A Comparative Analysis of Machine Learning Models for Long and Short-Term Forecasting of the Egyptian Stock Market: A Focus on EGX30

기술 요약: 이집트 주식 시장의 단기 및 장기 예측을 위한 머신러닝 모델 비교 분석

문제 정의
이집트 주식 시장, 특히 EGX30 지수는 역동적이면서도 연구가 미진한 신흥 금융 영역을 나타냅니다. 글로벌 주식 시장에 대해서는 광범위한 문헌이 존재하지만, 이집트와 같은 개발도상국 시장의 특정한 추세와 역학을 이해하는 데에는 결정적인 공백이 존재합니다. 이 지역의 투자자들은 기술적 분석 전문성의 부족과 고수익 시장의 내재적 위험으로 인해 종종 어려움에 직면합니다. 본 연구의 주요 목적은 EGX30에 맞춤화된 정밀한 예측 모델을 개발하고 평가함으로써 이러한 격차를 해소하는 것입니다. 본 연구는 리스크 관리 및 투자 전략 수립을 돕기 위해 단기(최대 1주일) 및 장기(최대 2개월) 시장 추세를 모두 예측할 수 있는 강력한 도구의 필요성을 다룹니다.

방법론
본 연구는 과거 EGX30 데이터를 활용하여 포괄적인 비교 프레임워크를 채택하였습니다. 방법론은 세 가지 핵심 구성 요소로 구조화되었습니다:

1. 데이터 전처리 및 피처 엔지니어링 (Feature Engineering):

   • 데이터셋은 시계열 피처(요일, 월, 년 등)로 분할되었으나, 상관관계 분석 결과 이러한 피처들만으로는 주가와의 상관관계가 낮아 불충분하다는 것이 밝혀졌습니다.
   • 역사적 맥락과 시간적 의존성을 포착하기 위해, 본 연구는 **롤링 윈도우 래그 피처(rolling window lag features)**를 도입했습니다.
   • 단순 이동 평균(SMA), 지수 이동 평균(EMA), 볼린저 밴드(Bollinger Bands), 상대 강도 지수(RSI), 상품 채널 지수(CCI)를 포함한 기술적 지표를 설계했습니다.
   • 금융 데이터의 내재된 시간적 구조를 존중하면서 여러 날에 걸친 추세를 기대할 수 있도록 과거 데이터에 래그 함수(lag function)를 적용했습니다.

2. 모델 선택:
   본 연구는 7가지의 다양한 머신러닝 알고리즘과 2가지 딥러닝 아키텍처를 평가했습니다:

   • 전통적 ML: K-최근접 이웃(KNN), 결정 트리 회귀(Decision Tree Regressor), 랜덤 포레스트(Random Forest), 엑스트라 트리즈(Extra Trees), 아다부스트(AdaBoost), 라이트 그래디언트 부스팅 머신(LightGBM), 엑스트림 그래디언트 부스팅(XGBoost).
   • 딥러닝: 장단기 메모리(LSTM) 및 게이트 순환 유닛(GRU).
   • 앙상블 접근법: 상위 성능을 보이는 모델들을 결합하여 앙상블 예측기를 만드는 블렌딩(blending) 기법을 적용하였으며, 특히 장기 예측 구간에 중점을 두었습니다.

3. 평가 프레임워크:

   • 시간 지평 (Time Horizons): 모델은 1일, 1주일, 1개월, 2개월의 네 가지 뚜렷한 예측 간격에 대해 테스트되었습니다.
   • 지표: 성능은 평균 제곱근 오차(RMSE), 평균 절대 백분율 오차(MAPE), 결정 계수($R^2$)를 사용하여 정량화되었습니다.
   • 최적화: 딥러닝 모델은 효율적인 수렴을 위해 Adam 옵티마이저를 사용했습니다.

주요 결과
실험 결과, 예측 지평에 따라 뚜렷한 성능 특성이 나타났습니다:

• 1일 예측: XGBoost가 가장 우수한 모델로 나타났으며, RMSE 0.0163과 R^^2 0.993을 달성하며 가장 높은 정확도를 기록했습니다. LightGBM과 랜덤 포레스트 또한 견고한 성능을 보였으나, XGBoost가 미세하게 더 효과적이었습니다.
• 1주일 예측: GRU 모델이 다른 모든 모델을 압도하며 가장 낮은 RMSE(0.0406)와 가장 높은 $R^2$(0.961)를 달성했습니다. 랜덤 포레스트와 엑스트라 트리즈도 좋은 성능을 보였으나, 계절성과 복잡한 관계를 포착하는 GRU의 능력이 결정적이었습니다.
• 장기 예측 (1개월 및 2개월):
  • GRU는 1개월 및 2개월 지평 모두에서 최상의 RMSE와 $R^2$ 점수를 유지하며 지속적으로 우수한 성능을 입증했습니다.
  • KNN은 놀라운 결과를 보여주었는데, 단기 결과에서 크게 벗어나 장기 예측에서 상위권 모델로 부상했습니다 (1개월 예측에서 3위, 2개월 예측에서 2위 기록).
  • 앙상블 기법: 상위 성능 모델들을 블렌딩한 앙상블 모델은 장기 예측에서 가장 유의미한 개선을 이루었습니다. 특히 2개월 예측 시나리오에서 앙상블 모델의 RMSE는 단독 GRU 모델보다 약 5배 낮게 나타났으며, 이는 장기 예측에서 앙상블 방법의 효용성을 강조합니다.

의의 및 기여
본 연구는 신흥 시장의 금융 예측 분야에 다음과 같은 몇 가지 중요한 기여를 합니다:

1. 맥락 특화된 통찰력: EGX30에 특화된 ML 및 DL 모델의 첫 번째 상세 비교 분석을 제공하여, 이집트 시장의 독특한 역학을 탐색하는 투자자들에게 실행 가능한 통찰력을 제공합니다.
2. 지평 의존적 모델 선택: 단일 모델이 보편적으로 최적일 수는 없음을 입증했습니다. XGBoost는 고빈도 1일 예측에 가장 적합한 반면, 주간 및 월간 추세를 포착하기 위해서는 GRU와 앙상블 기법이 필수적임을 보여줍니다.
3. KNN의 재평가: 본 연구는 KNN을 순수하게 단기적이거나 단순한 알고리즘으로 보는 전통적인 관점에 도전하며, 이 특정 시장 맥락에서 장기 추세 예측에 대한 예상치 못한 지속적인 관련성을 밝혀냈습니다.
4. 앙상블의 우월성: 개별 딥러닝 모델도 강력하지만, 앙상블 블렌딩이 특히 개별 모델이 높은 오차율로 어려움을 겪는 장기 예측에서 견고함과 정확성을 크게 향상시킨다는 점을 강조합니다.

한계 및 향后续 방향
저자들은 수많은 모델을 미세 조정하는 데 상당한 계산 자원이 필요하며, 이는 하이퍼파라미터 최적화의 깊이를 제한할 수 있음을 인정합니다. 향후 연구로는 다음이 제안됩니다:

• 시계열 예측에서 유망한 성과를 보인 트랜스포머(Transformer) 아키텍처의 통합.
• 예측 피처를 풍부하게 하기 위해 글로벌/로컬 비즈니스 캘린더, 뉴스, 공인들의 소셜 미디어 포스트로부터 도출된 **감성 분석(Sentiment Analysis)**의 결합.

결론적으로, 본 연구는 이집트 주식 시장에 대한 고급 머신러닝 및 딥러닝 기술의 유용성을 검증하며, 모델 선택이 투자 전략의 특정 시간 지평과 일치해야 함을 강조합니다.