Extracting Input Features and Fuzzy Rules for forecasting KOSPI Stock Index Based on NEWFM

KOSPI 예측을 위한 NEWFM 기반의 특징입력 및 퍼지규칙 추출

This paper presents a methodology to forecast KOSPI index by extracting fuzzy rules based on the neural network with weighted fuzzy membership functions (NEWFM) and the minimized number of input features using the distributed non-overlap area measurement method. NEWFM classifies upward and downward cases of KOSPI using the recent 32 days of CPPn,m (Current Price Position of day n for n-1 to n-m days) of KOSPI. The five most important input features among CPPn,m and 38 wavelet transformed coefficients produced by the recent 32 days of CPPn,m are selected by the non-overlap area distribution measurement method. For the data sets, from 1991 to 1998, the proposed method shows that the average of forecast rate is 67.62%.

본 논문은 가중 퍼지소속함수 기반 신경망(Neural Network with Weighted Fuzzy Membership Functions, NEWFM)을 사용하여 생성된 퍼지규칙과 비중복면적 분산 측정법에 의해 추출된 최소의 특징입력을 이용하여, 1일 후의 KOSPI 예측을 하는 방안을 제안하고 있다. NEWFM은 KOSPI의 최근 32일 동안의 CPPn,m(Current Price Position of day n for n-1 to n-m days)을 이용하여 1일 후의 KOSPI 상승과 하락을 예측한다. 특징입력으로써 CPPn,m과 최근 32일간의 CPPn,m을 웨이블릿 변환한 38개의 계수들 중 비중복면적 분산 측정법을 적용하여 추출된 5개의 계수가 사용되었다. 제안된 방법으로 1991년부터 1998년까지의 실험군을 사용한 결과 평균 67.62%의 예측율을 나타내었다.