Journal of the Korean Data & Information Science Society 2017, 28(2), 287 295 http://dx.doi.org/10.7465/jkdi.2017.28.2.287 한국데이터정보과학회지 딥러닝분석과기술적분석지표를이용한한국 코스피주가지수방향성예측 이우식 1 1 안양대학교정보통계학과 접수 2017 년 1 월 17 일, 수정 2017 년 3 월 2 일, 게재확정 2017 년 3 월 10 일 요약 2016 년 3 월구글 (Google) 의바둑인공지능알파고 (AlphaGo) 가이세돌 9 단과의바둑대결에서승리한이후다양한분야에서인공지능사용에대한관심이높아지고있는가운데금융투자분야에서도인공지능과투자자문전문가의합성어인로보어드바이저 (Robo-Advisor) 에대한관심이높아지고있다. 인공지능 (artificial intelligence) 기반의의사결정은비용절감은물론효과적인의사결정을가능하게한다는점에서큰장점이있다. 본연구에서는기술적분석 (technical analysis) 지표와딥러닝 (deep learning) 모형을결합하여한국코스피지수를예측하는모형을개발하고제시한모형들의예측력을비교, 분석한다. 분석결과기술적분석지표에딥러닝알고리즘을결합한모형이주가지수방향성예측문제에응용될수있음을확인하였다. 향후본연구에서제안된기술적분석지표와딥러닝모형을결합한기법은로보어드바이저서비스에응용할수있는일반화가능성을보여준다. 주요용어 : 기술적지표, 딥러닝, 로보어드바이저, 인공지능, 핀테크. 1. 서론 한국금융시장에서예금과적금이자율이 2.5% 를넘는상품은거의사라져찾아보기힘들고, 계속되 는금리인하에현재기준금리는 1.25% 로역대사상최저수준으로낮아졌다. 연 1% 대의저금리시대 에목돈마련과노후대비를위해서금융투자가필수가된상황이다 (Jung 와 Park, 2016). 금융투자를위한일반적인주식예측방법으로기본적주가분석과기술적주가분석이존재한다. 기본 적주가분석은기업의내재가치에영향을미치는모든요소들을분석하는방법이지만개별기업의내재 가치정의및측정방식등을기반으로미래의주가를예측하는것은한계가있다. 기술적주가분석은 주가는수요와공급의원리에따라결정되며수급의결과는그래프로나타난다 는이론을배경으로, 그 래프분석을통해미래주가를예측하는방법이다. 컴퓨터알고리즘의발달과더불어기본적주가분석 과기술적주가분석을통한미래의주가를예측하는방법들이진화하고있지만직간접적으로서로복잡 하게얽혀있는수많은변수들에의해서불규칙적으로변화하기때문에정확히주가를예측하는것은한 계가있을뿐아니라매우어렵고복잡하다. 2016 년 3 월구글 (Google) 의바둑인공지능알파고 (AlphaGo) 가이세돌 9 단과의바둑대결에서승리 한이후금융업계에서는인공지능과투자자문전문가의합성어인로보어드바이저 (Robo-Advisor) 에대 한관심이높아지고있고이에 KB 국민은행, 우리은행, KEB 하나은행, 신한은행, NH 농협은행등국내 1 (14028) 경기도안양시만안구삼덕로 37 번길 22, 안양대학교정보통계학과, 외래교수. E-mail: woosiklee@hotmail.com
288 Woosik Lee 주요은행과삼성증권, 신한금융투자, 미래에셋대우, 한국투자증권, 현대증권등증권사들은자체적으로시스템을개발하거나로보어드바이저스타트업체와제휴하는방식으로추진하고있다 (Ko, 2016). 현재일반투자자를대상으로저비용자산관리서비스를제공하는로보어드바이저에의해서운용되는자금은전세계적으로약 20조원이고 2020년에는약 2,000조원으로예상하고있다 (Chang, 2016). 우리나라의경우 2016년 9월부터정부차원의로보어드바이저서비스에대한검증을금융위원회 (financial supervisory commission) 에서실시하고있고안정적으로운영된로보어드바이저업체들에대해투자에대한자문을물론투자를대행할수있는권한까지준다는계획이다 (Ko, 2016). 이런정책은로보어드바이저시장이활성화될수있는영향력을미치며인공지능의영역을넓혀가고있지만딥러닝 (deep learning) 과금융 (finance) 이연계된연구들은많이이뤄지지않고있는상태이다. 기존연구중딥러닝의적용가능성을제시한 Lee와 Chun (2016) 은 GARCH (generalized autoregressive conditional heteroskedasticity) 모형과딥러닝을통합한 DL-GARCH (deep learninggeneralized autoregressive conditional heteroskedasticity) 모형을가지고중국위안화 (Chinese Yuan) 변동성 (volatility) 예측을비교실험과분석을하였고그결과딥러닝모형이높은성과를보인것으로나타났다. 본연구에서인공지능을포함한기계학습을통한한국코스피지수의예측력을분석하고자한다. 분석기간은 2000년 1월 4일부터 2016년 2월 12일까지일별지수종가값을기초로한다. 2. 이론적배경및연구방법 2.1. 이론적배경 2.1.1. 의사결정나무모형의사결정나무모형 (decision tree) 은자료내에존재하는관계및규칙등을찾아내어그의사결정규칙을나무구조로도표화하여탐색적절차에유용할뿐아니라예측및분류를수행할수있다는장점을가지고있다 (Kwak과 Rhee, 2016). 의사결정나무모형은분석의목적과자료구조에따라적절한분리기준과정지규칙을지정하고의사결정가지치기와같은특징선택을통해분류에가장필요한특징들만을추출함으로써원자료에비해줄어든자료를얻을수있으며, 분류의기준이되기에기여도가떨어지는잡음, 중복자료그리고규칙을제거할수있다. 의사결정나무모형을만드는데는카이제곱통계량을분리기준으로하는카이제곱자동상호작용검출모형, 지니계수를분리기준으로하는분류회귀나무모형, 그리고엔트로피지수를분리기준으로하는 C4.5등다양한모형이있다. 본연구에서는지니계수를분리기준으로하는분류회귀나무모형이고려되었다. 2.1.2. 서포트벡터머신모형서포트벡터머신 (support vector machine) 은서로다른두집단으로분류시키는최적의초평면을찾는이진분류기이다. 두집단을나누는방법, 즉마진 (margin) 을최대화하는문제는최적화문제로바꿀수있다. 서포트벡터머신의대표적인커널함수 (Kernel function) 는선형커널, 다항식커널, RBF커널, 시그모이드커널이있다. 입력이 x i 이고출력이 y i {1, 1} 인 N개의자료 {(x i, y i)} N i=1 라할때, 결정평면은가중벡터가 w이고바이어스가 b인 wx + b = 0로표시된다. 이때두집단의서포트벡터사이의분리마진은 2/ w 가되며, 이를최대화하기위해 w 를최소화해야한다. 여기서결정평면과목표클래스의출력의곱이양수라는제약조건을적용하여비용함수가최소가되는 w와 b를계산하면최적화된결정평면을얻을수있다. Φ(w) = 1 2 w 2
A deep learning analysis of the KOSPI s directions 289 두클래스에포함된자료들이선형적으로완전분리가어려운경우오류에대한허용변수를적용한비용함수를통해최적화가가능하다. 이때학습자료들을이용하여마진의최대화와분류허용에러에대한조절인자인코스트의적절한값을경험적으로결정해야한다. Φ(w) = 1 2 w 2 + C N ξ i i=1 최적화문제는라그랑지승수 (Lagrange multiplier) 방법을도입하여해를찾을수있는데, 분류하고자하는두클래스가비선형분리면을갖는경우에는커널함수를도입하여입력벡터, 즉입력변수를더높은차원의특징공간으로사상하여그공간에서초평면을얻음으로써선형적으로분리할수있다. 커널함수를이용할경우최종적으로얻어지는서포트벡터머신분류기를이용하여두개의비선형분리면을갖는클래스로분류할수있다. 2.1.3. 딥러닝모형인공신경망 (artificial neural network) 모형은층, 연결강도, 전이함수, 학습알고리즘등으로이루어진데이터처리시스템으로서입력자료값과해당출력자료값들을통해가중치들이반복적으로조정되어결국입력및출력자료간의관계가학습되는구조이다. 자료에대한표현능력을크게증가시키기위해은닉뉴런수를증가시키거나, 은닉층을추가하여사용하였지만역전파 (backpropagation) 알고리즘이에러정보를출력층에서입력층방향으로전달되면서점점사라진다는문제가발생하였고, 이에 2006년힌튼교수가사전학습이포함된딥러닝 (deep learning) 모형을제시하였다 (Choi와 Min, 2015). 딥러닝의경우기존인공신경망과달리마지막은닉층까지충분히전파가가능하여딥러닝분석을이용한금융자료예측에적용하고있다 (Lee와 Chun, 2016). 2.2. 연구모형 본연구는기술적주가분석기법을의사결정나무모형, 서포트벡터머신모형그리고딥러닝모형에결합 함으로써한국코스피지수의상승또는하락을예측하고자한다. 2.2.1. 기술적분석지표본연구에서는상대강도지수, 모멘텀, 변화율지표, 지수이동평균교차등의기술적주가분석지표들을이용하여한국코스피지수의상승또는하락에대한예측성능을비교한다. 상대강도지수는주가의상향이동과하향이동을비교하는모멘텀오실레이터 (momentum oscillator) 로, 0에서 100사이의값을가진다. 상대강도지수값이 0에가까우면가격이상향이동하고상대강도지수값이 100에가까우면가격이하향이동함을나타낸다 (Jung과 Min, 2013). 모멘텀은주가추세의속도나강도를파악하는데사용되는오실레이터로주가가상승하거나하락하고있을때얼마나가속하게될지를예측하는기술적분석지표이다. 변화율지표 (rate of change indicator) 는과거일정시점의가격과현재가격을비교하여주가추세의반전을알려주어주식시장특성분석에사용된다. 변화율지표의움직임이 0선위쪽에서나타나면주식가격은상승추세에있다고보고반대로변화율지표의움직임이 0선아래쪽에서나타나면주식가격은하락추세에있다고볼수있다. 지수이동평균 (exponential moving average) 교차에서지수이동평균을주식의추세 (trend) 를파악하기위해기간내의최신주가에더많은가중치를부여하고이전주가에적은가중치를부여하는기술적분석지표이고교차는단기이동평균이장기이동평균을뚫는시점을매매시점으로잡아단기이동평
290 Woosik Lee 균이장기이동평균을상향돌파할경우매수, 단기이동평균이장기이동평균을하향돌파할경우매도하는방법으로최근의추세가기존의흐름을전환시키려고한다는것을반영하는기술적분석기법이다. 위에서설명한기술적주가분석지표들을제외한다른기술적지표들은본연구에서의미있는자료가아니기때문에추가설명을생략한다. 2.2.2. 기계학습모형 본연구에서는기계학습을통한한국코스피지수예측능력을실험하기위해서교차검증 (cross validation) 을거친대표적인 3 종류의기계학습모형을이용한다. 첫째, 분류회귀나무알고리즘은의사결정나무를형성하는데있어지니계수 (Gini coefficient) 를이용 하여불순도를측정하며, 부모마디로부터자식마디가 2 개만형성되는이진분류기반알고리즘이다. 지 니계수는 n 개의입력변수중에서임의로 2 개를추출하였을때, 그 2 개가서로다른군에속할수있는 확률을의미한다. 분류회귀나무알고리즘의첫단계는각마디에서도수가가장많은목표변수의오분 류확률을계산하며, 다음으로이진분리를실시한하위마디에서지니계수를계산한후그값이최소화 되는값을최상의분리기준으로판단한다. 지니계수의감소량이계산되면분류회귀나무알고리즘의마 지막과정으로지니계수를가장감소시켜주는분류변수와최적분리를자식마디로선택한다. 본연구에서는분류회귀나무알고리즘을활용하여의미있는요인을선택하였고선택된유의미한요 인을이용하여한국코스피의방향성을예측할수있는의사결정모델을도출하였다. 둘째, 서포트벡 터머신 (support vector machine) 을이용하여한국코스피지수를예측하는데있어분류회귀나무모형 에서추출된유의미한예측변수들은서포트벡터머신모형의입력변수로사용된다. 셋째, 딥러닝 (deep learning) 모형을이용하여한국코스피지수를예측하는데있어분류회귀나무모형에서추출된유의미한 예측변수들은딥러닝모형의입력변수로사용된다. 딥러닝모형에는쌓아올린오토인코더를사용하였 고, 이것은비지도사전학습알고리즘을사용하여선형적인관계및비선형관계를표현할수있고이를 통해잡음제거에탁월할뿐아니라자료분포패턴등을추정할수있다는장점이있다. 위모형들의성능을평가하기위해정확도, 오류율, 민감도, 특이도그리고정밀도를가지고비교한다 (Choi 와 Lim, 2013). 목표변수가상승또는하락예측과같은이진분류인경우, 판별정확도를검증하 기위해정오분류표를이용하여성능비교를실시한다. 정확도는실제목표변수의클래스 (class) 를제 대로분류한전체비율을나타낸다. 또한모형을평가하기위해정확도와함께가장많이사용되는척도 로는오류율이있다. 오류율은정확도의반대개념으로 (1- 정확도 ) 표현된다. 판단기준으로는정확도는 높을수록, 오류율은낮을수록분류모형의성능이좋다고할수있다. Table 2.1 Cross tables for actual class and classified class Actual class Classified class Class1 Class2 Class1 True positive (TP) False negative (FN) Class2 False positive (FP) True negative (TN) Table 2.2 Performance measures for classification model Measure Expression Accuracy (TP+TN)/(TP+FP+TN+FN) Sensitivity TP/(TP+FN) Specificity TN/(FP+TN) Precision TP/(TP+FP)
A deep learning analysis of the KOSPI s directions 291 3. 실증분석 본연구에서사용할분석기간은 2000 년 1 월 1 일에부터 2016 년 2 월 12 일까지한국코스피주가지수 에대한일별지수종가값이며이는블룸버그에서수집했다. Table 3.1 에서한국코스피주가지수일별지수종가에대한평균, 표준편차, 왜도및첨도에대한기 초통계량을제시하였다. Table 3.1 Statistic summary KOSPI KOSPI return mean 1399.368 0.000266 median 1454.6 0.000650 max. 2228.96 0.119457 min. 468.76-0.120188 s.d. 538.297 0.015956 skewness -0.242489-0.382179 kurtosis -1.494653 5.594851 Figure 3.1 Time series of KOSPI 주가및수익률의왜도가음으로값으로, 이는부정적인극단현상이나타날가능성이정규분포보다높음을의미하고, 주가는음의첨도로서꼬리가정규분포보다얇은반면, 수익률의경우는첨도가정규분포보다크다는것을나타낸다. 자료를두부분으로나누는방법으로전체자료의 80% 를통하여기계학습모형을훈련시키고나머지 20% 는학습된모형에입력변수를투입시킴으로써추출되는값과실제값과의비교를통해검증하여최종적으로모형을선택하였다. 평가의정확도를높이기위해 10겹교차검증을 1회반복하였다. 즉자료를훈련자료와검증자료로나누어모델링및평가하는작업을 10회반복하였다. 그리고교차검증을통해최선의모델을가지고검증자료에적용해성능을평가하였다. 한국코스피주가지수방향에크게영향을미치는기술적주가분석지표가무엇인지를알고자학습결과가 if-then-else 규칙으로해석이용이할뿐만아니라예측모형을생성할때추가적인정교화를할수있다는장점을가지기때문에분류회귀나무모형을이용하여분석하였다. 더불어분류오류를할위험이높거나부적절한규칙그리고과적합을고려하여본연구에서는의사결정가지치기를적용하였다. 이에대한결과는 Table 3.2에제시되었다.
292 Woosik Lee Table 3.2 Accuracy of the training and testing in decision tree Decision tree Accuracy Total variable Selected variable Training 0.761 0.782 Testing 0.761 0.778 분류회귀나무모형에의한분석결과 (Table 3.2), 전체기술적분석지표에대한학습및검증자료의 정확도는각각 76.12% 와 76.05% 로과적합없이잘분류되었고가지치기에의해선정된기술적주가분 석지표변수에대한학습및검증자료의정확도는각각 78.17% 와 77.82% 로예측성능이더향상되었음 을알수있다. 즉전체변수를사용할때의최적모델과선택변수를사용하여만든최적모델의정확도 를비교해보면전체변수사용시에는 76% 이고선택변수를사용할시에도 77% 의정확도를보여줌으로 써전체변수를사용하지않고선정된변수 ( 상대강도지수, 모멘텀, 변화율지표, 3 일지수이동평균그리고 5 일지수이동평균 ) 만으로도한국코스피주가지수방향을예측하는데큰차이를보여주지않음을알수 있다. 이때최적의의사결정나무를도출하기위하여가지수변화에따른교차검증에러값이가장작은 기준에따라선택된복잡매개변수 (complex parameter) 는 0.001 이다. 본연구에서는전체및선정된기술적주가분석지표를각각서포트벡터머신모형과딥러닝모형에결 합하여사용하였다. Table 3.3 Parameter in support vector machine : Total variable σ 0.0005 0.001 0.005 0.01 0.1 C=20 0.786 0.786 0.782 0.778 0.728 0.768 0.777 0.773 0.763 0.710 C=40 0.787 0.788 0.784 0.776 0.706 0.774 0.774 0.776 0.758 0.700 C=60 0.787 0.786 0.781 0.780 0.693 0.774 0.773 0.769 0.757 0.687 C=80 0.784 0.786 0.784 0.780 0.690 0.769 0.769 0.766 0.755 0.682 Table 3.4 Parameter in support vector machine : Selected variable σ 0.0005 0.001 0.005 0.01 0.1 C=20 0.781 0.783 0.785 0.787 0.787 0.764 0.764 0.768 0.767 0.771 C=40 0.783 0.785 0.786 0.787 0.789 0.766 0.769 0.764 0.769 0.768 C=60 0.783 0.785 0.784 0.788 0.787 0.766 0.768 0.764 0.767 0.771 C=80 0.783 0.783 0.785 0.788 0.789 0.769 0.767 0.766 0.766 0.771 RBF (radial basis function) 커널을이용한서포트벡서터신모형결과 (Table 3.3), 시그마가 0.001이고코스트가 20인경우전체기술적분석지표에대한검증자료의정확도가 77.67% 로가장우수한결과를나타내었다. 시그마가 0.1인코스트가 60인경우선정된기술적분석지표에대한검증자료의정확도는 77.06% 로가장우수한결과를나타내었다. 즉전체변수를사용할때의최적모델과선택변수를사용하여만든최적모델의정확도를비교해보면두모형약 77% 의정확도를보여줌으로써전체변수를사용
A deep learning analysis of the KOSPI s directions 293 하지않고선정된변수만으로도한국코스피주가지수방향을예측하는데큰차이를보여주지않음을알 수있다. Table 3.5 Optimal deep learning model Optimal Network Total Variables Selected Variables Hidden Layer1 32-4-2 5-5-2 Hidden Layer2 32-5-5-2 5-5-4-2 Hidden Layer3 32-5-5-5-2 5-5-5-3-2 본실험에사용한딥러닝모형은 5 개의입력뉴런과 2 개의출력뉴런그리고 1 3 개까지의은닉층개수 의변화와 1 5 개의은닉뉴런수의변화를주었다. 더불어딥러닝에는쌓아올린오토인코더학습방법을 이용하였다 (Table 3.5). 오토인코더는학습하는과정에서적은수의은닉노드에핵심특성에대한압 축된표현을저장한다. 본실험에서는오토인코더의이러한특성을이용하여기술적분석지표에따른 주가방향성을학습하고예측에반영하도록하였다. Training Testing Table 3.6 Accuracy of the training and testing in deep learning Accuracy Deep learning Total variable Selected variable Hidden layer1 0.649 0.771 Hidden layer2 0.663 0.783 Hidden layer3 0.726 0.790 Hidden layer1 0.548 0.748 Hidden layer2 0.505 0.754 Hidden layer3 0.750 0.769 Table 3.6 은전체표본을이용하여추정한결과딥러닝알고리즘의경우은닉층 (hidden layer) 과은 닉뉴런 (hidden neuron) 수가많을수록오류율이줄어들어학습효과를높임을알수있었다. Table 3.7 Comparison of models Model Decision tree SVM Deep learning Variable Total Selected Total Selected Total Selected Accuracy 0.761 0.778 0.777 0.771 0.750 0.769 Sensitivity 0.781 0.781 0.756 0.790 0.749 0.792 Specificity 0.740 0.776 0.797 0.752 0.751 0.742 Precision 0.756 0.783 0.785 0.757 0.797 0.797 본논문이제안한딥러닝 (deep learning) 모형과기술적분석지표를결합한한국코스피주가지수방향성예측의성능을평가하기위해 C++ 를사용분류회귀나무모형, 서포트벡터모형과의비교실험을수행하였고그결과 (Table 3.7) 세모형의예측력이비슷했다. 이는수많은금융시장변수들이직간접적으로서로복잡하게얽혀불규칙적으로변화하기때문에딥러닝모형을이용하더라도기술적지표 (technical indicators) 만으로미래주가지수의움직임을예측하는것은한계가있다고사료된다. 4. 결론및시사점 현재미국내 Wealthfront, Betterment 등 200 여개로보어드바이저회사가이미존재하고우리나라도 2016 년 3 월구글의바둑인공지능알파고가이세돌 9 단과의바둑대결에서승리한이후금융업계에서는
294 Woosik Lee 인공지능과자문전문가의합성어인로보어드바이저 (Robo-Advisor) 에대한관심이높아지고있다. 현재일반투자자를대상으로저비용자산관리서비스를제공하는로보어드바이저에의해서운용되는자금은전세계적으로약 20조원이고 2020년에는약 2000조원으로예상하고있다. 우리나라의경우 2016년 9월부터정부차원의로보어드바이저서비스에대한검증을금융위원회 (financial supervisory commission) 에서실시하고있고안정적으로운영된로보어드바이저업체들에대해투자에대한자문을물론투자를대행할수있는권한까지준다는계획이다 (Ko, 2016). 이런정책은로보어드바이저시장이활성화될수있는영향력을미치며인공지능의영역을넓혀가고있다. 본연구에서는기술적주가분석기법을의사결정나무모형, 서포트벡터머신모형 (support vector machine) 그리고딥러닝 (deep learning) 모형에결합한새로운기법을제안하였고, 한국코스피주가지수의방향성예측에대해비교분석하였다. 분석결과는아래와같다. 첫째, 전체변수를사용하지않고선정된변수만으로도한국코스피주가지수방향을예측할수있다는결과를얻었다. 둘째, 제시한모형들의비교실험을수행한결과, 세모형의방향성에대한예측력이비슷하다는결과를얻었다. 이는수많은금융시장변수들이직간접적으로서로복잡하게얽혀불규칙적으로변화하기때문에딥러닝모형을이용하더라도기술적지표 (technical indicators) 만으로미래주가지수의움직임을예측하는것은한계가있다고사료된다. 이에향후몇가지보완할점이필요하다. 우선기술적분석지표외에기본적주가분석또는금융시장상황에영향을주는변수들을추가한연구가필요하다. 더불어본연구에서비교대상으로제시하였던방법론외다양한딥러닝 (deep learning) 알고리즘과비교해보고더우월한모형을제시, 연구해볼수있다. References Chang, W. (2016). The rise of Robo Advisors. Forbes, 11, 214. Choi, H. and Lim, D. (2013). Bankruptcy prediction using ensemble SVM model. Journal of the Korean Data & Information Science Society, 24, 1113-1125. Choi, H. and Min, Y. (2015). Introduction to deep learning. Korea Information Processing Society Review, 22, 7-21. Hinton, G. and Salakhutdinov, R. (2006). Reducing the dimensionality of data with neural networks. Science, 313, 504-507. 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. 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. 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. 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. 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.
Journal of the Korean Data & Information Science Society 2017, 28(2), 287 295 http://dx.doi.org/10.7465/jkdi.2017.28.2.287 한국데이터정보과학회지 A deep learning analysis of the KOSPI s directions Woosik Lee 1 1 Department of Information Statistics, Anyang University Received 17 January 2017, revised 2 March 2017, accepted 10 March 2017 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. Keywords: Artificial intelligence, deep learning, FinTech, Robo-Advisor, technical analysis 1 Adjunct faculty, Department of Information Statistics, Anyang University, Gyeonggi-do 14028, Korea. E-mail: woosiklee@hotmail.com