• 대순사상논총
• /
• 제43집
• /
• pp.139-177
• /
• 2022

윤진(尹珍)이 1948년에 세운 대화신도(大化神道)에 대해 알 수 있는 유일한 자료는 오열균이 편찬한 『목운대경(木運大經)』(1976)이다. 『목운대경』에는 「운회동방가(運回東方歌)」, 「궁을가(弓乙歌)」, 「도덕사(道德詞)」, 「팔괘구궁변역가(八卦九宮變易歌)」, 「낙당가(樂堂歌)」 등 5편의 가사가 실려 있다. 대화신도가사는 삼풍가(三豊歌), 양백세계(兩白世界), 궁을가(弓乙歌), 궁궁을을(弓弓乙乙), 양궁(兩弓), 을을(乙乙), 궁을선인(弓乙仙人), 삼인일석(三人一夕), 이재전전(利在田田), 궁을지리(弓乙之理), 냉금부금(冷金浮金), 석정곤(石井昆), 양백(兩白), 삼풍(三豊), 소두무족(小頭無足) 등 그 정확한 의미가 여전히 신비의 영역에 있는 한국 전래의 비결신앙에 자주 등장하는 용어가 많이 보인다. 또 대화신도가사는 동방의 목운(木運)이 다시 돌아왔음을 노래한 가사이며, 하도(河圖)에 근거하여 3, 8 목(木)의 운수를 강조한 가사이다. 대화신도에는 도교적 영향이 많이 확인되고, 산신(山神) 기도에 주력했던 민간신앙적인 요소도 자주 보인다. 그리고 유교의 영향도 일부 확인된다. 대화신도가사는 창시자 목운 자신이 동학의 창시자인 수운을 계승한 인물로 자처하며, 봄으로 상징되고 표현되는 후천(後天)이라는 이상사회가 대화신도에 의해 전개될 것을 노래하고 있다. 대화신도가사는 이미 기독교가 한국 사회에 적극적으로 수용되던 시대적 상황을 반영하고 있어서 예수에 대한 언급이 종교를 서술하는 대목에서 빠지지 않고 확인된다. 대화신도가사는 낙당세계(樂堂世界)라는 독창적인 용어로 동방의 목운(木運)이 돌아옴으로써 우리나라를 중심으로 새 세상이 이루어지리라고 읊었다. 봄을 상징하는 목운을 강조하고, 수운(水雲)의 뒤를 이어 수생목(水生木)이라는 동양의 역학(易學) 원리에 따라 대화신도가 출현하였다고 주장하였다.

• 한국과학교육학회지
• /
• 제29권8호
• /
• pp.990-1010
• /
• 2009

이 연구에서는 뇌기반 진화적 교육 원리를 도출하기 위하여, 인간 뇌의 구조적 기능적 특징, 개체간과 개체내에서 일어나는 생물학적 진화, 뇌내에서 일어나는 진화적 과정, 과학 자체와 개별 과학자의 과학적 활동에 내재된 진화적 속성에 관한 연구물을 리뷰하였다. 이렇게 하여 도출된 인간 뇌의 주요 특징과 생성-선택-파지를 핵심 요소로 하는 보편 다윈주의 혹은 보편 선택주의를 토대로, 뇌기반 진화적 과학 교수 학습 모형을 개발하였다. 이 모형은 세 가지 요소와 세 가지 단계 및 평가로 이루어진다. 세 가지 요소는 정의적, 행동적, 인지적 요소이고, 각 요소를 구성하는 세 단계는 다양화 $\rightarrow$ 비교 선택 $\rightarrow$ 확장 적용(ABC-DEF; Affective, Behavioral, Cognitive components - Diversifying$\rightarrow$Emulating, Estimating, Evaluating $\rightarrow$ Furthering steps)이다. 이 모형에서 정의적 요소 (A)는 인간 뇌에서 감성을 관장하는 대뇌변연계에 토대를 두고 자연 사물과 현상에 대한 학습자의 흥미 호기심과 관련된다. 행동적 요소(B)는 시각 정보를 처리하는 후두엽, 언어 정보의 이해.생성과 관련된 측두엽, 감각운동 정보를 처리하는 감각운동령을 수반하고 과학적 활동의 직접 해보기와 관련된다. 인지적 요소(C)는 사고, 계획, 판단, 문제해결과 관련된 전두엽합령에 토대를 둔다. 이 모형은 이러한 측면에서 '뇌기반(brain-based)'이다. 이 모형의 세 가지 각 요소를 구성하는 세 단계에서, 다양화 단계(D)는 각 요소에서 다양한 변이체를 생성하는 과정이고, 가치나 유용성에 비추어 비교.선택하는 단계(E)는 변이체들 중 유용하거나 가치 있는 것을 검증하여 선택하는 과정이며, 확장.적용 단계(F)는 선택된 것을 유사한 상황으로 확장하거나 적용하는 단계이다. 이 모형은 이러한 측면에서 '진화적(evolutionary)'이다. ABC 세 요소에 대해, 과학적 활동에서 감성적 요인이 출발점으로 갖는 중요성과 뇌에서 사고 기능과 관련되는 신피질에 비해 감성을 관장하는 대뇌변연계의 우세한 역할을 반영하여 DARWIN (Driving Affective Realm for Whole Intellectual Network) 접근법을 강조한다. 이 모형은 학교 현장에서 다루는 과학 주제와 학생의 특징에 따라 다양한 형태와 수준으로 융통성 있게 실행될 수 있다.

• 지능정보연구
• /
• 제23권2호
• /
• pp.107-122
• /
• 2017

주식시장의 주가 수익률에 나타나는 변동성은 투자 위험의 척도로서 재무관리의 이론적 모형에서뿐만 아니라 포트폴리오 최적화, 증권의 가격 평가 및 위험관리 등 투자 실무 영역에서도 매우 중요한 역할을 하고 있다. 변동성은 주가 수익률이 평균을 중심으로 얼마나 큰 폭의 움직임을 보이는가를 판단하는 지표로서 보통 수익률의 표준편차로 측정한다. 관찰 가능한 표준편차는 과거의 주가 움직임에서 측정되는 역사적 변동성(historical volatility)이다. 역사적 변동성이 미래의 주가 수익률의 변동성을 예측하려면 변동성이 시간 불변적(time-invariant)이어야 한다. 그러나 대부분의 변동성 연구들은 변동성이 시간 가변적(time-variant)임을 보여주고 있다. 이에 따라 시간 가변적 변동성을 예측하기 위한 여러 계량 모형들이 제안되었다. Engle(1982)은 변동성의 시간 가변적 특성을 잘 반영하는 변동성 모형인 Autoregressive Conditional Heteroscedasticity(ARCH)를 제안하였으며, Bollerslev(1986) 등은 일반화된 ARCH(GARCH) 모형으로 발전시켰다. GARCH 모형의 실증 분석 연구들은 실제 증권 수익률에 나타나는 두터운 꼬리 분포 특성과 변동성의 군집현상(clustering)을 잘 설명하고 있다. 일반적으로 GARCH 모형의 모수는 가우스분포로부터 추출된 자료에서 최적의 성과를 보이는 로그우도함수에 대한 최우도추정법에 의하여 추정되고 있다. 그러나 1987년 소위 블랙먼데이 이후 주식 시장은 점점 더 복잡해지고 시장 변수들이 많은 잡음(noise)을 띠게 됨에 따라 변수의 분포에 대한 엄격한 가정을 요구하는 최우도추정법의 대안으로 인공지능모형에 대한 관심이 커지고 있다. 본 연구에서는 주식 시장의 주가 수익률에 나타나는 변동성의 예측 모형인 GARCH 모형의 모수추정방법으로 지능형 시스템인 Support Vector Regression 방법을 제안한다. SVR은 Vapnik에 의해 제안된 Support Vector Machines와 같은 원리를 회귀분석으로 확장한 모형으로서 Vapnik의 e-insensitive loss function을 이용하여 비선형 회귀식의 추정이 가능해졌다. SVM을 이용한 회귀식 SVR은 두터운 꼬리 분포를 보이는 주식시장의 변동성과 같은 관찰치에서도 우수한 추정 성능을 보인다. 2차 손실함수를 사용하는 기존의 최소자승법은 부최적해로서 추정 오차가 확대될 수 있다. Vapnik의 손실함수에서는 입실론 범위내의 예측 오차는 무시하고 큰 예측 오차만 손실로 처리하기 때문에 구조적 위험의 최소화를 추구하게 된다. 금융 시계열 자료를 분석한 많은 연구들은 SVR의 우수성을 보여주고 있다. 본 연구에서는 주가 변동성의 분석 대상으로서 KOSPI 200 주가지수를 사용한다. KOSPI 200 주가지수는 한국거래소에 상장된 우량주 중 거래가 활발하고 업종을 대표하는 200 종목으로 구성된 업종 대표주들의 포트폴리오이다. 분석 기간은 2010년부터 2015년까지의 6년 동안이며, 거래일의 일별 주가지수 종가 자료를 사용하였고 수익률 계산은 주가지수의 로그 차분값으로 정의하였다. KOSPI 200 주가지수의 일별 수익률 자료의 실증분석을 통해 기존의 Maximum Likelihood Estimation 방법과 본 논문이 제안하는 지능형 변동성 예측 모형의 예측성과를 비교하였다. 주가지수 수익률의 일별 자료 중 학습구간에서 대칭 GARCH 모형과 E-GARCH, GJR-GARCH와 같은 비대칭 GARCH 모형에 대하여 모수를 추정하고, 검증 구간 데이터에서 변동성 예측의 성과를 비교하였다. 전체 분석기간 1,487일 중 학습 기간은 1,187일, 검증 기간은 300일 이다. MLE 추정 방법의 실증분석 결과는 기존의 많은 연구들과 비슷한 결과를 보여주고 있다. 잔차의 분포는 정규분포보다는 Student t분포의 경우 더 우수한 모형 추정 성과를 보여주고 있어, 주가 수익률의 비정규성이 잘 반영되고 있다고 할 수 있다. MSE 기준으로, SVR 추정의 변동성 예측에서는 polynomial 커널함수를 제외하고 linear, radial 커널함수에서 MLE 보다 우수한 예측 성과를 보여주었다. DA 지표에서는 radial 커널함수를 사용한 SVR 기반의 지능형 GARCH 모형이 가장 우수한 변동성의 변화 방향에 대한 방향성 예측력을 보여주었다. 추정된 지능형 변동성 모형을 이용하여 예측된 주식 시장의 변동성 정보가 경제적 의미를 갖는지를 검토하기 위하여 지능형 변동성 거래 전략을 도출하였다. 지능형 변동성 거래 전략 IVTS의 진입규칙은 내일의 변동성이 증가할 것으로 예측되면 변동성을 매수하고 반대로 변동성의 감소가 예상되면 변동성을 매도하는 전략이다. 만약 변동성의 변화 방향이 전일과 동일하다면 기존의 변동성 매수/매도 포지션을 유지한다. 전체적으로 SVR 기반의 GARCH 모형의 투자 성과가 MLE 기반의 GARCH 모형의 투자 성과보다 높게 나타나고 있다. E-GARCH, GJR-GARCH 모형의 경우는 MLE 기반의 GARCH 모형을 이용한 IVTS 전략은 손실이 나지만 SVR 기반의 GARCH 모형을 이용한 IVTS 전략은 수익으로 나타나고 있다. SVR 커널함수에서는 선형 커널함수가 더 좋은 투자 성과를 보여주고 있다. 선형 커널함수의 경우 투자 수익률이 +526.4%를 기록하고 있다. SVR 기반의 GARCH 모형을 이용하는 IVTS 전략의 경우 승률도 51.88%부터 59.7% 사이로 높게 나타나고 있다. 옵션을 이용하는 변동성 매도전략은 방향성 거래전략과 달리 하락할 것으로 예측된 변동성의 예측 방향이 틀려 변동성이 소폭 상승하거나 변동성이 하락하지 않고 제자리에 있더라도 옵션의 시간가치 요인 때문에 전체적으로 수익이 실현될 수도 있다. 정확한 변동성의 예측은 자산의 가격 결정뿐만 아니라 실제 투자에서도 높은 수익률을 얻을 수 있기 때문에 다양한 형태의 인공신경망을 활용하여 더 나은 예측성과를 보이는 변동성 예측 모형을 개발한다면 주식시장의 투자자들에게 좋은 투자 정보를 제공하게 될 것이다.