Algorithmic Trading and Financial Forecasting Using Advanced AI Methodologies

초록

인공지능(AI)은 최근 인간 트레이더에게 필수적인 도구로 인식되고 있다. AI 시스템의 장점은 다양한 출처의 방대한 데이터 세트를 단 몇 초 만에 분석하고, 시장의 이상 현상과 가격 차이를 이용할 수 있는 실제 고빈도 거래(HFT)를 수행할 수 있다는 점이다. 이 논문은 최근 몇 년간 발표된 가장 중요한 논문들을 검토하며, 이러한 기술들이 복잡한 금융 시장에서 성공적으로 거래할 수 있는지를 탐구한다. 모든 시스템은 딥러닝(DL)과 머신러닝(ML) 프로토콜을 사용하여 거래 성공 확률에 영향을 미치는 비명백한 상관관계와 현상을 탐구한다. 예측은 종종 소셜 미디어 투자자의 감정 유도나 패턴 인식과 결합된 선형 또는 비선형 모델에 기반한다. 검토된 대부분의 논문은 개발된 시스템이 금융 시장에서 거래할 수 있는 성공적인 능력을 입증했다.

1. 서론

금융 시장에서의 거래는 경제적 및 심리적 환경에서 많은 영향 요인 때문에 복잡하고 혼란스럽다. 이 분야는 또한 정보 유입의 속도가 빨라 거래 수익성에 몇 초 내에 영향을 미친다. 이러한 이유로 연구자와 실무자들은 인공지능(AI)을 사용하여 개인 투자자가 거래 결정을 내리거나 전체 거래 과정을 자동으로 수행할 수 있도록 돕고자 했다. 이 논문의 목적은 AI에 기반한 알고리즘 트레이딩 시스템의 최신 발전을 검토하고 그들의 미래 발전을 평가하는 것이다. 또한, 다른 논문들이 단일 방법론이나 데이터 세트에 집중하는 것과 달리, 이 논문에서는 다양한 방법론이나 데이터 소스를 통합하여 금융 자산 가격 추세 변화를 감지하는 단일 의사 결정 과정을 목표로 하는 보다 전체론적인 접근 방식을 취했다. 다양한 출처에서 수집된 결합된 정보의 분석이 금융 자산 가격 움직임을 더 잘 예측할 수 있다고 본다. 데이터는 기술적 및 기본적 분석과 소셜 미디어에서 유도된 투자자 감정에서 수집된다. 또한, 주식, ETF, 암호화폐, 귀금속 등 다양한 금융 자산에 대한 연구를 보고하며, 스윙 및 일중 거래자를 포함한 다양한 범위의 트레이더가 사용할 수 있는 다양한 거래 시간 프레임을 다룬다.

전형적인 알고리즘 트레이딩 시스템은 다양한 출처의 다양한 데이터 세트를 정확하게 분석하고, 머신러닝(ML) 또는 딥러닝(DL) 인공신경망(ANN)을 통해 매수/매도 신호를 생성하며, 고빈도 거래(HFT)로 많은 주문을 단 몇 초 만에 처리할 수 있다. 이러한 이유로 많은 기관 트레이더들이 짧은 시간 내에 많은 금융 거래를 수행할 수 있는 거래 시스템을 개발하고 있다. HFT 알고리즘은 동일한 상품에 대해 다른 가격이 존재하는 경우 이를 이용한 차익 거래를 수행하는 데에도 유용할 수 있다. 이러한 전략을 위해 HFT 회사는 원활하고 지연 없는 데이터를 필요로 한다.

수익성 있는 데이터를 경쟁자보다 먼저 얻기 위해 많은 돈을 지불해야 한다. [1]의 저자들에 따르면, 거래자들은 종종 짧은 기간 동안 포지션을 유지하고 각 거래에서 작은 이익을 얻는다. 또한, 21세기 초부터 HFT(고빈도 거래)의 거래량이 급격히 증가하여 최고 70%에 이르렀다. [2]는 극단적인 가격 이벤트, 주문 흐름의 장기 기억, 수익률의 자기상관, 오목한 가격 영향, 그리고 군집된 변동성을 포함한 금융 시장의 여러 특성을 복제할 수 있는 에이전트 기반 시뮬레이션을 제안했다. [3]은 고빈도 거래가 시장 품질에 미치는 영향을 제한 주문을 통해 조사했다. 그들은 HFT 거래자들이 가장 수익성 있는 제한 주문을 모아 주문 장부 불균형을 초래함으로써 복지 외부성을 부과한다고 주장했다. 그들은 HFT 거래자들이 주문 장부의 얇은 쪽에서 유동성을 요구하고 두꺼운 쪽에서 유동성을 공급한다고 결론지었다. 이 전략은 거래 속도가 증가하는 변동성이 큰 시기에 더 두드러진다고 보았다. [4]는 HFT 전략과 기계 학습 방법의 결합이 금융 시계열 예측 능력을 크게 향상시켰다고 주장했다. 그들은 거래 손실을 줄이는 효과적이고 견고한 자동 HFT 그리드 거래 시스템을 외환 시장에 제안했다. [5]는 비트코인의 고빈도 거래에 대한 다양한 기계 학습 모델의 예측 가능성을 조사하고, 이들이 장기 기억 특성, 높은 수준의 확률성, 그리고 위상 복잡성을 가지고 있다고 결론지었다. 그들은 인공 신경망의 우수성이 인간의 의사결정을 모방하는 병렬 처리 방법에서 비롯되며, 베이지안 정규화가 예측에서 뛰어난 정확성을 제공한다고 보였다.

AI 거래 시스템은 일반적으로 다음과 같은 데이터 소스와 방법론에 기반한다: 1. 기술적 분석은 금융 자산의 과거 가격 행동과 거래량에서 파생된 전략의 집합이다. 이 방법론은 주식, 통화, EFT(Exchange Trade Fund), 상품과 같은 다양한 금융 자산의 거래 신호를 생성한다. 2. 기본적 분석은 기업 경제 뉴스가 주가에 미치는 영향을 평가한다. 3. 투자자 심리는 소셜 미디어에서 수집된 투자자의 감정을 의미한다. 이 논문은 설명된 데이터 소스와 방법론을 통합 시스템으로 결합한 알고리즘 거래 분야의 가장 진보된 연구 논문을 검토할 것이다. 또한, 어떤 방법론 조합이 거래 결과를 개선하는 데 도움이 되었고, 어떤 것이 거래 성과를 개선하는 데 비생산적이었는지를 보여줄 것이다. 또한, 기술적 분석과 패턴 인식을 선형 회귀와 같은 전통적인 예측 방법과 결합한 최근 연구 결과를 보고한다.

기술적 분석은 지난 수십 년 동안 크게 발전하여 초보자와 전문 거래자들 사이에서 인기를 얻었다. 이는 상대적으로 간단하고 수행이 용이하기 때문이다. 더욱이, AI 혁명은 인간 거래자보다 기계에 의해 수행될 때 이러한 분석의 장점을 강조했다. 기계는 피로하지 않고 오랜 기간 동안 시장 진입이나 퇴장을 기다릴 수 있으며, 때때로 인간 거래자가 잘못된 투자 결정을 내리게 하는 인간의 편견과 감정에 영향을 받지 않는다. [6]은 알고리즘 거래자가 인간 거래자보다 더 많은 이익을 얻는지는 시장 환경과 금융 자산의 기본 가치에 달려 있다고 발견했다. [7]은 알고리즘 거래 효율성과 거래 크기 사이의 역관계에 대한 증거를 발견했다.

DL(딥러닝) 방법론은 여러 ANN(인공 신경망) 계층으로 구성된 알고리즘이다. 이 절차는 더 높은 차원의 분류를 얻기 위해 여러 특징 계층을 설정하며, 무한한 수의 정보 계층을 분석하는 데 사용된다. 학습은 지도, 반지도, 비지도 학습이 될 수 있다. 이 방법론은 과거 데이터를 무한히 조사하여 자산 수익률 간의 상관관계를 식별하고, 식별된 과거 조건의 발생에 따라 미래 수익률 예측을 생성하는 데 사용될 수 있다. 예를 들어, DL은 과거 상품 가격을 이자율, 통화, 인플레이션 데이터와 통합할 수 있다.

특정 주식이나 ETF의 수익률을 사용하여 관찰된 자산의 미래 수익 확률을 산출한다. 최근 몇 년간 인기를 얻고 있는 또 다른 지식 분야는 AI를 사용하여 인터넷 단어 추적을 통해 특정 금융 자산에 대한 투자 감정을 추적하는 것이다. 특히 소셜 네트워크에 중점을 두고 있다. 이러한 감정 인식은 수집되고 필터링되어 의사 결정 시스템에서 생성된 긍정적 감정과 부정적 감정의 비율을 산출하는 데 사용되며, 이는 금융 자산의 가격 방향을 예측하기 전에 다른 입력을 강화하거나 약화시키는 정보의 또 다른 원천이 된다. 고급 알고리즘 트레이딩 시스템은 AI에 따라 실제 거래를 수행하고, 예를 들어 가격 슬리피지와 중개 수수료를 포함한 거래 결과를 보고할 수 있다. 게다가, 이러한 시스템은 종종 세 가지 성과 측정을 보고한다: 순이익(Net Profit, NP), 전체 거래 중 수익성 있는 거래의 비율(Percent of Profitable trades, PP), 이익 요인(Profit Factor, PF), 최대 손실(Maximum Drawdown, MDD)이다. NP는 거래 시스템에 의해 생성된 총 순이익이다. PP는 시스템에 의해 생성된 모든 거래 중 승리한 거래의 비율이며, PF는 총 수익을 총 손실로 나눈 값이고, MDD는 단일 거래에 의해 생성된 최대 손실을 측정한다. 각 투자자는 자신의 위험 선호도에 따라 최고의 백테스팅 거래 결과를 생성하는 거래 알고리즘을 선택할 수 있다. 더 위험을 회피하는 투자자는 낮은 MDD를 생성한 알고리즘 설정을 선호할 것이고, 덜 위험을 회피하는 투자자는 가장 높은 NP 또는 PF를 생성하는 알고리즘을 선호할 수 있다. 이 논문의 목적은 AI 금융 시장 분석 및 거래에 사용되는 가장 진보된 방법론을 검토하는 것이다. AI를 사용하는 거래 시스템은 최근 몇 년간 급격히 발전하였다. 이러한 시스템은 금융 자산 가격 추세 예측을 개선하고 그 결과 거래 성과를 향상시키고자 한다. 이러한 시스템의 발전은 다양한 출처에서 파생된 가능한 많은 입력을 찾도록 이끌었다. 성공적인 거래 시스템은 각 정보의 중요성과 예측 과정에서의 사용을 이해하는 사전 설계된 시스템으로 분석된 다양한 정보를 통합한다. 이러한 절차는 복잡하고 도전적이며 신중한 알고리즘 선택과 설계를 요구한다. 알고리즘 트레이딩은 장점이 있지만, 컴퓨팅 ML 시스템에 고유한 위험과 비용도 수반한다. 예를 들어, 알고리즘 기반 시스템은 외부 문제로 인한 일시적인 거래 중단을 시장 붕괴로 해석하고 가격 하락을 증폭시켜 투자자에게 큰 손실을 초래할 수 있다. 또 다른 예로, 시스템은 단일 거래자가 잘못 생성한 극단적인 가격을 금융 자산 가격의 다가오는 추세 전환 신호로 잘못 해석할 수 있다. 이러한 예는 시장의 새로운 정보에 대한 빠른 반응이 필요하여 뉴스의 잘못된 해석과 상당한 손실을 초래할 수 있음을 보여준다. Ref. [8]은 알고리즘 선택, 편향, 비대표적 데이터 세트 및 AI 해석에 기반한 인간의 결정에서 위험이 발생한다고 언급하였다. 그들은 위험 감소가 AI와 인간 간의 신중한 작업 분할을 요구한다고 덧붙였다. 거래 비용도 짧은 시간 내에 많은 거래를 수행하는 알고리즘 트레이딩 시스템에 문제가 될 수 있다. 이 시스템은 비용을 줄여 이익을 극대화하기 위해 리베이트 협정이 필요하다.

 

2. Material and Methods

이 논문은 AI와 DL 기능을 사용하여 알고리즘 트레이딩 시스템을 구축하는 데 사용되는 최근 기술과 방법론을 검토한다. 논문은 독창성과 해당 분야에 대한 중요성을 기준으로 선택되었다. 출판 날짜와 출판된 저널도 고려되었다. 이 연구에서 인용된 논문들은 금융 자산 추세를 예측하기 위해 다양한 방법론을 사용한다. 이들은 모두 과거 정보를 사용하여 미래를 예측하고 DL과 ML이 데이터를 처리하여 성공적인 거래 성과를 낼 수 있음을 보여준다. 기술적 분석, 패턴 인식, 투자자 감정 분석과 같은 전통적인 방법을 고급 DL 알고리즘과 결합하면 금융 예측과 거래 수익성을 향상시킬 수 있음이 입증되었다. 게다가, 투자자의 심리학을 통합하는 것도 중요하다.

최근 몇 년 동안 카너먼과 트버스키의 전망 이론(prospect theory)의 상징적인 연구 이후 거래 시스템에 편향을 도입하는 것이 점점 더 인기를 끌고 있다. 이 논문은 알고리즘 거래 시스템을 안내하는 퍼지 논리(fuzzy logic)에 대해 논의한다. 이 논리는 금융 자산의 과거 가격 움직임, 상관관계, 거래량, 경제적 환경, 기업의 기본 보고, 투자자의 감정과 같은 다양한 출처의 데이터를 분석한다. 이러한 방대한 양의 정보는 때때로 시스템이 올바르고 적시의 거래 결정을 내리는 것을 방해하거나 지연시킨다. 이러한 문제를 해결하기 위해 최적의 규칙 수와 불필요한 정보를 배제하는 "망각" 메커니즘을 사용해야 한다. 예를 들어, 최근의 한 출판물은 더 많은 지표와 거래 규칙을 추가하는 것이 반드시 거래 결과를 개선하지는 않는다고 밝혔다. 그들은 주요 암호화폐의 일일 바(bar)를 거래하는 데 최적의 기술 지표 수가 하나 또는 두 개라고 기록했다.

논문의 구조는 다음과 같다. 3장은 금융 자산 가격 예측에서 인공 신경망(ANN)의 사용을 논의하며, 3.1절에서는 서포트 벡터 머신(SVM), 3.2절에서는 장단기 메모리(LSTM), 3.3절에서는 퍼지 시스템을 다룬다. 4장은 투자자의 감정과 소셜 미디어가 금융 자산 가격 예측에 미치는 중요한 역할과 이러한 정보가 자율 거래 시스템에 통합되는 방법을 논의한다. 최근 출판물은 소셜 미디어 감정 측정이 다른 원시 데이터 소스가 제공할 수 없는 정보를 제공할 수 있으며, 따라서 가격 예측과 거래 성과를 개선하는 데 사용할 수 있다고 지적했다. 5장은 패턴 인식과 금융 자산 가격 예측 및 거래에 대한 기여를 논의한다. 이러한 패턴은 전문 트레이더들에 의해 오랫동안 사용되어 왔으며, 금융 예측 시스템에 자주 통합되고 있다. 6장은 이 논문을 요약하고 결론을 내린다.

3. 인공 신경망 (ANN)

인공 신경망(ANN)은 주식 시장에서 기술 지표를 예측 변수로 사용하여 비정상적인 수익을 제공할 수 있는 것으로 알려져 있다. 한 연구는 딥러닝(DL) 기법과 기술 지표를 사용하여 한국 주식 시장의 시가-고가-저가-종가 가격과 거래량을 분석하여 초과 수익을 달성했다. ANN은 DL 기법으로서 생물의 시각적 처리를 모방하여 패턴이나 이미지를 인식하는 데 사용된다. 또 다른 연구는 확률 모델을 사용하여 암호화폐 가격을 예측했으며, NN의 관찰된 특징 활성화에 층별 무작위성을 유도했다. 그들은 최상의 실험에서 7일 창 크기의 23개 특징으로 평균 절대 백분율 오차(MAPE)를 5%만 개선했다. 또 다른 연구는 DL 알고리즘과 블록체인 정보를 사용하여 암호화폐 가격 예측 방법론을 제시했다. 그들은 블록체인 데이터가 비트코인과 이더리움 가격과 함께 사용될 때 예측 성능이 높다고 결론지었다. 또한, 이더리움 통화가 비트코인에 비해 가장 높은 예측 정확도와 가장 낮은 오류율을 기록했다고 문서화했다. NN은 각 네트워크 층에서 생성된 학습 필터를 사용하여 주어진 층에서 미리 정해진 신호를 감지하고 자동 거래 결정을 수행하는 시스템에 실시간 정보를 전송한다.

3.1. 서포트 벡터 머신 (SVM)

서포트 벡터 머신(SVM)은 선형 또는 비선형 프로세스를 사용하여 항목을 예측하고 분류하는 지도 학습 방법이다. 이 프로세스는 훈련 데이터 내의 오류를 허용하여 테스트된 데이터에서 오류를 크게 줄인다. 한 연구는 누적 자기회귀 이동평균과 최소 제곱 SVM 모델을 결합하여 주식 시장에 대한 기본 예측을 수행했다. 그들은 그들의 모델이 단일 예측 모델보다 주가 예측에 더 적합하다고 결론지었다. 또 다른 연구는 SVM 예측 모델로 NIKKEI 225 지수의 주간 움직임 방향의 예측 가능성을 테스트하고, SVM이 다른 분류 방법보다 우수하다는 것을 입증했다. 또한, 그들은 SVM과 다른 분류 방법을 결합한 개선된 모델을 제안했다. 또 다른 연구는 SVM 알고리즘을 사용하여 외환 시장에서 자동 거래 결정을 내렸고, SVM이 다른 방법보다 우수하다는 것을 증명했다.

 

시스템의 성공적인 거래에 대한 기여. Ref. [19]는 12개의 암호화폐 가격을 SVM(Support Vector Machine)을 사용하여 예측 가능성을 조사하고, 일별 또는 분 단위 수준의 빈도에서 기계 학습(ML) 분류 알고리즘이 약 55-65%의 예측 정확도에 도달한다고 결론지었다. Ref. [20]는 SVM 커널 함수(kernel function)를 사용하여 암호화폐와 외환의 가격 방향을 예측하였다. 그들은 Radial Basis Gaussian (RBG) SVM 예측 모델이 다른 SVM-커널 모델보다 뛰어나다고 보여주었다.

SVM 기반 시스템은 금융 자산 가격 추세를 예측하는 데 널리 사용된다. 이러한 시스템은 과거 금융 데이터를 필터링하고 예측을 생성하는 다양한 모델을 사용한다. 이들은 모두 미래의 가격 추세가 금융 자산 간의 과거 상관관계를 분석함으로써 예측될 수 있으며, 경제 조건이 반복된다는 가정을 한다. 이러한 가정은 정상적인 시장 조건에서는 맞지만, 시장을 때때로 놀라게 하는 "블랙 스완" 조건에서는 효과가 없다.

3.2. 장단기 메모리(LSTM)

LSTM(Long Short-Term Memory)은 AI(인공지능)와 DL(딥러닝) 분야에서 사용되는 인공 순환 신경망(RNN)이다. 이 절차는 데이터를 동시에 처리할 수 있으며, 시계열 데이터의 분류, 처리 및 예측에 유용하여 금융 자산 가격 예측에 이상적인 도구이다. LSTM은 셀(cell), 입력 및 출력 게이트, 그리고 망각 게이트를 포함한다(그림 1 참조). 셀은 값을 기억하며, 다른 세 개의 게이트는 셀로의 정보 흐름을 제어한다.

그림 1. LSTM 시스템. 출처: Refs. [21,22] (2022년 3월 8일 접속).

그림 1에서 Ct는 주요 프로세스가 수행되는 셀이며, it, ot, ft는 입력, 출력, 망각 게이트이다. 수학적 과정은 방정식 (1)–(5)로 설명된다.

 

여기서: ft ∈(0, 1)h는 망각 게이트 활성화 벡터, f it ∈(0, 1)h는 입력 게이트 활성화 벡터, ot ∈(0, 1)h는 출력 게이트 활성화 벡터, ct는 셀 벡터, ht ∈(−1, 1)h는 출력 벡터, σg는 시그모이드 함수(sigmoid function), σc, σh는 쌍곡 탄젠트 함수(hyperbolic tangent functions), W, U는 가중치 행렬, b는 학습을 통해 학습되는 바이어스 벡터이다. LSTM과 전통적인 인공신경망(ANN)의 주요 차이점은 필요한 과거 데이터를 기억하고 잊어버림으로써 선택적으로 학습할 수 있다는 점이다. 이는 금융 자산 거래 시스템에 매우 유용할 수 있는데, 설계자가 알고리즘이 예측을 수행하기를 원하는 데이터의 특정 범위를 설정하면서 동시에 시스템이 관련 없는 데이터에 의해 방해받지 않도록 잊어야 할 데이터의 범위와 범위를 결정할 수 있기 때문이다. Ref. [23]은 미국 대형주 주식의 일중 움직임을 예측하기 위해 네트워크 입력으로 여러 기술적 지표를 사용하는 LSTM 모델을 앙상블했다. 그들은 모델이 라쏘(lasso) 및 릿지 로지스틱 분류기 또는 동등하게 가중된 앙상블과 같은 벤치마크 모델보다 더 나은 성능을 보였다고 결론지었다. Ref. [24]는 기술적 분석 지표를 사용하여 LSTM 네트워크로 미래 주가를 예측했다. 결과는 주가 추세 변화를 예측하는 데 평균 55.9%의 정확도를 보였다. Ref. [25]는 비트코인 가격 예측을 위해 심층 신경망(DNN), 합성곱 신경망, 심층 잔차 네트워크와 같은 심층 학습 방법을 비교했다. 그들은 DNN 기반 모델이 비트코인의 가격 추세 예측에 가장 적합하다는 것을 보여주었다. 또한, 그들은 분류 모델이 알고리즘 거래에 있어 회귀 모델보다 더 효과적이라는 것을 발견했다. Ref. [26]은 일일 암호화폐 가격을 사용하여 예측 모델을 테스트했다. 각 암호화폐에 대해 다른 LSTM 모델을 사용했으며, 50일의 데이터를 기반으로 한 모델이 장기 의존성을 포착할 수 있기 때문에 가장 좋은 성능을 보였다고 결론지었다. Ref. [27]은 스윙 트레이더를 위해 LSTM을 사용하여 미래 주식 가치를 예측했다. 그들의 시스템은 인도 주식 시장에서 30일 동안 회사 주가의 예측 값을 보고했다. 그들의 시스템은 지지 및 저항 수준, 피보나치 되돌림 수준, MFI, RSI, MACD와 같은 기술적 지표를 기반으로 했다(지지 및 저항 수준, 피보나치 되돌림 수준, MFI, RSI, MACD는 기술적 지표이다). 제안된 모델이 달성한 결과는 제안된 기술의 효능을 입증한다. Ref. [28]은 1993년 1월부터 2018년 12월까지 S&P500 주식의 움직임을 예측하기 위해 랜덤 포레스트와 LSTM 네트워크를 훈련 방법론으로 사용했다. 매 거래일마다 시장을 능가할 확률이 가장 높은 10개의 주식을 매수하고, 가장 낮은 확률의 10개의 주식을 공매도했다. 그들은 다중 기능 설정이 LSTM 네트워크를 사용하여 일일 0.64%의 수익을 제공했다고 보여주었다. Ref. [29]는 중국 주식 시장에 대한 연구를 수행했으며, 그들의 데이터는 주식의 시가, 종가, 최저가, 최고가, 일일 거래량을 포함했다. 그들의 결과는 LSTM 신경망 모델이 예측의 시간 지연과 같은 제한 사항이 있지만 주가를 예측할 수 있음을 보여주었다. 또한, 주가 추세를 예측하기 위해 모델은 LSTM 신경망 모델의 선택적 메모리 고급 심층 학습 기능을 통해 내부 규칙을 탐색해야 한다.

금융 가격 예측에서 LSTM의 장점은 시스템 설계자가 그들의 관련성을 평가하고 따라서 일정 시간이 지나면 무시해야 하는 정보를 잊을 수 있는 능력이다. 이는 금융 시장이 매우 역동적이고 예측에 대한 특정 데이터 조각의 관련성이 시간이 지남에 따라 변할 수 있기 때문에 시스템의 예측 능력을 손상시킬 수 있는 섬세한 작업이다.

3.3. 퍼지 시스템

퍼지 시스템은 잘 정의된 구조를 가진 상호 작용하는 구성 요소의 집합으로 특징지어지는 독특한 형성이다. 퍼지 기법의 독창성은 고전 이론이나 이진 논리로는 불가능한 정보를 처리할 수 있다는 점이다. 퍼지 시스템은 복잡하고 종종 모호한 실제 문제를 모델링할 수 있다. 퍼지 시스템의 입력은 특정 퍼지 집합에 속하는 강도를 나타내는 0과 1 사이의 분류된 멤버십 정도를 가진 데이터 집합이다. 퍼지 논리는 인간이 의사 결정을 수행하는 방식을 닮은 추론 방법이다. 퍼지 논리 과정은 그림 2에 나타난 것처럼 네 가지 주요 부분으로 구성된다.

 

그림 2. 퍼지 로직 프로세스. 출처:  https://www.edureka.co/blog/fuzzy-logic-ai.  (2022년 7월 10일 접속).

규칙은 알고리즘 뒤에 있는 전문가들이 제공하는 조건이다. 퍼지화기(Fuzzifier)는 입력을 퍼지 분류 집합으로 변환한다. 지능(Intelligence)은 퍼지 입력과 규칙 집합 간의 일치 정도를 결정한다. 이 단계에서 시스템은 예측을 개선하지 않는 규칙 집합을 결정하고 이를 배제할 수 있다. 최종 단계는 퍼지 집합을 매수 또는 매도와 같은 행동 명령으로 변환하는 탈퍼지화(Defuzzification)이다.

퍼지 시스템은 전통적인 모델이 비선형성과 비정상성으로 인해 예측력이 제한적인 경우 금융 예측에 자주 사용된다. Ref. [30]은 기술 분석을 사용하여 중기 최적 금융 자산 할당을 수행할 수 있는 퍼지 시스템을 구축하였다. 이 모델은 1997년부터 2012년까지 ASE(ASE = 아테네 증권 거래소)에서 매수 및 보유(Buy and Hold, B&H) 전략을 능가했다고 보여주었다. Ref. [31,32]는 일일 주가를 예측하기 위해 클러스터링 유전 퍼지 시스템을 사용하였다. 이들은 단계적 회귀 분석, 데이터 클러스터링, 주가 예측을 위한 유전 퍼지 시스템을 포함한 단계 모델을 사용하였고, 그들의 모델이 대체 모델보다 단기 주가 예측 정확도가 더 높다고 결론지었다. Ref. [33]은 암호화폐 시장에서 강세 신호 또는 약세 신호를 예측하는 다목적 퍼지 시스템의 능력을 연구하였다. 퍼지 집합은 매우 낮음, 낮음, 중간, 높음, 매우 높음으로 분할되어 특정일에 암호화폐가 약세인지 강세인지 신호를 보내는 데 사용되었다. 이 시스템은 25일 규칙 길이로 53%의 정확도를 보인다고 보고하였다. Ref. [34]는 애플 주식의 일일 가격을 예측하기 위한 클러스터링 기반 적응형 신경 퍼지 시스템을 제안하였다. 그는 연구에서 1주 및 2주 단순 이동 평균, 14일 괴리율(괴리율 지수는 자산의 최근 종가와 선택된 이동 평균의 상대적 위치를 측정하고 값을 백분율로 보고함), 래리 윌리엄스 퍼센트 범위(윌리엄스 퍼센트 범위는 0과 -100 사이를 이동하며 과매도 및 과매수 수준을 측정하는 모멘텀 지표)를 사용하였다. 시뮬레이션 결과, 평균 감산 클러스터링 기반 신경 퍼지 네트워크가 다른 네트워크보다 우수하다고 나타났다. Ref. [35]는 다변량 퍼지 로직을 사용하여 통화 거래를 위한 기술 분석의 수익성을 높였다. 이 접근법은 조사된 모든 통화에 대해 일관되게 높은 샤프 비율(샤프 비율은 위험 대비 수익 비율을 측정함)을 제공하였다. Ref. [36]은 점프가 있는 실현 변동성을 예측하기 위해 가능성 퍼지 모델링을 발전시킬 것을 제안하였다. 모델을 업데이트하기 위해 통계적 거리 유사 기준을 사용하여 클러스터를 추가하거나 제거할 수 있었다. 데이터는 글로벌 주요 시장 지수(S&P500, 나스닥, FTSE, DAX, IBEX, Ibovespa)로 구성되었다. 그들의 결과는 가능성 퍼지 모델이 점프가 있는 지수 변동성을 모델링하는 데 있어 예측 정확도가 매우 효율적임을 보여준다. Ref. [37]은 비트코인의 일일 가격 방향을 예측하기 위한 하이브리드 신경 퍼지 컨트롤러를 제안하였다.

수익률이 B&H 전략보다 71.21% 높았다. Ref. [38]은 주식 거래 시스템에 퍼지 if-then 규칙을 사용했다. 규칙의 입력으로 전문가의 견해, 주당순이익, 주가수익비율이라는 세 가지 언어 변수를 사용했다. 이 퍼지 논리를 사용하면 거래 결과가 개선될 수 있다고 결론지었다. Ref. [39]는 기술적 패턴의 발생과 멤버십 값이 주식의 미래 수익을 신호할 수 있는지를 테스트했다. 1450개의 미국 기업을 시장 가치와 이전 연도의 수익을 기준으로 대조 기업과 매칭하여 특정 기술적 패턴을 가진 주식이 패턴 발생 후 최대 120일 동안 비정상적인 수익을 생성할 수 있음을 발견했다. Ref. [40]은 인도네시아 주식 시장의 677개 주식을 활용하여 퍼지 시스템 내에서 기술적 분석과 기본적 분석을 결합했다. 퍼지 기법과 세 가지 캔들스틱 모멘텀 매수/매도 신호를 결합하면 거래가 더 보람차게 될 수 있다고 결론지었다. 어떤 거래 규칙의 사용은 개별 거래자의 시간 프레임 선호도에 따라 달라진다. 예를 들어, 스윙 트레이더는 일간 및 주간 바(거래 바는 특정 시간 프레임의 시가/종가와 고가/저가 정보를 포함)를 분석하고, 데이 트레이더는 시간 또는 몇 분의 바와 같은 짧은 기간을 분석하여 짧은 기간의 모멘텀에 따라 결정을 내린다. Ref. [41]은 귀금속 선물 거래를 위한 일중 알고리즘 시스템을 조사하여 RSI 기반 시스템이 팔라듐, 금, 은, 백금에 대해 각각 326.3%, 106.2%, 63.7%, 22.4%의 B&H 수익률을 초과하는 수익을 냈음을 발견했다. 또한 귀금속 선물 거래에는 60분 바를 사용할 것을 권장했다. 이러한 결과는 수동 및 알고리즘 일중 거래자에게 각 귀금속 선물에 가장 효율적인 거래 규칙과 시간 프레임을 구현하는 데 유용할 수 있다.

퍼지 시스템이 금융 자산 가격 추세를 예측하는 데 있어 장점은 상대적인 단순성과 다양한 정보원을 통합할 수 있는 능력이다. 이러한 시스템의 문제점은 변화하는 금융 조건에 적응하지 못하고 사전에 정해진 규칙을 적절히 변경하지 못하는 것이다.

4. 투자자 심리와 소셜 미디어

소셜 미디어는 다양한 문제에 대한 인간의 감정을 조사할 수 있는 능력 때문에 금융 분석가들 사이에서 인기를 얻고 있다. 이는 많은 삶의 측면에서 존재하는 "군집 행동"이 투자 행동에도 특징적이라는 아이디어이다 [42,43]. 금융 문헌에서 주식 수익을 예측하기 위한 투자자 심리 분석은 때때로 단독 예측 정보로 나타나거나 다른 시장 데이터 소스에 추가로 사용된다. Ref. [44]는 기업의 트위터 감성을 사용하여 다양한 글로벌 금융 시장에 대한 소셜 미디어의 영향을 조사했으며, 트위터 활동과 투자자의 감성이 거래량 및 수익과 관련이 있음을 발견했다. Ref. [45]는 트위터와 구글 트렌드 데이터를 사용하여 비트코인과 이더리움 가격 변화를 예측했다. 트윗 볼륨이 트윗 감성보다는 가격 방향의 좋은 예측자임을 발견했다. 트윗과 구글 트렌드를 사용하여 암호화폐 가격 변동 방향을 정확히 예측하는 선형 모델을 형성했다.

Ref. [46]은 84백만 개의 트윗과 S&P 500 지수의 407개 기업의 8년간 주식 데이터를 기반으로 소셜 미디어가 주식 성과에 미치는 차별적 영향을 테스트했다. 소비자의 부정적 감정이 주가에 상당한 영향을 미치는 반면, 소비자의 긍정적 감정은 주식 성과에 중요한 역할을 하지 않는다는 것을 발견했다. Ref. [47]은 소셜 미디어가 동시에 거래 결정을 장려하고 편향시켜 새로운 자가 주도 온라인 거래자 계층을 만든다고 주장했다. Ref. [48]은 뉴스 기사에서 파생된 기술적 분석과 투자자 감성 지표를 결합하여 NASDAQ100 지수에 상장된 20개 가장 자본화된 기업의 추세를 예측할 수 있는 모델을 구축했다. Ref. [49]는 암호화폐 가격 변동이 구글 트렌드와 같은 웹 검색 분석 도구와 소셜 미디어 감성에 크게 의존한다고 주장했다. 또한 트위터 감성은 암호화폐 가격이 하락하더라도 긍정적인 경향이 있음을 발견했다.

Ref. [50]은 여러 신경망(NN) 모델을 트윗에 게시된 주식 시장 의견에 적용하여 심층 학습 모델이 금융 감성 분석에 효과적으로 사용될 수 있으며, 합성곱 신경망이 주식 트윗 데이터셋의 감성을 예측하는 데 가장 좋은 모델이라고 문서화하였다. Ref. [51]은 온라인 포럼에 게시된 비트코인 관련 댓글에서 키워드를 추출하여 비트코인의 추세를 예측하려고 하였다. 그들은 온라인 포럼의 사용자 의견이 다양한 암호화폐 가격 추세를 이해하는 데 도움이 된다고 주장하였다. Ref. [52]는 비트코인, 이더리움, 리플, 라이트코인의 가격 변동을 예측하기 위해 기계 학습(ML) 도구와 소셜 미디어 데이터를 사용할 것을 제안하였다. 그들의 결과는 기계 학습과 감성 분석이 암호화폐 시장의 추세를 예측할 수 있음을 나타낸다. 또한, 그들은 트위터 데이터만으로 특정 암호화폐의 가격을 예측할 수 있다고 결론지었다. Ref. [53]은 감성 분석을 기계 학습 방법에 통합하여 SSE50(SSE50은 상하이 증권 거래소에 상장된 상위 50개 기업을 대표하는 지수) 지수의 방향 예측 정확도가 감성 변수를 도입한 후 18.6% 상승하여 89.93%에 이른다고 입증하였다. 그들의 연구 결과는 감성이 자산의 기본 가치에 대한 귀중한 정보를 포함할 가능성이 있음을 시사한다. Ref. [54]는 텍스트 마이닝 기술을 사용하여 주식 관련 뉴스에 대한 소셜 미디어 의견을 정량화하고 로지스틱 회귀에 통합하여 개선된 예측 모델을 제안하였다.

소셜 미디어와 투자자 감성은 최근 몇 년간 금융 가격 예측 과정에 중요한 추가 요소가 되었다. 원시 데이터만으로는 예측력이 제한적이라는 이해가 연구자들 사이에서 널리 받아들여지고 있다. 그러나 투자자의 기분은 거짓 소문과 가짜 뉴스에 의해 쉽게 변할 수 있어 때때로 신뢰할 수 없으며 신중히 분석해야 한다. 이는 특히 소셜 미디어에 크게 의존하여 개인적인 견해를 형성하는 젊거나 경험이 부족한 투자자들에게 해당된다. 이러한 현상을 줄이고 소셜 미디어를 정보의 출처로 계속 사용하기 위해 시스템 설계자는 다양한 출처에서 투자자 감성을 확인한 후 거래 시스템에 통합해야 한다.

5. 패턴 인식

AI의 가장 유망한 분야 중 하나는 패턴 인식으로, 이는 의학, 생물학, 화학 등 다양한 분야에서 사진과 이미지를 분석하는 데 적용되는 심층 학습(DL) 방법이다. 최근 몇 년간 이 방법론은 알고리즘 거래 시스템과 시장 예측가들 사이에서 인기를 얻고 있다. 수년간의 거래 경험은 특정 가격 패턴이 다양한 금융 시장과 금융 자산에서 반복된다는 결론을 이끌어냈다. 이러한 패턴은 인간의 행동과 편향에 의해 발생한다. 일부 AI 거래 알고리즘이 인간의 행동을 모방하고 그들의 지능이 인간의 지식과 경험에 기반을 두고 있기 때문에 패턴의 반복 가능성이 강해지고 있다. 가장 기본적인 패턴 인식은 "캔들스틱" (캔들스틱은 금융 자산의 특정 시간 프레임 내에서의 시가, 종가, 고가, 저가를 나타내는 형성) 형성과 "지지와 저항" 수준이다. Ref. [57]은 "캔들스틱" 패턴이 비트코인의 추세 변화를 예측할 수 있는 능력을 조사하였고, "엔걸핑" 패턴이 비트코인 가격 변동을 적시에 정확하게 예측하여 2012년 초부터 2020년 7월 말까지 알고리즘 거래 시스템의 손실 대비 3.54배의 이익을 나타내는 3.54의 이익 계수를 산출할 수 있음을 발견하였다. 이 연구의 결과는 인간 거래자와 거래 시스템 모두에 실질적으로 사용될 수 있다. 인간 거래자는 차트를 검토하거나 패턴 인식 시스템을 사용하여 일일 "엔걸핑" 매수/매도 신호를 식별하고 수동으로 거래 주문을 수행할 수 있다. 자동화된 거래 시스템은 패턴을 식별하고 이에 따라 거래 주문을 생성할 수 있다.

다른 연구자들은 선형 회귀, 박스 형성, 볼린저 밴드(BB) 및 켈트너 채널(켈트너 채널은 체스터 켈트너가 발명한 변동성 기반 밴드로, 추세의 방향을 결정하는 데 도움을 줄 수 있다)과 같은 동적 채널을 통해 금융 자산 가격 움직임을 특성화하려고 하였다. 이 거래 전략에 따르면, 형성의 돌파는 자산 가격 모멘텀의 강도를 암시하며 비정상적인 수익을 달성하는 데 사용할 수 있다. Ref. [58]은 볼린저 밴드(BB), 선형 회귀, 다르바스 박스(Darvas boxes)를 기반으로 한 거래 시스템을 설계하기 위해 ML을 사용하였다.

 

박스는 Nicolas Darvas가 개발한 박스 형성이다. 이 연구의 데이터는 금, 은, 구리, 백금, 팔라듐의 다섯 가지 귀금속 선물의 20년간의 일일 가격 데이터로 구성된다. 결과는 선형 회귀가 은과 금 가격을 예측하는 데 가장 좋은 기술이며, Bollinger Band 기법이 팔라듐 가격에 가장 적합하다는 것을 보여준다. Ref. [59]는 매수, 보유, 매도 신호를 생성하기 위해 캔들스틱 패턴과 BB와 같은 세 가지 퍼지 로직 컨트롤러에 기반한 알고리즘 시스템을 제안했다. Ref. [60]은 BB 방법론을 사용하여 대만 50의 주식을 거래했다. 결과는 가격이 하단 밴드에 닿을 때 롱 포지션을 취하고 상단 밴드에 닿을 때 숏 포지션을 취함으로써 투자자가 시장을 이길 수 있음을 보여준다.

패턴 인식은 전통적으로 다양한 분야의 예측 시스템에서 사용된다. 금융 예측에서는 구조와 형성을 가진 혼란스러운 환경을 조사하는 인간의 심리적 능력을 사용한다. 시스템 설계자가 이러한 패턴을 사용하는 이유는 과거에 나타났던 패턴이 미래에도 나타날 것이라는 가정 때문이다. 이러한 가정의 문제는 시간이 지남에 따라 패턴의 출현 빈도가 변할 수 있으며, 금융 자산마다 다르다는 것이다.

6. 요약 및 결론

이 논문은 금융 자산을 예측하고 거래하기 위해 설계된 가장 진보된 시스템을 검토했다. 논문의 주요 기여는 알고리즘 거래 시스템에 통합된 가장 중요한 방법론을 다루는 것이다. 또한 각 방법론의 장단점을 지적한다. 금융 시장은 복잡하고 역동적이어서 예측이 매우 어려운 작업이다. 그러나 이 논문은 AI와 신중한 설계를 통해 B&H 수익을 능가하는 수익을 창출할 수 있음을 보여준다.

최근 몇 년 동안 연구자, 기관 거래자 및 자금 제공자는 거래 시스템을 설계하고 운영하는 데 ANN을 사용하는 것의 장점을 인식하게 되었다. 이러한 시스템이 인간 거래자보다 본질적으로 가지는 장점은 막대하다. ANN 시스템은 다양한 출처의 많은 데이터를 짧은 시간 내에 분석할 수 있다. 게다가 인간 거래의 편견 없이 인간 행동을 모방하는 퍼지 로직을 사용할 수 있다. DL 절차는 자산 가치와 시장 경제 조건 간의 상관관계를 모호하게 탐색하고 이를 주식, ETF 통화 및 상품의 가격 예측에 사용할 수 있다. 알고리즘은 정확한 예측을 하고 실제 거래를 수행할 뿐만 아니라 다양한 백테스팅 결과를 보고하여 투자자의 다양한 위험 회피 수준에 맞출 수 있다. SVM은 금융 거래소, 글로벌 경제 및 소셜 미디어의 다양한 출처에서 정보를 수집할 수 있다. 후자의 정보 출처는 시스템의 예측 정확성을 향상시키는 것으로 문서화되었다. 거래에 대한 AI의 또 다른 중요한 기여는 패턴 인식과 돌파 신호이다. 이 전문 분야에서 시스템은 잘 알려진 패턴을 인식하고 이에 따라 거래에 진입하거나 종료할 시점을 결정하도록 설정된다. 캔들스틱 패턴, 박스 및 채널 형성은 다양한 금융 자산의 가격 추세를 예측하는 데 유용한 것으로 나타났다. 거래 시스템은 금융 자산 가격 추세의 예측을 개선하고 그 결과로 거래 성과를 개선하려고 한다. 이러한 시스템의 발전은 가능한 한 많은 관련 입력을 찾도록 이끌었으며, 이는 다양한 출처에서 파생되어 이 작업에 기여할 수 있다. 성공적인 거래 시스템은 각 정보의 중요성과 예측 과정에서의 사용을 이해하는 사전 설계된 시스템으로 분석된 다양한 정보를 통합한다. 이러한 절차는 복잡하고 도전적이며 신중한 알고리즘 선택과 설계를 요구한다. 이 연구의 중요한 실용적 구현은 각 금융 자산이 다르게 행동하므로 다른 규칙과 방법론에 따라 거래되어야 한다는 것이다. 게다가 시스템 설계자는 시장 조건이 자주 변한다는 점을 고려하고 이에 따라 시스템을 변경해야 한다.

이 논문은 알고리즘 거래 시스템 설계자를 안내하는 다양한 방법론을 다루었다. 인용된 대부분의 논문은 위의 지수 수익성을 달성하는 데 비옥한 것으로 입증되었다. 제안된 기술은 실제로 특정 시장 조건과 특정 금융 자산에 맞게 수정되어야 한다. 게다가, 실제 거래자는 반드시 고려해야 한다.

알고리즘 트레이딩에 관련된 위험과 그에 따른 비용을 고려해야 한다. 과거 논문과 달리, 현재 논문은 거래에 대한 전체론적 방법론을 사용하여, 금융 시장에서 얻은 과거의 원시 데이터로는 드러나지 않는 금융 자산의 미래 가격 움직임에 대한 통찰력을 제공할 수 있는 소셜 미디어에서 수집된 인간 행동과 감정을 고려하였다. 또한, 수동 트레이더와 알고리즘 트레이더를 위한 실용적인 제안을 제공하였다.

알고리즘 트레이딩 시스템의 미래는 흥미롭다. 더 많은 데이터 세트를 사용하여 새로운 기술이 개발될 것으로 예상되며, 양자 컴퓨터를 사용하여 동시에 분석하여 더 빠르고 정확한 가격 예측을 제공할 것이다. 뇌 스캐너와 눈 추적기와 같은 새로운 장치는 시스템에 인간의 감정 프로파일을 완전히 제공하여 예측 정확성을 더욱 높일 것이다. 금융 부문에서 알고리즘 트레이딩 시스템의 심화는 인간-컴퓨터 갈등을 강화할 수 있다. 예를 들어, Ref. [61]은 사람들이 AI를 인간보다 더 공정하게 인식한다고 보여주었다. 미래에는 인간과 기계의 인터페이스가 신중하게 균형을 이루어야 하며, 기계와 인간의 장점을 성공적으로 통합할 수 있어야 한다.

References

 1. Boming, H.; Yuxiang, H.; Xu, L.D.; Zheng, L.; Zhou, Z. Automated trading systems statistical and machine learning methods and hardware implementation: A survey. Enterprize Inf. Syst. 2019, 13, 132–144.
2. McGroarty, F.; Booth, A.; Gerding, E.; Chinthalapati, V.L.R. High frequency trading strategies, market fragility and price spikes:  Anagent based model perspective. Ann. Oper. Res. 2018, 282, 217–244. [CrossRef]
3. Goldstein, M.A.; Kwan, A.; Richard, P. High Frequency Trading Strategies. 2021. Available online: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2973019 (accessed on 12 June 2022).
4. Rundo, F.; Trenta, F.; di Stallo, A.L.; Battiato, S. Grid Trading System Robot (GTSbot): A Novel Mathematical Algorithm for Trading FX Market. Appl. Sci. 2019, 9, 1796. [CrossRef]
5. Lahmiri, S.; Bekiros, S. Intelligent forecasting with machine learning trading systems in chaotic intraday Bitcoin market. Chaos, Solitons Fractals 2020, 133, 109641. [CrossRef]
6. Bao, T.; Nekrasova, E.; Neugebauer, T.; Riyanto, Y.E. Algorithmic Trading in Experimental Markets with Human Traders: A Literature Survey. In Handbook of Experimental Finance; Sascha, F., Ernan, H., Eds.; Edward Elgar Publishing: Cheltenham, UK, 2021.
7. Dubey, R.K. Algorithmic Trading: The Intelligent Trading Systems and Its Impact on Trade Size. Expert Syst. Appl. 2022,  202, 117279. [CrossRef]
8. Ashta, A.; Herrmann, H. Artificial Intelligence and fintech: An overview of opportunities for banking, investments and
 microfinance. Strateg. Chang. 2021, 30, 211–222. [CrossRef]
9. Kahneman, D.; Tversky, A. Prospect Theory: An Analysis of Decision Under Risk. Econometrica 1977, 47, 263–291. [CrossRef]
10. Cohen, G.; Qadan, M. The Complexity of Cryptocurrencies Algorithmic Trading. Mathematics 2022, 10, 2037. [CrossRef]
11. Fischer, T.; Krauss, C. Deep learning with long shorterm memory networks for financial market predictions. Eur. J. Oper. Res. 2018, 270, 654–669. [CrossRef]
12. Lu,T.-H.; Shiu, Y.-M. Pinpoint and synergistic trading strategies of candlesticks. Int. J. Econ. Finance 2011, 3, 234–244. [CrossRef]
13. Jay, P.; Kalariya, V.; Parmar, P.; Tanwar, S.; Kumar, N.; Alazab, M. Stochastic Neural Networks for Cryptocurrency Price Prediction. IEEE Access 2020, 8, 82804–82818. [CrossRef]
14. Senthuran, G.; Halgamuge, M. Prediction of Cryptocurrency Market Price Using Deep Learning and Blockchain Information: Bitcoin and Ethereum. In Essentials of Blockchain Technology; Taylor & Francis: New York, NY, USA, 2019; pp. 349–364.
15. Vapnik, V.N. The Nature of Statistical Learning Theory. Technometrics 1997, 38, 409.
16. Xiao, C.; Xia, W.; Jiang, J. Stock price forecast based on combined model of ARI-MA-LS-VM. Neural Comput. Appl. 2020, 32, 5379–5388. [CrossRef]
17. Huang,W.; Nakamori, Y.; Wang, S.-. Forecasting stock market movement direction with support vector machine. Comput. Oper. Res. 2005, 32, 2513–2522. [CrossRef]
18. Thu,N.T.; Xuan, V.D. Using support vector machine in Forex predicting. In Proceedings of the IEEE International Conference on Innovative Research and Development, Khlong Nueng, Thailand, 11–12 May 2018; pp. 1–5.
19. Akyildirim, E.; Goncu, A.; Sensoy, A. Prediction of cryptocurrency returns using machine learning. Ann. Oper. Res. 2020, 297, 3–36. [CrossRef]
20. Hitam, N.A.; Ismail, A.R.; Samsudin, R.; Alkhammash, E.H. The Effect of Kernel Functions on Cryptocurrency Prediction Using Support Vector Machines. In Advances on Intelligent Informatics and Computing; Saeed, F., Mohammed, F., Ghaleb, F., Eds.; Springer: Berlin/Heidelberg, Germany, 2022.
21. Gers, F.; Schmidhuber, E. LSTM recurrent networks learn simple context-free and contextensitive languages. IEEE Trans. Neural Netw. 2001, 12, 1333–1340. [CrossRef] [PubMed]
22. Gers, F.; Schraudolph, N.; Schmidhuber, J. Learning precise timing with LSTM recurrent networks. J. Mach. Learn. Res. 2002, 3, 115–143.
23. Borovkova, S.; Tsiamas, I. An ensemble of LSTM neural networks for high-frequency stock market classification. J. Forecast. 2019, 38, 600–619. [CrossRef]
24. Nelson, D.M.Q.; Pereira, A.C.; de Oliveira, O. Stock market’s price movement prediction with LSTM neural networks. In Proceedings of the International Joint Conference on Neural Networks (IJCNN), Anchorage, AK, USA, 14–19 May 2017; pp. 1419–1426.
25. Ji, S.; Kim, J.; Im, H. A Comparative Study of Bitcoin Price Prediction Using Deep Learning. Mathematics 2019, 7, 898. [CrossRef]
26. Alessandretti, L.; ElBahrawy, A.; Aiello, L.M.; Baronchelli, A. Anticipating cryptocurrency prices using machine learning. Complexity 2018, 2018, 8983590. [CrossRef]
27. Banik, S.; Sharma, N.; Mangla, M.; Mohanty, S.N.; Shitharth, S. LSTM based decision support system for swing trading in stock market. Knowledge-Based Syst. 2021, 239, 107994. [CrossRef]
28. Ghosh, P.; Neufeld, A.; Sahoo, J.K. Forecasting directional movements of stock prices for intraday trading using LSTM and random forests. Finance Res. Lett. 2022, 46, 102280. [CrossRef]
29. Wei, D. Prediction of Stock Price Based on LSTM Neural Network. In Proceedings of the 2019 International Conference on Artificial Intelligence and Advanced Manufacturing (AIAM), Dublin, Ireland, 17–19 October 2019; pp. 544–547.
30. Chourmouziadis, K.; Chourmouziadou, D.K.; Chatzoglou, P.D. Embedding Four Medium-Term Technical Indicators to and Intelligent Stock Trading Fuzzy System for Predicting: A Portfolio Management Approach. Comput. Econ. 2020, 57, 1183–1216. [CrossRef]
31. Hadavandi, E.; Shavandi, H.; Ghanbari, A. Integration of genetic fuzzy systems and artificial neural networks for stock price forecasting. Knowledge-Based Syst. 2010, 23, 800–808. [CrossRef]
32. Zarandi, M.H.F.; Hadavandi, E.; Turksen, I.B. A hybrid fuzzy intelligent agent-based system for stock price prediction. Int. J. Intell. Syst. 2012, 27, 947–969. [CrossRef]
33. Satyaloka, D.; Giamiko, S.; Hidayat, A. SK-MOEFS Multi-Objective Evolutionary Fuzzy System Library effectiveness as User Friendly Cryptocurrency Prediction Tool. In Proceedings of the 2021 International Conference on Artificial Intelligence and Big Data Analytics, Bandung, Indonesia, 27–29 October 2021; pp. 1–5. [CrossRef]
34. Chandar, S.K. Stock market prediction using subtractive clustering for a neuro fuzzy hybrid approach. Clust. Comput. 2017, 22, 13159–13166. [CrossRef]
35. Kleinbrod, V.; Xiaoming, L. Order Flow, Volatility and Fuzzy Logic: Technical Analyses for Currency Trading. 2017. Available  online: https://ssrn.com/abstract=2976558 (accessed on 10 April 2022).
36. Maciel, L.; Ballini, R.; Gomide, F. Evolving Possibilistic Fuzzy Modeling for Realized Volatility Forecasting with Jumps. IEEE Trans. Fuzzy Syst. 2016, 25, 302–314. [CrossRef]
37. Atsalakis, G.S.; Atsalaki, I.G.; Pasiouras, F.; Zopounidis, C. Bitcoin price forecasting with neuro-fuzzy techniques. Eur. J. Oper. Res. 2019, 276, 770–780. [CrossRef]
38. Othman,S.;Schneider,E.Decisionmakingusingfuzzylogicforstocktrading. In Proceedings of the 2010 International Symposium on Information Technology, Kuala Lumpur, Malaysia, 15–17 June 2010; Volume 2, pp. 880–884. [CrossRef]
 39. Zhou,X.S.; Dong, M. Can Fuzzy Logic Make Technical Analysis 20/20? Financ. Anal. J. 2004, 60, 54–75. [CrossRef]
 40. Ahmad,M.;Soeparno, H.; Napitupulu, T.A. Stock Trading Alert: With fuzzy knowledge-based systems and technical analysis. In Proceedings of the 2020 International Conference on Information Technology Systems and Innovation (ICITSI), Bandung-Padang, Indonesia, 19–23 October 2020; pp. 155–160.
 41. Cohen, G. Intraday Trading of Precious Metals Futures Using Algorithmic Systems. Chaos Solitons Fractals 2022, 154, 111676.
 42. Choijil, E.; Méndez, C.E.; Wong, W.-K.; Vieito, J.P.; Batmunkh, M.-U. Thirty years of herd behavior in financial markets: Abibliometric analysis. Res. Int. Bus. Finance 2021, 59, 101506. [CrossRef]
 43. Vo, X.V.; Phan, D.B.A. Herd behavior and idiosyncratic volatility in a frontier market. Pac.-Basin Finance J. 2018, 53, 321–330. [CrossRef]
 44. Tan, S.D.; Tas, O. Social Media Sentiment in International Stock Returns and Trading Activity. J. Behav. Finance 2020, 22, 221–234. [CrossRef]
 45. Abraham, J.; Higdon, D.; Nelson, J.; Ibarra, J. Cryptocurrency price prediction using tweet volumes and sentiment analysis. SMU Data Sci. Rev. 2018, 1, 1.
 46. Liu, Y.; Yang, A.; Zhang, J.; Yao, J. An Optimal Stopping Problem of Detecting Entry Points for Trading Modeled by Geometric Brownian Motion. Comput. Econ. 2019, 55, 827–843. [CrossRef]
 47. Bizzi, L.; Labban, A. The double-Edged impact of social media on online trading: Opportunities, threats, and recommendations for organizations. Bus. Horizons 2019, 62, 509–519. [CrossRef]
 48. Picasso, A.; Merello, S.; Ma, Y.; Oneto, L.; Cambria, E. Technical analysis and sentiment embeddings for market trend prediction. Expert Syst. Appl. 2019, 135, 60–70. [CrossRef]
 49. Wołk, K. Advanced social media sentiment analysis for short-term cryptocurrency price prediction. Expert Syst. 2020, 37, 2. [CrossRef]
 50. Sohangir, S.; Wang, D.; Pomeranets, A.; Khoshgoftaar, T.M. Big Data: Deep Learning for financial sentiment analysis. J. Big Data 2018, 5, 3. [CrossRef]
 51. Kim,Y.B.; Lee, J.; Park, N.; Choo, J.; Kim, J.H.; Kim, C.H. When bitcoin encounters information in an online forum: Using text mining to analyze user opinions and predict value fluctuation. PLoS ONE 2017, 12, e0177630. [CrossRef]
 52. Valencia, F.; Gómez-Espinosa, A.; Valdés-guirre, B. Price Movement Prediction of Cryptocurrencies Using Sentiment Analysis and Machine Learning. Entropy 2019, 21, 589. [CrossRef]
 53. Ren, R.; Wu, D.D.; Liu, T. Forecasting Stock Market Movement Direction Using Sentiment Analysis and Support Vector Machine. IEEE Syst. J. 2018, 13, 760–770. [CrossRef]
 54. Huang,J.; Liu, J. Using social media mining technology to improve stock price forecast accuracy. J. Forecast. 2019, 39, 104–116. [CrossRef]
 55. Heinz, A.; Jamaloodeen, M.; Saxena, A.; Pollacia, L. Bullish and Bearish Engulfing Japanese Candlestick patterns: A statistical analysis on the S&P 500 index. Q. Rev. Econ. Finance 2020, 79, 221–244. [CrossRef]
 56. Tsung, H.L.; Yung, M.S.; Tsung, C.L. Profitable candlesticks trading strategies-the evidence from a new perspective. Rev. Finance Econ. 2012, 21, 63–68.
 57. Cohen, G. Optimizing Candlesticks Patterns for Bitcoin’s Trading Systems. Rev. Quant. Finance Account. 2021, 57, 1155–1167. [CrossRef]
 58. Cohen, G. Algorithmic Strategies for Precious Metals Price Forecasting. Mathematics 2022, 10, 1134. [CrossRef]
 59. Lauguico,S.; Ii, R.C.; Alejandrino, J.; Macasaet, D.; Tobias, R.R.; Bandala, A.; Dadios, E. A Fuzzy Logic-Based Stock Market Trading Algorithm Using Bollinger Bands. In Proceedings of the 2019 IEEE 11th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment, and Management (HNICEM), Laoag, Philippines, 29 November–1 December 2019; pp. 1–6. [CrossRef]
 60. Ni,Y.; Day, M.-Y.; Huang, P.; Yu, S.-R. The profitability of Bollinger Bands: Evidence from the constituent stocks of Taiwan 50. Phys. A Stat. Mech. Its Appl. 2020, 551, 124144. [CrossRef]
 61. Claudy,M.C.;Aquino,K.; Graso,M.Artificial Intelligence Can’t be Charmed:The Effect of Impartially on Laypeople’s Algorithmic  Preferences. Front. Psychol. 2022, 13, 898027.