• Proceedings of the Korean Information Science Society Conference
• /
• 1999.10a
• /
• pp.337-339
• /
• 1999

최근 시계열 데이터에서 유사한 패턴을 탐색하는 기법이 다양한 응용분야에서 중요한 연구 주제로 자리잡고 있다. 본 논문에서는 시계열의 트랜드를 정의하고 유사한 트랜드를 가지 시계열을 찾음으로써 유사성의 개념을 좀 더 확장, 발전시켰다. 즉, 시계열에서의 트렌드를 두 개의 이동 평균 선의 관계를 통해 정의함으로써 두 시계열 간의 거리만으로 유사도를 측정했던 기존 연구와는 달리 좀 더 패턴을 가진 수열들을 찾고 이것을 기존의 DFT방법을 이용하여 대용량의 시계열 데이터베이스에서 사용자가 정의한 임계치 이하로 차이가 나는 시계열에 대해 유사 시계열로서 최종적으로 검색하게 된다.

• The Korean Journal of Financial Studies
• /
• v.9 no.1
• /
• pp.95-118
• /
• 2003

한 시계열의 자기상관계수의 절대값을 시차를 무한대로 접근시켜 가면서 각 시차에 대하여 구하고 이 절대값을 모두 더한 값이 무한일 때 이 시계열은 장기기억을 가진다. 이로 인하여 장기기억 모수를 추정하는데에는 자기상관을 기본으로 한다. 표본의 자기상관과 이론적 자기상관 사이의 거리를 최소하여 추정통계량을 유도하고 있는 것이 일반적이다. 이 경우에는 정상적 과정에 한하여 적용이 가능하다. 시계열은 어느 시계열이던지 간에 이 시계열에 적합한 모형이 존재할 것이고 이 모형을 시계열에 적용하면 잔차 시계열을 얻을 수 있다. 원래 시계열의 이론적 상관 대신 원래 시계열의 잔차 시계열의 자기상관과 표본의 자기상관 사이의 거리를 최소하여 추정통계량을 얻으면 통계량의 계산이 편하고 이 추정량은 정상적 시계열과 비정상적 시계열에 다같이 적용할 수 있다. 본 논문에서는 잔차의 자기상관을 이용하여 자기회귀 분수적분 이동평균 과정의 모수 추정량을 도출한다. 그리고 이 추정 통계량에 입각하여 주가의 형성과정을 살펴보고 장기기억이 옵션가격과 포트폴리오 구성에 미치는 영향을 밝힌다.

• The Korean Journal of Financial Management
• /
• v.19 no.2
• /
• pp.159-185
• /
• 2002

한 시계열이 비정상적과정에 의해 생성될 때 이 시계열의 정상성을 확보하기 위하여 시계열의 차분을 수행한다. 이 시계열에 I(1)을 적용하여도 정상적과정이 되지 못하는 경우가 존재하고 있다. 그러면 이 시계열은 과도한 차분과정을 거치게 된다. 따라서 차분모수 d는 0

• The Korean Journal of Applied Statistics
• /
• v.36 no.5
• /
• pp.457-471
• /
• 2023

The monthly series is an aggregation of daily values. In the absence of observable daily data, calendar effects such as trading day and holidays are estimated using a RegARIMA model. However, if the daily series were observable, these calendar effects could be estimated directly from the daily series, potentially improving the seasonal adjustment of the monthly time series. In this paper, we propose a method to improve the seasonal adjustment of monthly time series by using calendar variation estimation based on daily time series. We apply this seasonal adjustment method to three monthly time series and compare our results with those obtained using X-13ARIMA-SEATS.

• The Journal of the Korea Contents Association
• /
• v.10 no.9
• /
• pp.97-106
• /
• 2010

Various time series representation methods have been suggested in order to process time series data efficiently and effectively. SAX is the representative time series representation method combining segmentation and discretization techniques, which has been successfully applied to the time series classification task. But SAX requires a large number of segments in order to represent the meaningful dynamic patterns of time series accurately, since it loss the dynamic property of time series in the course of smoothing the movement of time series. Therefore, this paper suggests a new time series representation method that combines PIPs detection and Persist discretization techniques. The suggested method represents the dynamic movement of high-diemensional time series in a lower dimensional space by detecting PIPs indicating the important inflection points of time series. And it determines the optimal discretizaton ranges by applying self-transition and marginal probabilities distributions to KL divergence measure. It minimizes the information loss in process of the dimensionality reduction. The suggested method enhances the performance of time series classification task by minimizing the information loss in the course of dimensionality reduction.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.3-3
• /
• 2023

수자원위성은 C-band 영상레이더(synthetic aperture radar, SAR)를 탑재한 중형급의 수자원 관리 및 수재해 감시 전용 위성이다. 수자원위성은 물 환경과 관련된 다양한 분야에 활용되어 고부가가치의 정보를 제공할 것으로 예상되는데, 특히 시계열 레이더 간섭기법(SAR interferometry, InSAR)의 적용을 통해 댐·보와 같은 수자원시설물의 미세변위 탐지 및 안정성 평가에 효과적으로 사용될 것으로 기대된다. 시계열 영상레이더 간섭기법은 고정산란체를 이용하는 Persistent Scatterer InSAR(PSInSAR) 기법과 분산산란체 기반의 Small BAseline Subset(SBAS) InSAR 기법으로 대표된다. 이 연구에서는 수자원위성에 적합한 수리시설물 시계열 변위 모니터링 알고리즘 개발을 목적으로, Sentinel-1 위성의 C-band SAR 기반 시계열 레이더 간섭기법의 적용성을 평가하고 알고리즘 개발에 고려해야 할 사항들을 분석하였다. 2020년 여름 수재해가 발생한 섬진강댐과 담양댐 및 수변부를 테스트 사이트로 선정하고, 2019년부터 2021년까지의 Sentinel-1 시계열 SAR 영상에 PSInSAR와 SBAS InSAR를 적용하여 시계열 변위를 관측하였다. 댐체에서는 PSInSAR가 SBAS InSAR에 비해 신뢰할 수 있는 시계열 변위를 산출하였다. 그러나 시계열 분석 기간이 길어짐에 따라 PSInSAR 시계열 변위의 정밀도가 낮아지는 경향이 관측되었다. 수변부에서 PSInSAR는 변위 정보를 거의 제공하지 못했다. SBAS InSAR는 수변부의 시계열 변위 모니터링에 효과적이었으나, 여름철 장마 등으로 인해 레이더 간섭도의 긴밀도(coherence)가 낮아질 경우 부정확한 변위를 산출하였다. 앞으로 국내의 다양한 수자원시설물을 대상으로 Sentinel-1 위성을 이용한 시계열 변위 모니터링 알고리즘의 적용성 평가 연구가 진행될 예정이며, 연구 결과를 수자원위성의 관측 특성에 적합한 변위 탐지 알고리즘의 개발에 활용하고자 한다.

• Journal of Internet Computing and Services
• /
• v.25 no.2
• /
• pp.39-47
• /
• 2024

Time series analysis is widely employed by many organizations to solve business problems, as it extracts various information and insights from chronologically ordered data. Among its applications, measuring time series similarity is a step to identify time series with similar patterns, which is very important in time series analysis applications such as time series search and clustering. In this study, we propose an efficient method for measuring time series similarity that focuses on anomalies rather than the entire series. In this regard, we validate the proposed method by measuring and analyzing the rank correlation between the similarity measure for the set of subsets extracted by anomaly detection and the similarity measure for the whole time series. Experimental results, especially with stock time series data and an anomaly proportion of 10%, demonstrate a Spearman's rank correlation coefficient of up to 0.9. In conclusion, the proposed method can significantly reduce computation cost of measuring time series similarity, while providing reliable time series search and clustering results.

• The Korean Journal of Financial Studies
• /
• v.11 no.1
• /
• pp.1-36
• /
• 2005

한 시계열의 원래 관찰치가 본래 가지고 있는 정보를 하나도 잃지 않고 또한 손상시키지 않고 그대로 보존되며 계산이 용이하고, 뿐만 아니라 가능도함수나 비모수 추정함수를 계산함에 있어 수치적 불안정 잠재성이 존재하지 않도록 변환된 시계열을 얻을 수 있으면, 다시 말해 각종 통계량의 계산에 용이하게 적용 가능하되 원래 시계열이 보유하고 있는 모든 성질들은 추호도 손상시킴이 없이 이 시계열을 변환시킬 수 있는 변환방법이 존재한다면, 모수의 추정치와 검정통계량을 정확히 얻을 수 있을 것이다. 이와 같은 변환방법이 웨이브렛 변환이다. 이 변환은 푸리에 분석의 결점을 극복하되 후리에 변환이 적용되는 분야에는 거의 모두 적용 가능한 변환방법이다. 이 논문에서는 시계열의 웨이브렛 변환을 소개하고 이 변환이 재무시계열의 모형화에 한몫을 단단히 할 수 있다는 점을 밝히고자 한다. 그리고 웨이브렛 변환을 성공적으로 적용할 수 있는 주가과정을 하나의 예로 제시하여 웨이브렛 변환의 구체적 적용방법을 탐구하고자 한다. 웨이브렛의 주가 시계열의 적용방법의 한 예로 주가의 장기기억과정을 분석한다. 한국과 외국의 일별 주가지수의 수익률 시계열들이 장기기억과정을 따르는 시계열임이 발견되었다. 여러 형태의 웨이브들을 사용하여 검정하였는데 이 모두가 한결같이 주가지수가 장기기억성과정임을 지지하고 있다.

• The Korean Journal of Financial Management
• /
• v.11 no.1
• /
• pp.1-29
• /
• 1994

재무관리의 모든 영역을 완벽하게 이해하기 위하여는 기업재무관리와 투자론을 비롯하여 금융산업 전체에 대한 연역적 방법에 의한 이론의 정립과 실증분석을 통한 이론의 정립이 관건이라 할 수 있다. 이 논문에서는 실증 분석을 수행함에 있어 우리나라에서 활발하게 논의가 진행되지 않는 시계열분석의 영역을 살펴보았다. 그것은 이와 같은 분야를 천착해 봄으로써 이 분야가 재무관리에 대한 통찰력과 현실 적합성의 판단력을 배양하는데 큰 공헌을 할 수 있으리라는 믿음 때문이다. 이 논의를 통하여 시계열 분석에 대한 활발한 연구가 진행되기를 기대하고 있다. 시계열 확률과정에 대한 재무관리이론을 연역적으로 도출하기는 용이하지 않다. 시계열 분석에서 제시되는 여러 방법론을 재무관리의 시계열에 적용하여 그 시계열의 성질과 특성을 파악하면 그것이 그대로 현실에 적용될 수 있을 것이다. 이러한 연구의 결과는 어떤 형태로든 연역적 방법에 의한 이론의 정립에 깊은 영향을 미칠 것이다. 뿐만 아니라 연속시간의 틀과 이시적(異時的) 양태하(樣態下)에서 많은 재무관리 모형들이 개발되고 있으며, 동태적 상황을 해명하는 의도에서 이 모형들이 연구되고 있는 만큼 시계열 분석은 이 분야에 직접적으로 이용될 수 있다. 시계열 분석에서 제시된 많은 모형들이 재무관리의 실증적 현상을 설명하는데 효과적으로 활용될 수 있다. 뿐만 아니라 현재 연역적으로 개발된 모형들이 설명할 수 없는 부분을 시계열 분석이 직접적으로 해명할 수 있는 능력을 확보하고 있음도 제시되었다. 증권의 현가모형(現價模型), 이자율의 기간구조, 효율적 시장가설도 주가의 변동성 등은 시계열 분석의 다양한 기법을 사용하여 검증되어야 하며, 이 경우 특히 분산의 추정방법을 여러 측면에서 개발해 야 할 것이다. 시계열 분석에서는 두개 또는 그 이상의 기법을 하나로 통합하는 방법이 있을 수 있다. ARIMA와 ARCH가 결합되는 것을 본 바 있다. 구조적(構造的) 변화(變化)(structural change)모형(模型)과 ARCH의 결합도 가능하다. 다른 분야로서는 변동성(變動性)에 관한 연구이다. 변동성(變動性)에 관한 연구는 variance bounds test에 한정된 감이 있으나 정보와 변동성의 관계가 중요시되고 있는 만큼 정보집합과 시계열 분석 기법의 결합은 변동성의 연구에 새로운 지평을 열어줄 것으로 보인다. 따라서 정보집합의 형성에 따라 새로운 추정방법이 개발될 여지가 풍부하다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2000.10a
• /
• pp.110-112
• /
• 2000

최근 몇 년간 시계열 데이터의 저장 및 분석에 대한 연구가 활발히 진행되고 있으며, 시계열 데이터베이스에서 유사패턴(similarity pattern)을 탐색하는 기법이 광범위한 응용분야에서 중요한 연구주제로 자리잡고 있다. 본 논문에서는 회귀분석방법을 바탕으로 한 분해 시계열 방법을 이용함으로써 기존의 유사성의 개념을 확장시켰다. 즉, 시계열 데이터가 가지고 있는 패턴을 여러 성분으로 분해하여 각기 다른 저장 공간에 저장하고, 이를 이용하여 유사성을 탐색할 때에도 분리된 각 성분 중 특정 변동특성이 유사한 데이터를 추가적으로 요구되는 시간없이 검색할 수 있다. 이는 전체 시계열 데이터를 이해하는데 뿐만 아니라 데이터를 예측하는 방법에도 유용하게 사용될 수 있다.