금융에서의 시계열 이미지화 인코딩에 따른 불확실성 정량화

Abstract

시계열 분석에 딥러닝이 활발히 적용되며 다양한 분야에서 높은 성능을 보이는 연구가 진행되고 있다. 그러나 딥러닝은 점추정 예측값을 제시하기에 예측에 대한 불확실성을 측정할수 없다. 또한 신호 데이터에서는 이미지화 인코딩 기법인 RP(Recurrence Plot), GAF(GramianAnugular Field), MTF(Markov Transition Field)를 적용하여 이미지화에 따른 딥러닝의 성능을 비교하는 연구가 진행되고 있지만 아직 금융시계열 데이터에 적용된 사례는 많지 않다. 본 논문에서는 데이터의 특징에 따른 이미지화 기법별 딥러닝 모델의 성능을 비교하고 드롭아웃을 적용한 딥러닝 모델의 불확실성을 정량화하고자 한다. 실험을 통해 다양한 패턴에따라 적합한 이미지화 인코딩 기법을 찾고 불확실성을 정량화하여 모델 예측의 신뢰도와 이상 탐지에 효과적인 이미지화 인코딩 기법을 확인하고자 한다.

Deep learning is being actively applied to time series analysis, and research is underway showing high performance in various fields. However, because deep learning provides point predictions, the uncertainty in the predictions cannot be quantified. In addition, research is underway to compare the performance of deep learning by applying encoding techniques such as Recurrence Plot(RP), Gramian Angular Field(GAF), and Markov Transition Field(MTF) to signal data, but there are few cases of application to financial time series data. In this paper, we compare the performance of deep learning models for each imaging technique according to data characteristics and quantify the uncertainty of deep learning models using dropout. Through experiments, we find suitable image encoding techniques according to various patterns, quantify uncertainty, confirm the reliability of model predictions, and find effective image encoding techniques for anomaly detection.