현대 자료분석에서는 정보의 가용성을 극대화하기 위하여 대단위의 다차원 배열 형태인 텐서 (tensor) 자료를 통계모형에 종종 활용한다. 이러한 텐서 자료를 활용하고자 할 때 기존의 방법에서는 텐서를 고차원 벡터로 변환하여 이용한다. 그러나 이러한 방식은 다차원 배열 변수들의 상호관계적 특성을 통계모형에 그대로 반영할 수 없기 때문에 성능이 떨어질 수 있으며 차원의 저주 문제가 발생하기 쉽다. 본 논문에서는 고차원 텐서자료를 벡터로의 변환없이 회귀 모형에 적용하여 변수들의 상호관계적 특성을 반영하고 회귀 계수에 대한 규제를 통하여 불필요한 설명변수를 줄일 수 있는 텐서 회귀모형을 제안한다. 일정 기간 동안의 과거 KOSPI 및 기술적 지표 자료를 수집하고 텐서 데이터를 생성하여 이를 텐서 회귀모형에 적용하여 단기 미래 KOSPI를 예측한다. 설명변수는 2007년 1월부터 2020년 8월까지의 KOSPI의 상위 20개 종목과 해외 지수 (NIKKEI, NASDAQ, S\&P500)에 대한 기술적 지표이며, 종속변수는 향후 5일과 10일 동안의 KOSPI지수의 평균값이다. 텐서 회귀기법과 다양한 머신러닝 분석기법 (SVM, ANN, Lasso Regression)을 적용하여 기준일 이후 5일과 10일 동안의 평균 KOSPI를 예측하였고 이들의 MSE와 등락예측성능 (Accuracy, Precision, Recall, F1-Score)을 비교하였다. 실험 결과 텐서 회귀의 MSE와 등락예측성능이 기존 기계학습 방법보다 우수한 성능을 보였다.