• 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 Korea Database Society Conference
• /
• 1999.06a
• /
• pp.271-280
• /
• 1999

인공신경망을 시계열예측에 적용하는 경우에 고려되어야 할 문제중, 특히 모형에 적합한 입력변수의 생성이 중요시되고 있는데, 이러한 분야는 인공신경망의 모형생성과정에서 입력변수에 대한 전처리기법으로써 다양하게 제시되어 왔다. 가장 최근의 입력변수 전처리기법으로써 제시되고 있는 신호처리기법은 전통적 주기분할처리방법인 푸리에변환기법(Fourier transforms)을 비롯하여 이를 확장시킨 개념인 웨이블릿변환기법(wavelet transforms) 등으로 대별될 수 있다. 이는 기본적으로 시계열이 다수의 주기(cycle)들로 구성된 상이한 시계열들의 집합이라는 가정에서 출발하고 있다. 전통적으로 이러한 시계열은 전기 또는 전자공학에서 주파수영역분할, 즉 고주파 및 저주파수를 분할하기 위한 기법에 적용되어 왔다. 그러나, 최근에는 이러한 연구가 다양한 분야에 활발하게 응용되기 시작하였으며, 그 중의 대표적인 예가 바로 경영분야의 재무시계열에 대한 분석이다 전통적으로 재무시계열은 장, 단기의사결정을 가진 시장참여자들간의 거래특성이 시계열에 각기 달리 가격으로 반영되기 때문에 이러한 상이한 집단들의 고유한 거래움직임으로 말미암아 예를 들어, 주식시장이 프랙탈구조를 가지고 있다고 보기도 한다. 이처럼 재무시계열은 다양한 사회현상의 집합체라고 볼 수 있으며, 그만큼 예측모형을 구축하는데 어려움이 따른다. 본 연구는 이러한 시계열의 주기적 특성에 기반을 둔 신호처리분석으로서 기존의 시계열로부터 노이즈를 줄여 주면서 보다 의미 있는 정보로 변환시켜 줄 수 있는 웨이블릿분석 방법론을 새로운 필터링기법으로 사용하여 현재 많은 연구가 진행되고 있는 인공신경망과의 모형결합을 통해 기존연구와는 다른 새로운 통합예측방법론을 제시하고자 한다. 본 연구에서 제시하는 통합방법론은 크게 2단계 과정을 거쳐 예측모형으로 완성이 된다. 즉, 1차 모형단계에서 원시 재무시계열은 먼저 웨이블릿분석을 통해서 노이즈가 필터링 되는 동시에, 과거 재무시계열의 프랙탈 구조, 즉 비선형적인 움직임을 보다 잘 반영시켜 주는 다차원 주기요소를 가지는 시계열로 분해, 생성되며, 이렇게 주기에 따라 장단기로 분할된 시계열들은 2차 모형단계에서 신경망의 새로운 입력변수로서 사용되어 최종적인 인공 신경망모델을 구축하는 데 반영된다.

• 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.

• 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.

• Proceedings of the Korea Inteligent Information System Society Conference
• /
• 1999.03a
• /
• pp.271-280
• /
• 1999

인공신경망을 시계열예측에 적용하는 경우에 고려되어야 할 문제중, 특히 모형에 적합한 입력변수의 생성이 중요시되고 있는데, 이러한 분야는 인공신경망의 모형생성과정에서 입력변수에 대한 전처리기법으로써 다양하게 제시되어 왔다. 가장 최근의 입력변수 전처리기법으로써 제시되고 있는 신호처리기법은 전통적 주기분할처리방법인 푸리에변환기법(Fourier transforms)을 비롯하여 이를 확장시킨 개념인 웨이블릿변환기법(wavelet transforms) 등으로 대별될 수 있다. 이는 기본적으로 시계열이 다수의 주기(cycle)들로 구성된 상이한 시계열들의 집합이라는 가정에서 출발하고 있다. 전통적으로 이러한 시계열은 전기 또는 전자공학에서 주파수영역분할, 즉 고주파 및 저주파수를 분할하기 위한 기법에 적용되어 왔다. 그러나, 최근에는 이러한 연구가 다양한 분야에 활발하게 응용되기 시작하였으며, 그 중의 대표적인 예가 바로 경영분야의 재무시계열에 대한 분석이다. 전통적으로 재무시계열은 장, 단기의사결정을 가진 시장참여자들간의 거래특성이 시계열에 각기 달리 가격으로 반영되기 때문에 이러한 상이한 집단들의 고요한 거래움직임으로 말미암아 예를 들어, 주식시장이 프랙탈구조를 가지고 있다고 보기도 한다. 이처럼 재무시계열은 다양한 사회현상의 집합체라고 볼 수 있으며, 그만큼 예측모형을 구축하는데 어려움이 따른다. 본 연구는 이러한 시계열의 주기적 특성에 기반을 둔 신호처리분석으로서 기존의 시계열로부터 노이즈를 줄여 주면서 보다 의미있는 정보로 변환시켜줄 수 있는 웨이블릿분석 방법론을 새로운 필터링기법으로 사용하여 현재 많은 연구가 진행되고 있는 인공신경망의 모형결합을 통해 기존연구과는 다른 새로운 통합예측방법론을 제시하고자 한다. 본 연구에서는 제시하는 통합방법론은 크게 2단계 과정을 거쳐 예측모형으로 완성이 된다. 즉, 1차 모형단계에서 원시 재무시계열은 먼저 웨이브릿분석을 통해서 노이즈가 필터링 되는 동시에, 과거 재무시계열의 프랙탈 구조, 즉 비선형적인 움직임을 보다 잘 반영시켜 주는 다차원 주기요소를 가지는 시계열로 분해, 생성되며, 이렇게 주기에 따라 장단기로 분할된 시계열들은 2차 모형단계에서 신경망의 새로운 입력변수로서 사용되어 최종적인 인공 신경망모델을 구축하는 데 반영된다. 기존의 주기분할방법론은 모형개발자입장에서 여러 가지 통계기준치중에서 최적의 기준치를 합리적으로 선택해야 하는 문제가 추가적으로 발생하며, 본 연구에서는 이상의 제반 문제들을 개선시키기 위해 통합방법론으로서 기존의 인공신경망모형을 구조적으로 확장시켰다. 이 모형에서 기존의 입력층 이전단계에 새로운 층이 정의된다. 이렇게 해서 생성된 새로운 통합모형은 기존모형에서 생성되는 기본적인 학습파라미터와 더불어, 본 연구에서 새롭게 제시된 주기분할층의 파라미터들이 모형의 학습성과를 높이기 위해 함께 고려된다. 한편, 이러한 학습과정에서 추가적으로 고려해야 할 파라미터 갯수가 증가함에 따라서, 본 모델의 학습성과가 local minimum에 빠지는 문제점이 발생될 수 있다. 즉, 웨이블릿분석과 인공신경망모형을 모두 전역적으로 최적화시켜야 하는 문제가 발생한다. 본 연구에서는 이 문제를 해결하기 위해서, 최근 local minimum의 가능성을 최소화하여 전역적인 학습성과를 높여 주는 인공지능기법으로서 유전자알고리즘기법을 본 연구이 통합모델에 반영하였다. 이에 대한 실증사례 분석결과는 일일 환율예측문제를 적용하였을 경우, 기존의 방법론보다 더 나운 예측성과를 타나내었다.

• The Journal of Information Systems
• /
• v.10 no.2
• /
• pp.151-164
• /
• 2001

현재의 항공사 기내식 수요예측 시스템으로는 항공기 운항의 지연이나 초과 주문으로 인한 손실 문제를 해결하기 힘든 것으로 알려져 있다. 이러한 문제를 해결하기 위해 본 연구에서는 항공기 기내식 시계열 자료만을 입력변수로 사용한 단순인공신경망모형(simple neural network model), 단순인공신경망모형에 전통적인 시계열 기법(본 연구에서는 지수 평활법)의 예측 결과를 입력변수로 추가한 혼합인공신경망모형(hybrid neural network model), 그리고 혼합인공신경 망 모형에 상관관계가 높은 다른 시계열 자료(본 논문에서는 유사 노선의 다른 항공기 기내식 시계열 자료)를 인공신경망의 입력변수로 추가시킨 하이퍼혼합인공신경망모형(hyper hybrid neural network model)을 새로운 항공기 기내식 수요예측 기법으로 제안하고, 이들 모형의 예측력을 비교 분석하였다. 분석 결과 하이퍼혼합인공신경망 모형의 예측력이 가장 우수한 것으로 나타나, 인공신경 망을 기반으로 한 수요예측에 있어 상관관계가 높은 다른 시계열 자료를 입력변수로 추가함으로써 인공신경망모형의 예측력을 개선시킬 수 있음을 알 수 있었다

• Proceedings of the Korea Information Processing Society Conference
• /
• 2018.10a
• /
• pp.585-588
• /
• 2018

시계열 데이터의 특징을 추출하여 분석하는 과정에서 시게열 데이터가 가지는 고차원성은 차원의 저주(Course of Dimensionality)로 인해 데이터내의 유효한 정보를 찾는데 어려움을 만든다. 이러한 문제를 해결하기 위해 차원 축소 기법(dimensionality reduction)이 널리 사용되고 있지만, 축소 과정에서 발생하는 정보의 희석으로 인하여 시계열 데이터에 대한 군집화(clustering)등을 수행하는데 있어서 성능의 변화를 가져온다. 본 논문은 이러한 현상을 관찰하기 위해 이산 웨이블릿 변환(Discrete Wavelet Transform:DWT)과 오토 인코더(AutoEncoder)를 차원 축소 기법으로 활용하여 시계열 데이터의 차원을 압축 한 뒤, 압축된 데이터를 K-평균(K-means) 알고리즘에 적용하여 군집화의 효율성을 비교하였다. 성능 비교 결과, DWT는 압축된 차원수 그리고 오토인코더는 시계열 데이터에 대한 충분한 학습이 각각 보장된다면 좋은 군집화 성능을 보이는 것을 확인하였다.

• Smart Media Journal
• /
• v.10 no.3
• /
• pp.23-30
• /
• 2021

Although the manufacturing time series data clustering technique is an important grouping solution in the field of detecting and improving manufacturing large data-based equipment and process defects, it has a disadvantage of low accuracy when applying the existing static data target clustering technique to time series data. In this paper, an evolutionary computation-based time series cluster analysis approach is presented to improve the coherence of existing clustering techniques. To this end, first, the image shape resulting from the manufacturing process is converted into one-dimensional time series data using linear scanning, and the optimal sub-clusters for hierarchical cluster analysis and split cluster analysis are derived based on the Pearson distance metric as the target of the transformation data. Finally, by using a genetic algorithm, an optimal cluster combination with minimal similarity is derived for the two cluster analysis results. And the performance superiority of the proposed clustering is verified by comparing the performance with the existing clustering technique for the actual manufacturing process image.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2004.05b
• /
• pp.1178-1182
• /
• 2004

시계열 자료의 분석과 예측은 수문학분야에서 매우 중요하면, 최근 들어 특정한 수문시계열에서 카오스 특성이 발견되고 있다. 카오스 특성을 갖는 수문시계열의 예측에 있어, 기존의 거의 모든 연구는 시스템의 특성을 파악한 뒤 예측을 실시하는 표준접근법이 채택되어왔다. 그러나 Phoon 등은 시스템의 특성분석에 앞서 예측을 실시하고, 상태공 매개변수가 시스템의 특성분석단계가 아닌 예측단계에서 평가되는 가역접근법을 제안하였다. 본 연구에서는 Phoon 등이 제안한 가역접근법과 기존에 널리 적용되어온 표준접근법을 실제 일유출량 자료에 적용함으로써, 가역접근법의 적용성을 검토하고 카오스 시계열의 특성을 파악하였다. 본 연구에서 사용한 비선형 예측 기법으로는 카오스이론이 적용된 부분근사화 기법을 이용하였다. 카오스 특성분석을 통해, Bear 강 일유출량 시계열 자료에서 카오스 특성이 나타남을 알 수 있었다. 표준접근법과 가역접근법을 이용하여 Bear 강의 일유출량 자료에 대하여 예측을 실시한 결과, 카오스 특성을 갖는 일유출량 시계열 자료의 단기 예측의 우수성을 알 수 있었으면, 가역접근법이 표준접근법에 비해 좋은 결과를 나타내었다. 특히, 가역접근법은 예측단계에서 예측시간(T)에 대하여 예측매개변수를 최적화시킴으로써 보다 정밀한 예측을 할 수 있었으며, 시스템에 대한 정보손실이 발생하였을 경우 예측에 대한 상태공간 매개변수를 다시 추정해야 하는 표준접근법에 비해 실제적 적용성이 매우 우수하였다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2022.06a
• /
• pp.93-96
• /
• 2022

IoT 기기의 보급 및 확산으로 많은 산업군에서 이를 바탕으로 시계열 데이터를 획득하고 분석하려는 시도가 확대되고 있다. 시간의 흐름에 따라 저장된 데이터들은 주기에 따라 특정 패턴을 갖는 경우가 많으며 이러한 패턴을 파악한다면 주요 산업군의 의사 결정에 도움이 된다. 그러나 IoT 기기의 수집 오류 및 네트워크 환경에 의해 대부분의 시계열 데이터들은 누락 데이터, 이상 데이터를 갖고 있으며 이를 처리하지 않고 분석할 경우 오히려 잘못된 결과를 초래한다. 본 논문에서는 패턴 파악을 위해 '시간, 일, 주, 월, 년' 등 시간의 주기를 기준으로 데이터를 분할하며 이에 기반하여 데이터셋을 재구성하고 활용 가능한 데이터와 불가능한 데이터로 구분한다. 선별된 데이터셋은 클러스터링에 적용하였으며, 제안하는 방법을 적용할 경우 주기를 갖는 시계열 데이터를 활용하는 분석 및 학습에서 더 나은 결과를 보임을 확인하였다.