• KOREAN POULTRY JOURNAL
• /
• v.13 no.3 s.137
• /
• pp.26-30
• /
• 1981

금년 상반기의 축산관측 결과를 보면 금년 6월말 돼지두수는 2백49만두로, 산란계는 2천9백만수, 육계는 2천4백만수로 예측되며 2/4분기중 돼지가격은 3월 가격과 강보합세를, 계란가격은 강세를, 육계가격 역시 4월을 제외하고는 강세를 띄울 것으로 전망된다. 이를 축종별로 보면 다음과 같다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2021.01a
• /
• pp.355-356
• /
• 2021

본 논문에서는 Python 3의 Keras 모듈을 이용하여 특정 자동차에 대한 최적의 판매자권장소비자가격(MSRP)을 예측하는 시스템을 제안한다. 이 시스템은 2004년에 미국에서 시판된 428종류의 자동차에 대한 정보를 제조사, 차종, 생산지, 엔진 크기, 실린더 수, 시내 주행 시 연비, 고속도로 주행 시 연비, 마력, 차체 무게, 차체 길이의 독립변수를 사용하여 자체적으로 딥러닝한 회귀모델을 통해 특정 지표가 주어진 차량에 대해 종속변수인 판매자권장소비자가격을 예측한다. Optimizer를 adam으로, 학습률을 0.005으로 설정한 경우의 검증 MAE 값이 3842.98로 가장 낮게 산출되었고, 해당 모델의 결과는 예측값과 실제값의 오차율이 ±15% 정도 내외로 예측된 표본의 비율이 약 80.14%로 측정되었다. 위 모델은 향후 신차 가격 결정 및 중고차 시장에서 구매, 판매 결정을 돕는 등 특정 시장 내에서 다양한 자동차의 가치를 판단하기에 유용할 것으로 전망된다.

• Proceedings of the KIEE Conference
• /
• 2009.07a
• /
• pp.575_576
• /
• 2009

최근 전력산업의 구조적인 측면에서는 수직적 형태의 분리 및 경쟁 도입, 그리고 민영화를 통한 효율 증진 등 전력산업 개편이 전세계적으로 이루어지고 있다. 전력산업의 개편 과정에서 전력공급자(ESP)는 불완전한 시장으로 인한 재정적인 위험에 직면한다. ESP가 재정적인 위험에서 근본적으로 벗어나기 위해서는 합리적인 전기 소매 가격의 책정이 필요하다. 본 논문에서는 현재 적용되고 있는 고정 소매 가격제에 대한 문제점을 제시하고 이를 극복하기 위해서 전기 공급 도매 가격의 변동성을 예측함으로써 헤징을 통한 새로운 요금제의 도입의 필요성을 제안하는 것이 본 논문의 목적이다. 본 논문에서 소개될 새로운 요금제인 Critical Peak Pricing(CPP)에서 전기 공급 도매 가격의 변동성의 예측은 CPP 요금을 적용하는데 중요한 역할을 담당하는 지표로 활용된다. CPP 요금을 적용함으로써 ESP의 재정적인 위험을 최소화하고 수요 탄력성이 반영되어 전기 소비자들과의 관계 향상 또한 유도될 수 있다.[4],[6]

• Journal of the Korea Convergence Society
• /
• v.12 no.4
• /
• pp.249-258
• /
• 2021

Bitcoin prices have been soaring recently as investors flock to cryptocurrency exchanges. The purpose of this study is to predict the Bitcoin price using a deep learning model and analyze whether Bitcoin is profitable through investment strategy. LSTM is utilized as Bitcoin prediction model with nonlinearity and long-term memory and the profitability of MA cross-over strategy with predicted prices as input variables is analyzed. Investment performance of Bitcoin strategy using LSTM forecast prices from 2013 to 2021 showed return improvement of 5.5% and 46% more than market price MA cross-over strategy and benchmark Buy & Hold strategy, respectively. The results of this study, which expanded to recent data, supported the inefficiency of the cryptocurrency market, as did previous studies, and showed the feasibility of using the deep learning model for Bitcoin investors. In future research, it is necessary to develop optimal prediction models and improve the profitability of Bitcoin investment strategies through performance comparison of various deep learning models.

• The Journal of Information Technology
• /
• v.3 no.1
• /
• pp.37-44
• /
• 2000

The purchasing estimate price of diamond is affected by the factors of carat, color, clarity, certificate, cut and price with the unit of $/carat. The object of this study is to obtain the linear regression model for such purchasing estimate price and to test statistically. The optimum model is the simple regression model of $^y{\;}:{\;}10^2{\;}/{\;}(-1.5575{\;}+{\;}0.3099{\;}logx){\;}+{\;}{\varepsilon}$ statistically satisfied by the lack of fit test and has the characteristics of normality, constant variance and symmetry.

• KIPS Transactions on Software and Data Engineering
• /
• v.7 no.10
• /
• pp.387-396
• /
• 2018

Stock price prediction has been a difficult problem to solve. There have been many studies to predict stock price scientifically, but it is still impossible to predict the exact price. Recently, a variety of types of cryptocurrency has been developed, beginning with Bitcoin, which is technically implemented as the concept of distributed ledger. Various approaches have been attempted to predict the price of cryptocurrency. Especially, it is various from attempts to stock prediction techniques in traditional stock market, to attempts to apply deep learning and reinforcement learning. Since the market for cryptocurrency has many new features that are not present in the existing traditional stock market, there is a growing demand for new analytical techniques suitable for the cryptocurrency market. In this study, we first collect and process seven cryptocurrency price data through Bithumb's API. Then, we use the gradient boosting model, which is a data-driven learning based machine learning model, and let the model learn the price data change of cryptocurrency. We also find the most optimal model parameters in the verification step, and finally evaluate the prediction performance of the cryptocurrency price trends.

• Journal of the Korean Data and Information Science Society
• /
• v.28 no.3
• /
• pp.617-624
• /
• 2017

The production of cabbage, which is mainly cultivated in open field, varies greatly depending on weather conditions, and the price fluctuation is largely due to the presence of a substitute crop. Previous studies predicted the production of cabbage using actual weather data, but in this study, we predicted the wholesale price using unstructured agricultural meteorological data on the web. From January 2009 to October 2016, we collected documents including the cabbage on the portal site, and extracted keywords related to weather in the collected documents. We compared the forecast wholesale prices of simple models and unstructured agricultural weather models at the time of shipment. The simple model is AR model using only wholesale price, and the unstructured agricultural weather model is AR model using unstructured agricultural weather data additionally. As a result, the performance of unstructured agricultural weather model was has been found to be more accurate prediction ability.

• Journal of the Korean Geographical Society
• /
• v.51 no.2
• /
• pp.219-233
• /
• 2016

In social science fields, statistical models are used almost exclusively for causal explanation, and explanatory modeling has been a mainstream until now. In contrast, predictive modeling has been rare in the fields. Hence, we focus on constructing the predictive non-parametric model, instead of the explanatory model. Gangnam-gu, Seoul was chosen as a study area and we collected single-family house sales data sold between 2011 and 2014. We applied non-parametric models proposed in machine learning area including generalized additive model(GAM), random forest, multivariate adaptive regression splines(MARS) and support vector machines(SVM). Models developed recently such as MARS and SVM were found to be superior in predictive power for house price estimation. Finally, spatial autocorrelation was accounted for in the non-parametric models additionally, and the result showed that their predictive power was enhanced further. We hope that this study will prompt methodology for property price estimation to be extended from traditional parametric models into non-parametric ones.

• Journal of Industrial Convergence
• /
• v.21 no.1
• /
• pp.167-173
• /
• 2023

As research has been published to predict future data using regression analysis or artificial intelligence as a method of analyzing economic indicators. In this study, we designed a system that predicts prospective futures prices using artificial intelligence that utilizes topic probability data obtained from past news articles using topic modeling. Topic probability distribution data for each news article were obtained using the Latent Dirichlet Allocation (LDA) method that can extract the topic of a document from past news articles via unsupervised learning. Further, the topic probability distribution data were used as the input for a Long Short-Term Memory (LSTM) network, a derivative of Recurrent Neural Networks (RNN) in artificial intelligence, in order to predict prospective futures prices. The method proposed in this study was able to predict the trend of futures prices. Later, this method will also be able to predict the trend of prices for derivative products like options. However, because statistical errors occurred for certain data; further research is required to improve accuracy.

• The Korean Journal of Financial Management
• /
• v.9 no.2
• /
• pp.149-168
• /
• 1992

본 연구의 목적은 우리나라에서 발행가격 결정을 발행회사와 주간사회사에게 완전 자율화 하였음에도 불구하고 우리나라의 최초공모주(最初公募株)는 왜 이처럼 과도하게 저가발행(低價發行)되고 있는가에 대하여 원인을 규명하고 그에 따른 해결책을 제시하고자 함에 있다. 발행가격결정 자율화 기간동안의 자료를 이용하여 실증적 분석을 한 결과, 우리나라의 저평가는 미국보다 통계적으로 유의하게 큰 것으로 확인되었다. 이러한 이유를 규명하기 위하여 이론적 모형을 제시하고, 우리나라와 미국을 중심으로한 다른 국가들의 발행가격 결정과정에 대한 제도적인 차이점을 검토하였다. 이론적 모형에서는 발행기업과 주간사회사가 수요의 크기를 예측하여 수요의 불확실성 정도가 낮으면 저평가의 크기가 적어진다는 것을 보였다. 제도적인 차이점들을 검토해 본 결과, 우리나라의 발행가격결정이 일반투자자들의 수요를 전혀 고려하지 않는 공급자의 사전가격결정방식을 택하고 있음에 반해, 미국에서는 발행가격대를 표기한 예비사업설명서와 로드쇼우(Road Show) 둥을 통해 투자자들의 수요예측을 하고 있으며 일본이나 프랑스는 발행주식의 일부를 경쟁 입찰에 부침으로써 투자자들이 발행가격결정에 참여하여 발행가격결정의 합리성을 유지하고 있다. 따라서, 우리나라의 저평가의 크기가 다른 국가들에 비하여 큰 이유는 우리나라의 공모주 발행가격 결정과정에서 투자자의 수요를 전혀 고려하지 않기 때문일 수 있으며, 이러한 저평가의 크기를 줄이기 위해서는 어떠한 형태로든지 발행가격 결정과정에 실수요자인 일반투자자가 참여하는 방식이 채택되어야 한다.