• 동물자원연구
• /
• 제28권3호
• /
• pp.97-107
• /
• 2017

본 연구는 대사에너지 수준을 달리한 사료에서 복합 효소제의 첨가가 육계의 사양성적, 영양소 소화율, 혈액성상, 장 내 미생물 및 소장 융모에 미치는 영향을 알아보기 위하여 실시하였다. 사양시험을 위하여 육계(Ross 308, 1일령) 480수를 공시하여 4처리 8반복, 반복당 15수를 완전임의 배치하였다. 시험기간은 전기 3주(0~21일)와 후기 2주(21~35일)로 나누어 5주간 실시하였다. 처리내용은 사료 내 대사에너지 2수준과 복합효소제(amylase + protease + mannanase + xylanase + phytase) 첨가유무에 따른 $2{\times}2$요인법에 따랐으며, 고에너지(전기 3,060kcal/kg; 후기 3,150kcal/kg) 사료에 복합효소제 무첨가와 첨가(0.05%), 저에너지(전기 3,010kcal/kg; 후기 3,100kcal/kg) 사료에 복합효소제 무첨가와 첨가(0.05%)로 구성하였다. 사양시험 전기간, 증체량과 사료요구율이 복합효소제 첨가구가 무첨가구에 비해 유의적으로 개선되었으나 사료 내 대사에너지 수준간에는 차이가 없었다. 건물, 에너지, 조단백질, 칼슘 및 인에 대한 분 및 회장소화율은 복합효소제 첨가 시 유의적으로 개선되었다. 맹장 및 회장 내 미생물에서는 복합효소제 첨가 시 Lactobacillus spp.는 증가하고 Clostridium spp.이나 Coliform bacteria는 감소하였다. 융모길이와 융모길이와 융와깊이의 비율이 효소제 첨가로 인해 개선되었다. 본 연구의 결과로 미루어 볼 때, 육계사료 내 복합효소제의 첨가는 에너지 수준에 관계없이 육계의 생산성에 도움이 되는 것으로 판단되며 효소제 첨가로 인해 에너지 절약효과를 얻을 수 있을 것으로 판단된다.

• 한국산학기술학회논문지
• /
• 제19권12호
• /
• pp.740-748
• /
• 2018

본 연구는 육계사료 내 금속단백질분해효소와 xylanase를 포함하는 복합 효소제 첨가 급여가 육계 생산성, 도체특성 및 계육 저장성에 미치는 영향을 조사하기 위하여 실시하였다. 실험 디자인은 2 (기초사료, 저영양사료) ${\times}$ 3 (0, 0.5, 1 g/kg 효소첨가) 요인 배치로 설계하였다. 실험동물은 ross broilers 수컷 360수를 공시하여 다음의 6개의 시험 그룹에 완전임의 배치하였다. BD-T0(기초사료+복합효소제 0 g/kg), BD-T1(기초사료+복합효소제 0.5 g/kg), BD-T2(기초사료+복합효소제 1 g/kg), LD-T0(저영양사료+복합효소제 0 g/kg), LD-T1(저영양사료+복합효소제 0.5 g/kg), LD-T2(저영양사료+복합효소제 1 g/kg). 사료와 물은 42일 동안 자유채식을 실시하였으며, 사료섭취량과 체중은 1주 간격으로 측정하였다. 사양시험 종료 후에 방혈로 도살하고 분석에 필요한 시료를 채취하였다. 사료 섭취량은 효소첨가 그룹이 효소 비첨가 그룹에 비해서 유의하게 감소하였으며, 체중과 일당증체량은 효소첨가 그룹이 효소 비첨가 그룹에 비하여 유의하게 증가하였다. 따라서 사료요구율은 복합효소 첨가에 의해 유의하게 개선되었다(p<0.05). 복합효소첨가 급여에 의하여 도체율과 생산지수 또한 유의하게 개선되었다(p<0.05). TBARS는 계육 저장 6일차에 효소첨가 그룹이 효소 비첨가 그룹보다 낮은 값을 나타내었다(p<0.05). 본 연구의 결과를 종합해보면, 사료 내 복합효소제의 첨가 급여는 생산성과 도체성적 그리고 저장성을 유의하게 개선시켰다.

• 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.