머신러닝을 이용한 주가 예측(Stock Price Prediction)

 

주식 시장은 수많은 요소에 의해 영향을 받으며 예측이 어렵다.

하지만 머신러닝을 활용하면 과거 데이터를 분석하여

주가 변동 패턴을 학습하고, 미래 가격을 예측할 수 있다.

 

이번 실습에서는 Yahoo Finance API를 이용해 

주가 데이터를 가져오고, 머신러닝 모델을 사용하여 주가를 예측해 본다.

 

1. 주가 데이터 수집 (Yahoo Finance API 활용)

Python에서 yfinance 라이브러리를 사용하여 실시간 주가 데이터를 가져올 수 있다.

import yfinance as yf

# 삼성전자 주가 데이터 가져오기

stock=yf.Ticker('005930.KQ')

df=stock.history(period='5y')

print(df.head())

 

2. 데이터 전처리

데이터 결측치를 확인하고 처리할 것이다.

# 결측치 확인

print(df.isnull().sum())

# 결측치가 있으면 제거

df=df.dropna()

 

주가 변동 시각화

import matplotilb.pyplot as plt

plt.figure(figsize=(12,6)

plt.plot(df['Close'], label='Close Price')

plt.title('Samsung Stock Price (5 years)')

plt.xlabel('Date')

plt.ylabel('Stock Price')

plt.legend()

plt.show()

 

3. 머신러닝을 활용한 주가 예측 모델

이제 머신러닝 모델을 활용해 주가를 예측해 볼 것이다. 

랜덤  포레스트(Random Forest)를 사용할 것이고

최근 60일 데이터를 이용하여 다음날 주가를 예측할 것이다.

 

데이터셋 생성(특성 엔지니어링)

import numpy as np

# 60일 이전 데이터를 활용하여 주가를 예측

window_size=60

X=[ ]

Y=[ ]

for i in range(window_size, len(df)): X.append(df['Close'].values[i-window_size:i]) Y.append(df['Close'].values[i])

X,Y=np.array(X), np.array(Y)

 

4. 랜덤 포레스트 모델 학습 및 예측

from sklearn.model_selection import train_test_split

from sklearn.ensemble import RandomForestRegressor

from sklearn.metrics import mean_absolute_error

# 데이터 분할

X_train, X_test, Y_train, Y_test=train_test_split(X,Y, test_size=0.2, random_state=42)

# 랜덤 포레스트 회귀모델 학습

model=RandomForestRegressor(n_estimators=100, random_state=42)

model.fit(X_train, Y_train)

# 예측 수행

Y_pred=model.predict(X_test)

# 모델 평가

mae=mean_absolute_error(Y_test, Y_pred)

print(f'평균 절대 오차(MAE): {mae:.2f}')

 

5. 예측 결과 시각화

plt.figure(figsize=(12,6))

plt.plot(y_test, label='Actual Price')

plt.plot(y_pred, label='Predicted Price')

plt.title('Stock Price Prediction')

plt.xlable('days')

plt.ylabel('Price')

plt.legend()

plt.show()

 

머신러닝을 이용하면 과거 데이터를 기반으로 주가 변동 패턴을 학습할 수 있으나,

주가는 다양한 외부 변수(경제, 정책, 투자 심리 등)에 의해 영향을 받는다.

단순한 모델로 완벽한 예측은 어렵지만,

기본적인 트렌드 분석 및 예측이 가능하다.