- 1. Chang, W. (2016). The rise of Robo Advisors. Forbes, 11, 214.
- 2. Choi, H. and Lim, D. (2013). Bankruptcy prediction using ensemble SVM model. Journal of the Korean Data & Information Science Society, 24, 1113-1125. 원문보기 상세보기
- 3. Choi, H. and Min, Y. (2015). Introduction to deep learning. Korea Information Processing Society Review, 22, 7-21.
- 4. Hinton, Top 5 공개 | 두나무 G. and Salakhutdinov, R. (2006). Reducing the dimensionality of data with neural networks. Science, 313, 504-507. 상세보기
- 5. Jung, J. and Min, D. (2013). The study of foreign exchange trading revenue model using decision tree and gradient boosting. Journal of the Korean Data & Information Science Society, 24, 161-170. 원문보기 상세보기
- 6. Jung, S. and Park, S. (2016). Examination of possible financial market risk accumulations due to prolongation of low interest rates. BOK Financial Stability Report, 27,132-143.
- 7. Ko, Y. (2016). A study on the measures to activate the Introduction of the Robo-Advisor in Korea. Korea Science & Art Forum, 25, 19-33.
- 8. Kwak, M. and Rhee, S. (2016). Finding factors on employment by adult life cycle using decision tree model. Journal of the Korean Data & Information Science Society, 27, 1537-1545. 원문보기 상세보기
- 9. Lee, W. and Chun, H. (2016). A deep learning analysis of the Chinese Yuan's volatility in the onshore and offshore markets. Journal of the Korean Data & Information Science Society, 27, 327-335. 원문보기 상세보기
[곽중보의 기술적분석] ⑧ 개발지표
18세기 중엽 영국에서 일어난 산업혁명 후 사람들은 기계를 이용해 대량생산된 물건들을 사용하기 시작했다. 덕분에 과거에 비해 필요한 물건들을 쉽게 얻을 수 있고, 싸게 사용할 수 있게 되었는데, 물질이 점차 풍족해지자 나만의 맞춤형 상품에 대한 욕구도 늘어나게 됐다. 기술적 분석에서도 마찬가지로 일반적으로 사용되는 지표 외에도 각각의 투자자에게 필요한 맞춤형 지표에 대한 욕구가 늘어나면서 여러 가지 다양한 지표들이 만들어지게 됐다. 기술적 분석을 전문적으로 공부해 보지 않은 투자자라면 다소 생소할 수 있는 DMI, ATR, PIVOT 등 수많은 지표들이 개발돼 있다. 또한, 이러한 지표들에 대해서 조차 만족하지 못하고 시장에 알려지지 않은 새로운 지표들을 개발해 사용하기도 한다. 그러한 예로는 각 기술적 지표들을 모두 점수화해 새로운 지표를 만들어내는 방법이 있다. 이동평균선, MACD, 이격도, 스토캐스틱의 각 지표들에서 강세 신호가 나올 경우 +1, 약세신호가 나올 경우 -1로 점수를 주고 이를 합산하는 방법이 있다. 또한 종가(마감가격)가 시가(시작가격)보다 큰 경우를 매수세의 힘이 더 크다고 보고 반대로 종가가 시가보다 작은 경우를 매도세의 강도가 강하다고 생각해, 이를 일정기간 동안 합산, 시장 전체의 매수 혹은 매도 강도를 가늠해 보는 방법도 있을 것이다. 이처럼 시장 관찰을 통해 떠오르는 아이디어를 투자전략으로 활용해 눈으로 확인할 수 있도록 구현할 수 있다는 점도, 기술적 분석을 이용하는 또 하나의 장점으로 생각해 볼 수 있을 것이다. 그 동안 16주 간에 걸쳐 기술적 분석에 대한 기본적인 이야기들과 지표들에 대해서 살펴봤다. 마지막으로 기술적 분석에 대해 하고 싶은 말은 기술적 분석에 대해 가지고 있는 선입견을 버렸으면 한다. 기술적 분석은 시장을 기막히게 예측하는 도깨비 방망이도 아니고 그렇다고 아무짝에 쓸모 없는 허황된 분석 방법도 아니다. 경제지표나 기업 실적 등 펀더멘털을 활용해 미래 주가를 가늠해 보는 것과 마찬가지로 투자자에게 도움이 될 수 있는 또 다른 하나의 도구라고 생각할 필요가 있다. 다른 분석 방법들과 조화롭게 활용해 성공투자를 이끌어내는 디딤돌이 되었으면 한다.
일반적인 기술적 분석 지표
가장 빠르고 정확한 두나무 소식을 전합니다
다양한 활동과 새로운 소식을 전합니다
[뉴스] 업비트, 이용자 인기 보조지표 Top 5 공개
- 업비트 이용자에게 가장 인기 높은 보조지표 순위 Top 5 공개
- 일목균형표, 볼린저밴드, 매물대, RSI, MACD가 1위에서 5위 차지
[두나무=2020/2/12/수] 블록체인 및 핀테크 전문 기업 두나무(대표 이석우)는 12일, 암호화폐 거래소 업비트 이용자에게 가장 인기 높은 보조지표 순위 Top 5을 공개했다.
업비트는 투자자가 암호화폐 차트 분석 시 가격 변동 패턴, 중장기적 추세 등에 대해 더욱 포괄적이고 실용적인 정보를 확인할 수 있도록 플랫폼별 특화된 차트 기능을 제공 중이다.
작년 PC 웹에 차트 분석 아이디어 공유 서비스인 트레이딩뷰 차트와 매수/매도의 호가 누적 잔량을 확인할 수 있는 마켓뎁스 차트를 추가했고 지난 1월 29일에는 안드로이드와 iOS 앱에 새로운 보조지표 7개를 추가하고 차트 화면 분할 기능, 보조지표 상세값 노출, 보조지표 중복 설정 등의 신규 기능을 선보이며 차트 및 보조지표 기능을 대폭 개선했다.
2020년 1월 6일부터 2월 5일 한 달간 업비트 이용자의 차트 이용 패턴을 분석한 결과 기본 보조지표인 이동평균선 외 가장 많이 설정된 보조지표 1~5위는 일목균형표, 볼린저밴드, 매물대, 상대강도지수 (RSI), 이동평균수렴 (MACD) 순으로 집계됐다.
1위 일목균형표
일목균형표 차트는 전환선, 기준선, 후행 스팬, 선행 스팬 1, 선행 스팬 2 다섯 개의 요소로 구성되어 있어 여러 단위 기간에 대한 지표를 단일 차트에서 확인할 수 있다. 대부분 후행성을 띄는 보조 지표와 달리 선행성까지 갖추고 있어 향후 시장 추세를 예상하고자 할 때 유용하다.
2위 볼린저밴드
2위는 주식 차트 분석에서도 많이 이용되는 보조지표인 볼린저밴드이다. 일반적으로 상위 (Upper) 밴드 및 하위 (Lower) 밴드 초과 여부에 따라 시장의 과매수, 과매도 상태를 파악하고 밴드의 폭에 따라 시장의 변동성을 분석하는 도구로 활용된다.
3위 매물대
VPVR(Volume Profile Visible Range)로도 불리는 지표로, 매물대가 집중되어 있는 가격대를 가로형의 막대그래프로 확인할 수 있다. 일정 가격 구간에 거래된 물량을 확인하고 해당 암호화폐의 지지선 및 저항선을 파악하는데 유용하다.
4위 상대강도지수 (Relative Strength Index, RSI)
RSI는 특정 암호화폐의 과매도 및 과매수를 판단하기 위해 이용된다. 기간 설정 후 RSI 지표가 과매수일 경우 매도, 과매도일 경우 매수를 하는 것이 일반적이 전략이다. 단, 절대적인 지표가 아니기 때문에 해당 암호화폐의 특성과 타 보조지표를 감안한 종합적인 판단이 중요하다.
5위 이동평균수렴 (MACD)
MACD는 이동평균선의 지표의 진화형으로, 단기 이동평균값과 장기 이동평균값간의 차이인 MACD 곡선과 신호 (Signal) 곡선의 교차 시점을 기반으로 암호화폐 매수, 매도 시점을 판단한다. 간편한 사용성과 시각적 편의성 때문에 가장 대중적으로 이용되는 투자 보조지표 중 하나다.
업비트 담당자는 “기존 금융 투자 시 익숙한 보조지표들에 대한 선호도가 높으나 고객들의 투자 지식이 날로 높아지고 있어 각자 전략에 따라 다양한 기술적 분석 도구들을 활용 중”이라며, “올해 1월 모바일 앱 업데이트에 이어 고객이 원하는 정보를 쉽고 빠르게 확인할 수 있도록 계속 차트 기능을 개선해 나갈 것”이라고 밝혔다.
ScienceON Chatbot
2016년 3월 구글 (Google)의 바둑인공지능 알파고 (AlphaGo)가 이세돌 9단과의 바둑대결에서 승리한 이후 다양한 분야에서 인공지능 사용에 대한 관심이 높아지고 있는 Top 5 공개 | 두나무 가운데 금융투자 분야에서도 인공지능과 투자자문 전문가의 합성어인 로보어드바이저 (Robo-Advisor)에 대한 관심이 높아지고 있다. 인공지능 (artificial intelligence)기반의 의사결정은 비용 절감은 물론 효과적인 의사결정을 가능하게 한다는 점에서 큰 장점이 있다. 본 연구에서는 기술적 분석 (technical analysis) 지표와 딥러닝 (deep learning) 모형을 결합하여 한국 코스피 지수를 예측하는 모형을 개발하고 제시한 모형들의 예측력을 비교, 분석한다. 분석 결과 기술적 분석 지표에 딥러닝 알고리즘을 결합한 모형이 주가지수 방향성 예측 문제에 응용될 수 있음을 확인하였다. 향후 본 연구에서 제안된 기술적 분석 지표와 딥러닝모형을 결합한 기법은 로보어드바이저서비스에 응용할 수 있는 일반화 가능성을 보여준다.
Abstract
Since Google's AlphaGo defeated a world champion of Go players in 2016, there have been many interests in the deep learning. In the financial sector, a Robo-Advisor using deep learning gains a significant attention, which builds and manages portfolios of financial instruments for investors.In this paper, we have proposed the a deep learning algorithm geared toward identification and forecast of the KOSPI index direction,and we also have compared the accuracy of the prediction.In an application of forecasting the financial market index direction, we have shown that the Robo-Advisor using deep learning has a significant effect on finance industry. The Robo-Advisor collects a massive data such as earnings statements, news reports and regulatory filings, analyzes those and recommends investors how to view market trends and identify the best time to purchase financial assets. On the other hand, the Robo-Advisor allows businesses to learn more about their customers, develop better marketing strategies, increase sales and decrease costs.
본문요약 다운로드 * AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
- 본 연구는 기술적 주가분석기법을 의사결정나무모형, 서포트벡터머신모형 그리고 딥러닝모형에 결합함으로써 한국 코스피지수의 상승 또는 하락을 예측 하고자 한다.
본 연구는 기술적 주가분석기법을 의사결정나무모형, 서포트벡터머신모형 그리고 딥러닝모형에 결합함으로써 한국 코스피지수의 상승 또는 하락을 예측 하고자 한다.
본 연구에서 인공지능을 포함한 기계학습을 통한 한국 코스피 지수의 예측력을 분석하고자 한다. 분석기간은 2000년 1월 4일부터 2016년 2월 12일까지 일별 지수 종가 값을 기초로 한다.
또한 모형을 평가하기 위해 정확도와 함께 가장 많이 사용되는 척도로는 오류율이 있다. 오류율은 정확도의 반대개념으로 (1-정확도) 표현된다. 판단기준으로는 정확도는 높을수록, 오류율은 낮을수록 분류모형의 성능이 좋다고 할 수 있다.
본 실험에 사용한 딥러닝모형은 5개의 입력뉴런과 2개의 출력뉴런 그리고 1∼3개까지의 은닉층개수의 변화와 1∼5개의 은닉뉴런수의 변화를 주었다. 더불어 딥러닝에는 쌓아 올린 오토인코더 학습방법을 이용하였다 (Table 3.
본 연구에서는 기술적 주가분석기법을 의사결정나무모형, 서포트벡터머신모형 (support vector machine) 그리고 딥러닝 (deep learning)모형에 결합한 새로운 기법을 제안하였고, 한국 코스피 주가지수의 방향성 예측에 대해 비교 분석하였다. 분석 결과는 아래와 같다.
본 연구에서는 분류회귀나무 알고리즘을 활용하여 의미 있는 요인을 선택하였고 선택된 유의미한 요인을 이용하여 한국 코스피의 방향성을 예측할 수 있는 의사결정모델을 도출하였다. 둘째, 서포트벡터머신 (support vector machine)을 이용하여 한국 코스피지수를 예측하는데 있어 분류회귀나무모형에서 추출된 유의미한 예측변수들은 서포트벡터머신모형의 입력변수로 사용된다.
본 연구에서는 상대강도지수,모멘텀,변화율지표,지수이동평균교차등의 기술적 주가분석 지표들을 이용하여 한국 코스피 지수의 상승 또는 하락에 대한 예측 성능을 비교한다.
본 연구에서 사용할 분석기간은 2000년 1월 1일에부터 2016년 2월 12일까지 한국 코스피 주가지수에 대한 일별 지수 종가 값이며 이는 블룸버그에서 수집했다.
즉 자료를 훈련 자료와 검증 자료로 나누어 모델링 및 평가하는 작업을 10회 반복하였다. 그리고 교차 검증을 통해 최선의 모델을 가지고 검증자료에 적용해 성능을 평가하였다.
한국 코스피 주가지수 방향에 크게 영향을 미치는 기술적 주가분석 지표가 무엇인지를 알고자 학습 결과가 if-then-else 규칙으로 해석이 용이할 뿐만 아니라 예측 모형을 생성할 때 추가적인 정교화를 할 수 있다는 장점을 가지기 때문에 분류회귀나무모형을 이용하여 분석하였다. 더불어 분류오류를 할 위험이 높거나 부적절한 규칙 그리고 과적합을 고려하여 본 연구에서는 의사결정 가지치기를 적용하였다.
본 실험에 사용한 딥러닝모형은 5개의 입력뉴런과 2개의 출력뉴런 그리고 1∼3개까지의 은닉층개수의 변화와 1∼5개의 은닉뉴런수의 변화를 주었다. 더불어 딥러닝에는 쌓아 올린 오토인코더 학습방법을 이용하였다 (Table 3.5). 오토인코더는 학습하는 과정에서 적은 수의 은닉노드에 핵심 특성에 대한 압축된 표현을 저장한다.
본 연구에서는 기계학습을 통한 한국 코스피 지수 예측 능력을 실험하기 위해서 교차 검증 (cross validation)을 거친 대표적인 3종류의 기계학습 모형을 이용한다.
본 연구에서는 전체 및 선정된 기술적 주가분석 지표를 각각 서포트벡터머신모형과 딥러닝모형에 결합하여 사용하였다.
RBF (radial basis function) 커널을 이용한 서포트벡서터신모형결과 (Table 3.3), 시그마가 0.001이고 코스트가 20인 경우 전체 기술적 분석지표에 대한 검증자료의 정확도가 77.67%로 가장 우수한 결과를 나타내었다. 시그마가 0.
첫째, 전체 변수를 사용하지 않고 선정된 변수만으로도 한국 코스피 주가지수 방향을 예측할 수 있다는 결과를 얻었다. 둘째, 제시한 모형들의 비교실험을 수행한 결과, 세 모형의 방향성에 대한 예측력이 비슷하다는 결과를 얻었다. 이는 수많은 금융시장 변수들이 직간접적으로 서로 복잡하게 얽혀 불규칙적으로 변화하기 때문에 딥러닝모형을 이용하더라도 기술적 지표 (technical indicators)만으로 미래 주가지수의 움직임을 예측하는 것은 한계가 있다고 사료된다.
본 논문이 제안한 딥러닝 (deep learning)모형과 기술적 분석지표를 결합한 한국 코스피주가지수 방향성예측의 성능을 평가하기 위해 C++를 사용 분류회귀나무모형, 서포트벡터모형과의 비교실험을 수행하였고 그 결과 (Table 3.7) 세 모형의 예측력이 비슷했다. 이는 수많은 금융시장 변수들이 직간접적으로 서로 복잡하게 얽혀 불규칙적으로 변화하기 때문에 딥러닝모형을 이용하더라도 기술적 지표 (technical indicators)만으로 미래 주가지수의 움직임을 예측하는 것은 한계가 있다고 사료된다.
분류회귀나무모형에 의한 분석 결과 (Table 3.2), 전체 기술적 분석지표에 대한 학습 및 검증자료의 정확도는 각각 76.12%와 76.05%로 과적합 없이 잘 분류되었고 가지치기에 의해 선정된 기술적 주가분석 지표변수에 대한 학습 및 검증자료의 정확도는 각각 78.17%와 77.82%로 예측성능이 더 향상되었음을 알 수 있다. 즉 전체변수를 사용할 때의 최적모델과 선택변수를 사용하여 만든 최적모델의 정확도를 비교해보면 전체변수 사용 시에는 76%이고 선택변수를 사용할 시에도 77%의 정확도를 보여줌으로써 전체 변수를 사용하지 않고 선정된 변수 (상대강도지수,모멘텀,변화율지표, 3일 지수이동평균 그리고 5일 지수이동평균) 만으로도 한국 코스피 주가지수 방향을 예측하는데 큰 차이를 보여주지 않음을 알 수 있다.
67%로 가장 우수한 결과를 나타내었다. 시그마가 0.1인 코스트가 60인 경우 선정된 기술적 분석지표에 대한 검증자료의 정확도는 77.06%로 가장 우수한 결과를 나타내었다. 즉 전체변수를 사용할 때의 최적모델과 선택변수를 사용하여 만든 최적모델의 정확도를 비교해보면 두 모형 약 77%의 정확도를 보여줌으로써 전체 변수를 사용하지 않고 선정된 변수만으로도 한국 코스피 주가지수 방향을 예측하는데 큰 차이를 보여주지 않음을 알 수 있다.
06%로 가장 우수한 결과를 나타내었다. 즉 전체변수를 사용할 때의 최적모델과 선택변수를 사용하여 만든 최적모델의 정확도를 비교해보면 두 모형 약 77%의 정확도를 보여줌으로써 전체 변수를 사용하지 않고 선정된 변수만으로도 한국 코스피 주가지수 방향을 예측하는데 큰 차이를 보여주지 않음을 알 수 있다.
82%로 예측성능이 더 향상되었음을 알 수 있다. 즉 전체변수를 사용할 때의 최적모델과 선택변수를 사용하여 만든 최적모델의 정확도를 비교해보면 전체변수 사용 시에는 76%이고 선택변수를 사용할 시에도 77%의 정확도를 보여줌으로써 전체 변수를 사용하지 않고 선정된 변수 (상대강도지수,모멘텀,변화율지표, 3일 지수이동평균 그리고 5일 지수이동평균) 만으로도 한국 코스피 주가지수 방향을 예측하는데 큰 차이를 보여주지 않음을 알 수 있다. 이 때 최적의 의사결정나무를 도출하기 위하여 가지 수 변화에 따른 교차검증 에러값이 가장 작은 기준에 따라 선택된 복잡 매개변수 (complex parameter)는 0.
분석 결과는 아래와 같다. 첫째, 전체 변수를 사용하지 않고 선정된 변수만으로도 한국 코스피 주가지수 방향을 예측할 수 있다는 결과를 얻었다. 둘째, 제시한 모형들의 비교실험을 수행한 결과, 세 모형의 방향성에 대한 예측력이 비슷하다는 결과를 얻었다.
우선 기술적 분석지표 외에 기본적 주가 분석 또는 금융시장 상황에 영향을 주는 변수들을 추가한 연구가 필요하다. 더불어 본 연구에서 비교대상으로 제시하였던 방법론 외 다양한 딥러닝 (deep learning) 알고리즘과 비교해보고 더 우월한 모형을 제시, 연구해 볼 수 있다.
이에 향후 몇 가지 보완할 점이 필요하다. 우선 기술적 분석지표 외에 기본적 주가 분석 또는 금융시장 상황에 영향을 주는 변수들을 추가한 연구가 필요하다. 더불어 본 연구에서 비교대상으로 제시하였던 방법론 외 다양한 딥러닝 (deep learning) 알고리즘과 비교해보고 더 우월한 모형을 제시, 연구해 볼 수 있다.
2016년 3월 구글 (Google)의 바둑인공지능 알파고 (AlphaGo)가 이세돌 9단과의 바둑대결에서 승리한 이후 다양한 분야에서 인공지능 사용에 대한 관심이 높아지고 있는 가운데 금융투자 분야에서도 인공지능과 투자자문 전문가의 합성어인 로보어드바이저 (Robo-Advisor)에 대한 관심이 높아지고 있다. 인공지능 (artificial intelligence)기반의 의사결정은 비용 절감은 물론 효과적인 의사결정을 가능하게 한다는 점에서 큰 장점이 있다.
기본적 주가분석은 기업의 내재가치에 영향을 미치는 모든 요소들을 분석하는 방법이지만 개별 기업의 내재가치 정의 및 측정방식 등을 기반으로 미래의 주가를 예측하는 것은 한계가 있다. 기술적 주가분석은 ‘주가는 수요와 공급의 원리에 따라 결정되며 수급의 결과는 그래프로 나타난다’는 이론을 배경으로, 그래프 분석을 통해 미래 주가를 예측하는 방법이다.
금융투자를 위한 일반적인 주식예측방법으로 기본적 주가분석과 기술적 주가분석이 존재한다. 기본적 주가분석은 기업의 내재가치에 영향을 미치는 모든 요소들을 분석하는 방법이지만 개별 기업의 내재가치 정의 및 측정방식 등을 기반으로 미래의 주가를 예측하는 것은 한계가 있다. 기술적 주가분석은 ‘주가는 수요와 공급의 원리에 따라 결정되며 수급의 결과는 그래프로 나타난다’는 이론을 배경으로, 그래프 분석을 통해 미래 주가를 예측하는 방법이다. 컴퓨터 알고리즘의 발달과 더불어 기본적 주가분석과 기술적 주가분석을 통한 미래의 주가를 예측하는 방법들이 진화하고 있지만 직간접적으로 서로 복잡하게 얽혀있는 수많은 변수들에 의해서 불규칙적으로 변화하기 때문에 정확히 주가를 예측하는 것은 한계가 있을 뿐 아니라 매우 어렵고 복잡하다
2016년 3월 구글 (Google)의 바둑인공지능 알파고 (AlphaGo)가 이세돌 9단과의 바둑대결에서 승리한 이후 다양한 분야에서 인공지능 사용에 대한 관심이 높아지고 있는 가운데 금융투자 분야에서도 인공지능과 투자자문 전문가의 합성어인 로보어드바이저 (Robo-Advisor)에 대한 관심이 높아지고 있다. 인공지능 (artificial intelligence)기반의 의사결정은 비용 절감은 물론 효과적인 의사결정을 가능하게 한다는 점에서 큰 장점이 있다.
저자의 다른 논문
참고문헌 (9)
- 1. Chang, W. (2016). The rise of Robo Advisors. Forbes, 11, 214.
- 2. Choi, H. and Lim, D. (2013). Bankruptcy prediction using ensemble SVM model. Journal of the Korean Data & Information Science Society, 24, 1113-1125. 원문보기 상세보기
- 3. Choi, H. and Min, Y. (2015). Introduction to deep learning. Korea Information Processing Society Review, 22, 7-21.
- 4. Hinton, G. and Salakhutdinov, R. (2006). Reducing the dimensionality of data with neural networks. Science, 313, 504-507. 상세보기
- 5. Jung, J. and Min, D. (2013). The study of foreign exchange trading revenue model using decision tree and gradient boosting. Journal of the Korean Data & Information Science Society, 24, 161-170. 원문보기 상세보기
- 6. Jung, S. and Park, S. (2016). Examination of possible financial market risk accumulations due to prolongation of low interest rates. BOK Financial Stability Report, 27,132-143.
- 7. Ko, Y. (2016). A study on the measures to activate the Introduction of the Robo-Advisor in Korea. Korea Science & Art Forum, 25, 19-33.
- 8. Kwak, M. and Rhee, S. (2016). Finding factors on employment by adult life cycle using decision tree model. Journal of the Korean Data & Information Science Society, 27, 1537-1545. 원문보기 상세보기
- 9. Lee, W. and Chun, H. (2016). A deep learning analysis of the Chinese Yuan's volatility in the onshore and offshore markets. Journal of the Korean Data & Information Science Society, 27, 327-335. 원문보기 상세보기
이 논문을 인용한 문헌
궁금한 사항이나 기타 의견이 있으시면 남겨주세요.
- DOI : 10.7465/jkdi.2017.28.2.287
- 한국학술정보 : 저널
- 한국데이터정보과학회 : 저널
- DBPia : 저널
원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)
일반적인 기술적 분석 지표
잠깐! 현재 Internet Explorer 8이하 버전을 이용중이십니다. 최신 브라우저(Browser) 사용을 권장드립니다!
- 기사공유하기
- 프린트
- 메일보내기
- 글씨키우기
- 가나다라마바사
- 가나다라마바사
- 가나다라마바사
- 가나다라마바사
- 가나다라마바사
- 가나다라마바사
- 승인 2016.09.05 08:38
- 댓글 0
- 기사공유하기
- 프린트
- 메일보내기
- 글씨키우기
- 가나다라마바사
- 가나다라마바사
- 가나다라마바사
- 가나다라마바사
- 가나다라마바사
- 가나다라마바사
이번 여름은 지독했다. 에어컨의 도움 아니고는 도저히 견딜 수 없었고 몸을 제대로 움직이기도 힘들었다. 그런데 더위가 기승을 떨칠 때 주식시장의 움직임은 되레 엄청나게 활발하였다. 코스피는 2,063까지 치고 올랐고, 삼성전자도 사상 최고치를 연일 기록했다. 여름은 하한기(夏閑期)라고 부를 정도로 시장이 한산한 것이 보통인데 올해는 달랐다. 하지만 8월 말 들어 더위가 겨우 사라지자, 이번에는 주식시장도 덩달아 재미없어졌다. 평소와는 영 딴판이니 대체 무슨 조화인지 모르겠다.
기술적분석은 주가나 거래량 등을 살펴서 앞날을 점치려고 노력한다. 그런데 변동성(volatility)을 파악하는 지표도 있다. 상대변동성지수(RVI, Relative Volatility Index)가 대표적인데, 이를 ‘업그레이드’한 관성지수(Inertia)도 유용하다. 변동성 지표의 원리는 단순하다. 일반적으로 주가가 오를 때에는 변동성도 덩달아 증가하고, 주가가 내릴 때에는 변동성도 같이 감소한다는 특징을 이용한다. 따라서 변동성지표가 상승하다가 주가와 함께 변동성 지표가 하락할 때를 매도의 타이밍으로 삼는다.
그 원리에 따라 살펴본다면, 코스피에서는 매도신호가 진즉에 발령되었다. RVI가 60선을 하향돌파하면 매도신호로 간주된다. 그런데 RVI는 8월 24일에 60선을 무너뜨리고 하락하였다. 재미있는 것은 그게 섭씨 30도쯤이야 우습잖게 넘기던 무더위가 순식간에 사라졌던 타이밍과 일치한다는 사실이다. 날씨와 주가가 뭔가 연관이 있을까? 관성지수도 똑같다. 관성지수는 시그널 곡선과 교차하는 시점을 매매신호로 간주하는데, RVI보다 하루 빠른 8월 23일에 역시 매도신호를 나타내었다.
변동성 지표는 단기적인 지표는 아니어서 신호를 나타내는 주기가 비교적 길다. 최근에 관성지수가 신호를 내보낸 날짜에서도 확인된다. 매수신호는 6월 29일이었고, 그게 7월 13일에 매도신호로 바뀌더니 8월 9일에야 다시 매수신호가 되었다. 그러기에 8월 23일의 매도신호가 재차 매수신호로 변하려면 적어도 보름 정도는 걸릴 참이다.
게다가 거래량이나 가격을 분석하는 기술적지표들이 거꾸로 매수신호를 나타내는 것도 의당 아니다. 이들 또한 이제까지 하나씩 둘씩 ‘팔라’는 견해를 보였다. 그리고 이제 변동성 Top 5 공개 | 두나무 지표마저 매도대열에 합류한 셈. 더위가 사라지면서 시장도 잠시 ‘조정’모드에 들어갈 것으로 판단된다.
변동성 지표는 비교적 장기 지표이므로 시장의 웬만한 움직임에는 별로 반응하지 않는다. 그러기에 ‘안정적’이라는 것이 큰 장점이다. 하지만 이는 거꾸로 ‘신호 Top 5 공개 | 두나무 타이밍이 늦다’는 단점으로도 작용한다. 신호주기가 길다는 것은 양날의 검인 셈. 결국 변동성 지표 하나만을 이용하는 것은 부적절하다. 다른 지표를 사용하면서 변동성 지표는 그 결정을 ‘재확인’하는 용도로 쓰는 것이 효과적이다.
말이 나왔으니 달러-원도 변동성 지표로 분석해보자. RSI나 CMO 등 가격을 토대로 하는 지표들은 이미 매수신호를 나타내고 있는 터. 따라서 변동성 지표마저 “사라!”를 외친다면 한층 추세는 뚜렷해진다. 실제로도 그렇다. RVI는 40선을 상향돌파하면 매수신호로 간주되는데, 8월 11일에 40선을 넘어섰고 계속 오름세를 이어가고 있다. 이미 ‘매수’신호가 발령된 상태이다. 관성지수도 똑같다. 이 지표는 RVI보다 좀 늦은 8월 19일에 시그널 곡선과 서로 교차하면서 매수신호를 나타내었다.
일목균형표 역시 같은 움직임이다. 기준선과 전환선이 호전되면서 상승추세를 더 견고하게 만들었다. 여러모로 모아 달러-원이 상승세인 것은 분명하다. 다만 환율은 그동안 바닥이었던 1,091원에서부터 지금에 이르기까지 꽤 많이 치고 올라왔고, 덩달아 상승한 기간도 적지 않다. 슬슬 피로감이 쌓일 즈음이다. 변동성 지표도 ‘매수’를 말하고 있지만 앞서 살폈듯 이들 지표에서 신호가 감지된 지 꽤 시간이 지났다. 자칫 ‘매도’신호로 뒤바뀔까 주의해야 할 지경이다.
종합할 때 지난주 이전에는 ‘롱’ 포지션을 적극적으로 Top 5 공개 | 두나무 쌓아도 큰 위험이 없었겠지만 이번 주까지 그런 상황이 이어지지는 않으리라 생각된다. 달러-원은 다소 흔들릴 공산이 있다. 게다가 때마침 후행스팬도 26일 전의 캔들에 딱 닿으면서 저항에 직면할 참. 이래저래 달러-원은 약간 조정을 받겠다.
0 개 댓글