMA의 선형외삽 한계를 LSTM이 보완해주는 형태입니다. 또한 웨이블릿 변환 등으로 시계열을 추세와 변동성 요소로 분리한 뒤 각각을 다른 모델로 예측하고 합치는 방식도 중기에 효과적입니다 (시계열 데이터의 교차 검증을 활용한 융합적 모델 기반의 시계열 특징에 의한 코스피지수 예측 - 한국경영과학회지 - 한국경영과학회 : 논문 - DBpia). 랜덤 포레스트/부스팅은 중기에도 활용도가 높습니다. 기술적 지표 외에 거시경제 지표(금리, 환율 등)나 섹터 지표를 피처로 넣어 몇 주 후 주가를 예측하는 데 사용되며, 이 경우 비선형 모형의 강점이 발휘됩니다. 한편 LSTM은 수주일 이상의 패턴 (예: 한달 주기의 순환 등)을 학습하기에 충분한 시간적 길이를 갖고 있어, 단기보다 중기에서 성능이 더 돋보일 수 있습니다 (Assessing the Predictive Power of Transformers, ARIMA, and LSTM in Forecasting Stock Prices of Moroccan Credit Companies). 실제로 여러 연구에서 1개월 내 예측은 LSTM 계열이 전통 모형보다 확연히 낮은 오류율을 보였음을 확인했습니다 (Assessing the Predictive Power of Transformers, ARIMA, and LSTM in Forecasting Stock Prices of Moroccan Credit Companies). 트랜스포머의 경우, 여전히 중기에도 데이터양이 관건이지만, 만약 몇 년치 일별데이터를 학습했다면 2~4주 앞까지는 LSTM과 비슷하거나 조금 나은 성능을 기대할 수 있습니다. 아직 증명된 바는 적지만, TFT 등은 특히 중기 예측에 초점을 맞춘 모델입니다.

요약: 스윙 트레이딩 ~ 포지셔닝(1~4주 전망) 관점에서는, 혼합적 접근이 부상하고 있습니다. 전통 통계모델로 기본 구조를 파악하고 머신러닝/딥러닝으로 미세조정하거나, 여러 모델을 앙상블하여 평균적인 예측을 사용하는 방식입니다. 중기 예측은 단기보다 신뢰도가 높으므로, 기업 실적모멘텀 투자나 1개월 단위 자산배분 등에 활용될 수 있습니다. 이때 예측 모델은 하나보다는 여러 개의 모델 결과를 종합하여 의사결정을 내리는 것이 리스크를 줄이는 방법입니다.

장기 예측 (1개월 ~ 1년 이상)

특징: 장기 예측은 거시경제 흐름, 산업 트렌드, 기업 펀더멘털 변화 등이 가격에 반영되는 기간입니다. 이 정도 기간이 되면 주가의 ランダムウォーク 성향과 자기회귀적 예측력은 매우 낮아지고, 대신 경제학적 판단이나 큰 사이클 예측이 중요해집니다. 모델만으로는 예측력이 약한 영역이지만, 추세의 방향성이나 대략적 크기를 예측하는 용도로 연구가 진행됩니다.

효과적인 모델: 장기에는 딥러닝 모델 또는 거시 변수를 통합한 ML 모델이 상대적으로 나은 선택으로 거론됩니다. 전통적인 ARIMA 계열은 장기 추세 변화(예: 상승장에서 하락장 전환)를 예측하기 어려워 거의 사용되지 않습니다. 대신 LSTM이나 변형 RNN들이 장기 예측에 투입됩니다. LSTM은 장기 패턴을 어느 정도 기억할 수 있고, 데이터가 충분하면 수개월 주기의 사이클도 학습 가능하기 때문입니다 (Comparative Analysis of ARIMA, Random Forest, and LSTM Models for Mercedes-Benz Stock Price Prediction · 研飞ivySCI). 한 연구에서 LSTM이 장기 추세를 잘 포착하여 1년치 예측에서 랜덤 포레스트보다 나은 성능을 냈다는 결과도 있습니다 (Comparative Analysis of ARIMA, Random Forest, and LSTM Models for Mercedes-Benz Stock Price Prediction · 研飞ivySCI). 또한 트랜스포머 기반 모델들은 장기 예측에 특화되었다 해도 과언이 아닙니다. 예컨대 Informer 모델은 긴 시계열의 희소한 어텐션 패턴을 학습해, 수십 스텝 이후까지 예측 성능을 높였다고 보고되었습니다. Temporal Fusion Transformer는 거시적 상황까지 고려한 장기 예측을 시도했습니다. 다만 이러한 딥러닝 기반 장기 예측은 아직 큰 변동이 있는 해(예: 금융위기 등)를 잘 예측해내지 못하며, 대체로 평상시 추세를 연장하는 수준에 머물기도 합니다. 한편, 머신러닝 관점에서는 XGBoost 등으로 미래 macro 지표를 예측하고, 그것을 기반으로 주가를 장기 전망하는 2단계 접근도 있습니다. 또는 **정성적 분석(애널리스트 전망)**을 데이터로 활용해 장기 가격을 예측하는 시도도 있지요. 결론적으로, 장기 예측에서 뚜렷하게 “이 모델이 최고”인 경우는 없으며, 딥러닝+거시변수 혼합 접근이 활발히 연구되는 추세입니다.

요약: **장기 투자(6개월~수년)**를 위한 예측은 모델의 도움보다는 거시경제 분석이나 기업의 내재가치 분석에 의존하는 경우가 많습니다. 모델은 어디까지나 보조적 역할을 하지만, 최근 딥러닝이 방대한 거시 데이터와 가격 데이터를 함께 학습하여 장기 예측 정확도를 높이는 방향으로 발전하고 있습니다. 현 단계에서는 장기 예측 모형의 신뢰도가 높지 않으므로, 포트폴리오 리스크 관리 차원에서 최악의 시나리오를 감지하거나 장기적인 추세 전환 가능성을 경고하는 용도로 활용하는 것이 현실적입니다.

실제 적용 가능성과 고려사항

데이터 요구사항 및 준비

모든 예측 모델은 충분한 양질의 데이터가 있을 때 제 성능을 발휘합니다. 전통 모델(ARIMA 등)은 수십~수백 개 정도의 시계열 포인트만 있어도 적합이 가능하지만, 머신러닝/딥러닝 모델은 수천 이상의 데이터가 있어야 안정적으로 학습됩니다. 한국 주식시장처럼 개별 종목의 상장 이력이 짧은 경우(예: 코스닥 신생 기업) 딥러닝을 적용하기 어려울 수 있습니다. 이럴 때는 동일 업종 지수나 글로벌 동종업체 주가 등을 추가로 활용해 데이터 포인트를 늘리거나, 데이터 확장(augmentation) 기법을 사용할 수 있습니다. 미국 주식시장은 데이터가 풍부하여 모델이 학습하기 유리하지만, 그만큼 경쟁도 치열해 예측 신호가 미미할 수 있습니다. 또 하나 고려해야 할 점은 **특징공학(feature engineering)**입니다. 전통 모델은 가격 자체만으로 예측하지만, ML/DL 모델은 입력 변수 선택에 따라 성능이 크게 좌우됩니다. 기술적 지표, 뉴스 스코어, 거래량, 공매도 정보, 금리/환율 등 어떤 데이터를 포함할지 전략적으로 결정해야 합니다. 데이터 양이 많아지면 트랜스포머 같은 복잡한 모델도 활용할 수 있지만, 그만큼 노이즈 제거와 정규화 등이 선행되어야 합니다. 특히 딥러닝은 데이터 스케일링(정규화), 시계열 분할(훈련/검증/테스트), 시차 설정 등에 민감하므로, 철저한 전처리가 필요합니다.

모델 선택 및 튜닝

실제 투자에 모델을 적용할 때는 예측 성능 뿐 아니라 안정성, 실시간성, 운영 난이도 등을 모두 고려해야 합니다. 예를 들어, ARIMA나 XGBoost는 비교적 운영이 쉬운 편입니다. 모델 추정이 빠르고 구현이 간단하며, 예측이 실패했을 때 원인을 추적하기도 상대적으로 수월합니다. 반면 LSTM이나 트랜스포머 같은 모델은 훈련에 시간이 많이 걸리고, 주기적으로 재훈련하거나 파라미터를 갱신해야 할 수도 있습니다. 또한 예측 결과가 나빠졌을 때 어디를 손봐야 할지 알기 어려울 수 있습니다. 기업 현장에서 **해석 가능성(Explainability)**은 중요한 이슈인데, ARIMA와 결정트리계열은 그나마 설명이 가능하지만 딥러닝은 결과를 설명하지 못하면 채택되기 어려울 수 있습니다 ([PDF] Comparison Analysis of ARIMA and Machine Learning Methods for ...). 그러므로 실제 적용시에는 모델의 복잡도와 성능 사이 트레이드오프를 감안하여 선택해야 합니다. 간단한 규칙 기반 모델과 복잡한 모델을 혼합하여, 평시에는 규칙 기반으로 가다가 특정 상황에서 복잡한 모델의 경고 신호를 참고하는 등의 운용도 생각해볼 수 있습니다.

튜닝 측면에서는, 실제 금융 데이터는 시시각각 변화하므로 한번 만든 모델을 고정해서 오래 쓰기 어렵습니다. **모델 드리프트(Model Drift)**에 대비하여 정기적 재학습이나 온라인 학습을 고려해야 합니다. ARIMA의 경우 슬라이딩 윈도우 재적합 방식을 쓰거나, LSTM은 주간 단위로 모델 파인튜닝을 수행하는 등의 방법이 있습니다. 이러한 운용은 추가적인 엔지니어링을 필요로 하며, 데이터 파이프라인 및 연산 리소스 확보가 전제되어야 합니다.

성능 평가 및 리스크 관리

모델의 예측 성능은 RMSE, MAPE, $R^2$ 등의 지표로 평가되지만, 투자에 실제로 도움이 되는지가 중요합니다. 방향은 맞췄어도 크기 예측이 틀리면 활용도가 낮을 수 있고, 반대로 오차가 꽤 있어도 방향만 자주 맞추면 수익을 낼 수도 있습니다. 따라서 **분류 성능(상승/하락 맞춘 비율)**이나 Trading simulation 결과로 평가해야 하는 경우도 많습니다. 예컨대 LSTM 예측이 55% 확률로 상승장을 맞춘다면 이는 통계적으로 유의한 엣지(edge)일 수 있습니다. 하지만 거래 비용과 슬리피지(slippage)를 감안하면 55%로는 부족할 수도 있습니다. 그러므로 모델 성능 평가시 샤프 지수, 누적 수익 곡선 등 투자 관점 지표를 함께 살펴야 합니다. GARCH 같은 변동성 모델은 직접 수익과 연결되진 않지만, 예컨대 예측한 변동성으로 옵션 전략을 백테스트해봄으로써 실효성을 검증할 수 있습니다.

리스크 관리 측면에서는, 모델 예측도 결국 확률이므로 확신度에 따라 포지션 사이즈를 조절하는 것이 중요합니다. 실무에서는 모델의 과거 성과에 기반해 신뢰 구간이나 예측 확신 지표를 만들고, 확신도가 높을 때만 크게 베팅하고 아닐 땐 베팅을 작게 하는 식으로 활용합니다. 또한 여러 모델을 동시에 운용해 포트폴리오 구성을 하기도 합니다. 예컨대 ARIMA 기반 예측과 LSTM 기반 예측이 모두 동일 방향을 가리킬 때만 매매를 실행하고, 신호가 충돌하면 관망하는 전략을 세울 수 있습니다. 이런 식으로 모델의 단점을 상쇄하고자 합니다.

오픈소스 프로젝트 및 구현 참고자료

주가 예측은 워낙 인기 있는 주제라서 GitHub 등에 다양한 오픈소스 프로젝트가 공개되어 있습니다. 예를 들어 XGBoost와 LSTM을 결합한 주가 예측 프로젝트에서는 XGBoost로 1차 예측을 하고 LSTM으로 2차 보정을 수행해 최종 오차를 줄였으며, 해당 코드는 구현 세부사항과 함께 공개되어 있습니다 (GitHub - priyaank17/Stock-Price-Prediction-using-Xgboost-RNN-LSTM-Networks: In this project we predicted the adjusted closing price of the stocks using techniques, regression analysis using XGBoost and hyper-parameter tuning of the same for better accuracy. Achieved final RMSE metric of 33.59 and MAPE of 1.552%.). 이 프로젝트에서는 최종적으로 약 1.55%의 MAPE를 달성했다고 보고하고 있는데, 이는 두 모델의 장점을 결합한 흥미로운 사례입니다. 또한 Prophet(페이스북이 개발한 시계열 예측 오픈소스)도 주가에 적용해볼 수 있으며, 일부 연구자들은 Prophet과 LSTM을 비교하여 각자의 장단점을 정리하기도 했습니다 (Comparative Analysis of LSTM and ARIMA Models in Stock Price ...). 학술 논문으로는 앞서 인용한 많은 자료들처럼 비교 분석 연구가 다수 있습니다. 특히 2023~2024년의 최신 경향은 ARIMA+GARCH vs LSTM vs Hybrid를 비교하거나 (Advanced Stock Market Forecasting: A Comparative Analysis of ARIMA-GARCH, LSTM, and Integrated Wavelet-LSTM Models), Transformer 계열과 기존 LSTM을 비교하는 연구 (Assessing the Predictive Power of Transformers, ARIMA, and LSTM in Forecasting Stock Prices of Moroccan Credit Companies) 등이 활발합니다. 이러한 논문들은 상세한 실험 결과와 함께 사용된 모델의 구조, 파라미터를 밝혀놓았으므로 실전 응용에 큰 참고가 됩니다.

끝으로, 모델은 도구일 뿐이라는 점을 기억해야 합니다. 주식시장은 비정형적 요소가 많고, 예측 불가능한 블랙스완이 존재하기에 어느 하나의 모델에 의존해서 전적으로 거래를 결정하는 것은 위험합니다. 최고의 접근법은 여러 기법의 통합과 전문가의 판단을 함께 사용하는 것입니다. 예컨대 단기적으로는 통계모델로 대응하고, 중기적으로는 머신러닝 시그널을 참고하며, 장기적으로는 거시 전망을 결합하는 식의 멀티-호라이즌 전략이 바람직합니다. 주가 예측 모델들은 각각 강점이 발휘되는 영역이 다르므로, 목표에 맞게 적절히 선택하고 조합하는 지혜가 필요합니다.

결론

한국 및 미국 주식시장을 대상으로 다양한 예측 모델의 특성과 성능을 비교해 보았습니다. 전통적 통계모델(ARIMA, GARCH)은 단순하고 해석 가능하며 단기 예측에 효과적이지만 비선형 복잡성과 장기 변화를 잡는 데 한계가 있습니다. 머신러닝 모델(랜덤 포레스트, XGBoost 등)은 비선형 패턴과 다중 변수를 다루는 강점으로 단기~중기 예측 성능을 높여주지만, 피처 공학과 튜닝이 필요하며 어느 정도 해석 가능성을 유지합니다. 딥러닝 모델(LSTM, Transformer 등)은 시계열 패턴 학습 능력이 가장 뛰어나 많은 경우 최고 수준의 예측 정확도를 보였으나, 데이터 요구량, 블랙박스성, 운영 난이도 등의 장벽이 있습니다.

예측 기간별로 보면, 단기에는 ARIMA나 트리 모형 같은 경량 모델이나 고빈도 패턴 인식 모델이 유용했고, 중기에는 혼합 모델이나 LSTM 등이 두각을 나타냈으며, 장기에는 아직은 딥러닝 기반의 잠재력에 기대를 걸지만 큰 확신을 주진 못하는 상황입니다. 실제 적용 시에는 모델별 장단점을 상호 보완하고, 데이터 및 도메인 지식을 충분히 활용하며, 리스크 관리와 함께 운용해야 할 것입니다.

급변하는 금융환경에서 어느 한 모델이 모든 상황에 통용되는 만능열쇠는 아닙니다. 그러나 다양한 접근법을 이해하고 적재적소에 활용한다면, 주가 예측의 정확도를 높이고 더 나은 의사결정을 내리는 데 큰 도움이 될 것입니다. 본 보고서의 내용과 참고된 연구・오픈소스들이 향후 주가 예측 모델을 개발하거나 개선하려는 독자들에게 유용한 인사이트와 실용적 힌트를 제공하길 바랍니다.

참고한 주요 문헌 및 자료:

• Lahboub & Benali (2023), "Assessing the Predictive Power of Transformers, ARIMA, and LSTM in Forecasting Stock Prices..." (Assessing the Predictive Power of Transformers, ARIMA, and LSTM in Forecasting Stock Prices of Moroccan Credit Companies) (Assessing the Predictive Power of Transformers, ARIMA, and LSTM in Forecasting Stock Prices of Moroccan Credit Companies)
• Huang et al. (2023), "Stock Price Prediction Based on ARIMA-GARCH and LSTM" (Stock Price Prediction Based on ARIMA-GARCH and LSTM) (Stock Price Prediction Based on ARIMA-GARCH and LSTM)
• Wang (2024), "Comparative Analysis of ARIMA, Random Forest, and LSTM Models for Stock Price Prediction" (Comparative Analysis of ARIMA, Random Forest, and LSTM Models for Mercedes-Benz Stock Price Prediction · 研飞ivySCI)
• Li (2023), "Comparison of XGBoost and LSTM Models for Stock Price Prediction" (Comparison of XGBoost and LSTM Models for Stock Price Prediction)
• Chen et al. (2024), "Advanced Stock Market Forecasting: ARIMA-GARCH vs LSTM vs Wavelet-LSTM" (Advanced Stock Market Forecasting: A Comparative Analysis of ARIMA-GARCH, LSTM, and Integrated Wavelet-LSTM Models) (Advanced Stock Market Forecasting: A Comparative Analysis of ARIMA-GARCH, LSTM, and Integrated Wavelet-LSTM Models)
• 기타: 국내 블로그 코코로코코 (다양한 시계열 예측 모델(ARIMA, Prophet, LSTM) 정리), LinkedIn PDD 예측 사례 (Stock Price Forecasting of PDD Using TimesNet, ARIMA, Transformer, and GARCH) 등.