• 자원환경지질
• /
• 제40권2호
• /
• pp.153-170
• /
• 2007

중력자료 및 자력자료를 이용하여 독도해산들의 지각평형 탄성판모델 및 VGP(Virtual Geomagnetic Pole)를 분석하여 해산들의 형성시기와 형성환경을 연구하였다. 후리에어중력이상은 독도와 이사부해산 최고치 사이에 약 50 mGal의 차이를 보이는데 이 두 화산체는 규모면에서 비슷하지만 후리에어중력이상에서 차이가 나는 것은 보상정도의 차이에 기인한다. 탄성판모델의 적용 결과는 해산 하부 지각의 강도(탄성두께)가 이사부해산에서 독도로 갈수록 강해짐(두꺼워짐)을 지시한다. 즉, 이사부해산이 생성될 당시의 해산 하부 지각의 연령이 가장 젊었고 독도가 생성될 때 하부 지각이 가장 오래 되었다는 것을 나타낸다. 자기이상은 독도해산들을 중심으로 복잡하게 나타난다. 고지자기 특성을 연구하기 위하여 자기 이상을 1500m 상향연속한 후 최소자승자화법 및 반놈자화법을 함께 이용하여 각 독도해산들의 VGP를 구하였다. 기존 독도암석의 연대측정, 탄성판 모델 및 VGP결과를 지자기 연대표와 비교하여 보면 울릉분지의 열개 종료 후에 이사부해산이 정자기극 시대에 가장 먼저 생성되었고 독도은 가장 후기에 생성되었으며 정자기극 시대에 첫 번째 대규모 분출이 있었고 그 후 역자기극 시대에 두 번째 대규모의 분출로 인하여 이루어졌을 것으로 생각된다. 심흥택 해산은 독도와 이사부해산의 생성시기 사이의 정자기극 시대에 형성되었을 것으로 사료된다. 이 해산들의 생성 시기는 동해 생성 후 압축응력이 작용하던 시기와 일치하며 이 압축력 시기의 화산활동에 의해 해산들이 생성되었을 가능성이 높은 것으로 판단된다.

• 한국결정학회지
• /
• 제6권2호
• /
• pp.125-133
• /
• 1995

부분적으로 Co2+ 이온으로 치환된 제올라이트 X (Co41Na10Al92Si100O384)를 탈수한 구조를 21℃에서 입방공간군 Fd3(α=24.544(1)Å)을 사용하여 단결정 X-선 회절법으로 해석하고 정밀화하였다. 이 결정은 Co(NO3)2와 Co(O2CCH3)2의 농도가 각각 0.025M 되도록 만든 혼합 용액을 이용하여 흐름법으로 이온 교환하여 만들었다. 이 결정은 380℃에서 2×10-6 Torr 하에서 2일간 진공 탈수하였다. Full-matrix 최소자승법 정밀화 계산에서 I > 3σ(I)인 211개의 독립반사를 사용하여 최종 오차 인자를 R1=0.059, R2=0.046까지 정밀화시켰다. 이 구조에서 Co2+ 이온과 Na+ 이온은 서로 다른 4개의 결정학적 자리에 위치하고 있었다. 41개의 Co2+ 이온은 점유율이 높은 서로 다른 두 개의 자리에 위치하고 있었다. 16개의 Co2+ 이온은 이중 6-산소 고리 (D6R)의 중심에 위치하였고 (자리 I; Co-O = 2.21(1)Å, O-Co-O = 90.0(4)°), 25개의 Co2+ 이온은 큰 동공에 있는 자리 II에 위치하고 세 개의 산소로 만들어지는 평면에서 큰 동공쪽으로 약 0.09Å 들어간 자리에 위치하고 있었다. (Co-O = 2.05(1)Å, O-Co-O = 119.8(7)°). 10개의 Na+ 이온은 2개의 서로 다른 자리에 위치하고 있다. 7개의 Na+ 이온은 큰 동공에 있는 자리 II 위치하였다. (Na-O = 2.29(1)Å, O-Na-O = 102(1)°). 3개의 Na+ 이온은 큰 동공에 있는 자리 III에 위치하고 있었다. (Na-O = 2.59(10)Å, O-Na-O = 69.0(3)°). 7개의 Na+ 이온은 가장 가까운 산소 평면에서 큰 동공 쪽으로 약 1.02Å 들어간 자리에 위치하고 있었다. Co2+ 이온은 자리 I과 자리 II에 우선적으로 위치하고, Na+ 이온은 그 나머지 자리인 자리 II와 자리 III에 위치한다.

• 한국해안·해양공학회논문집
• /
• 제31권3호
• /
• pp.115-128
• /
• 2019

본 논문에서는 공정별 해상작업 가능 기간의 합리적 산출이 가능한 확률모형이 제시된다. 확률모형을 유도하기 위해, 먼저 JMA(Japan Meterological Agency)와 NOAA(National Oceanic and Atmospheric Administration)의 해상풍 자료와 SWAN에 기초하여 2003년 1월 1일부터 2017년 12월 31일까지 한 시간 간격으로 울산 전면 해역에서의 유의 파고와 첨두 주기를 역추산 하였다. 이어 모의된 유의파고 시계열 자료로부터 최소 자승법을 활용하여 장기 유의파고 확률분포를 도출하였으며, 해석결과 그 동안 선호되던 삼 변량 Weibull 분포보다는 수정 Glukhovskiy 분포 계열에서 일치도가 가장 우월하였다. 보다 정확한 확률모형의 개발 가능성을 검토하기 위해 Borgman 선회적분을 활용하여 역 추산 단위 간격인 한 시간 내에서 출현하는 개별 파랑이 고려된 파고분포도 함께 유도하였다. 수정 Glukhovskiy 분포의 모수는 $A_p=15.92$, $H_p=4.374m$, ${\kappa}_p=1.824$로 드러났으며 해상작업 한계 파고가 $H_S=1.5m$인 경우 작업가능일 수는 319일로 모의되었다. 이와 더불어 확률모형의 검증자료를 얻기 위해 파고가 해상 준설작업 한계 파고로 기 보고된 바 있는 $H_S=1.5m$(Lee, 1991)를 상회하여 지속되는 시간을 유의파고 시계열 자료를 파별분석(wave by wave analysis)하여 산출하였다. 산출결과 2003년부터 2017년까지의 평균 지속기간은 45.5일로 확률모형으로부터 산출된 기간에 상당히 근접하였다.

• 대한화학회지
• /
• 제40권6호
• /
• pp.427-435
• /
• 1996

$Ca^{2+}$ 이온과 $Cs^+$ 이온으로 치환되고 완전히 탈수된 제올라이트 X, $Ca_{35}Cs_{22}Si_{100}Al_{92}O_{384}$($Ca_{35}Cs_{22}$-X; a=25.071(1) $\AA)와Ca_{29}Cs_{34}Si_{100}Al_{92}O_{384}$($Ca_{29}Cs_{34}$-X; a=24.949(1) $\AA)$의 두 개의 결정 구조를 $21^{\circ}C$에서 입방공간군 Fd3을 사용하여 단결정 X-선 회절법으로 해석하고 구조를 정밀화하였다. 탈수한 $Ca_{35}Cs_{22}$-X의 구조를 Full-matrix 최소자승법 정밀화 계산에서 $I>3\sigma(I)$인 322개의 독립 반사를 사용하여 최종 오차 인자를 $R_1$=0.051, $R_2$=0.044까지 정밀화 계산하였고, 탈수한 $Ca_{35}Cs_{22}$-X의 구조는 260개의 독립 반사를 사용하여 $R_1$=0.058, $R_2$=0.055까지 정밀화시켰다. 이들 구조에서 $Ca^{2+}$ 이온과 $Cs^+$ 이온은 서로 다른 5개의 결정학적 자리에 위치하고 있다. 탈수한 $Ca_{35}Cs_{22}$-X 구조에서는 16개의 $Ca^{2+}$ 이온은 D6R의 중심, 자리 I에 모두 채워져 있다(Ca-O=2.41(1) $\AA$, $O-Ca-O=93.4(3)^{\circ}).$ 다른 19개의 $Ca^{2+}$ 이온은 자리 II에 (Ca-O=2.29(1) $\AA$, $O-Ca-O=118.7(4)^{\circ})$, 10개의 $Cs^+$ 이온은 큰 공동에서 6-링 맞은편 II에 채워져 있고, 각각 3개의 산소로 만들어지는 산소 평면으로부터 $1.95\AA$ 들어가 위치하고 $있다(Cs-O=2.99(1)\AA$, $O-Cs-O=82.3(3)^{\circ}).$ 3개의 $Cs^+$ 이온은 산소 평면에서 소다라이트 공동쪽으로 $2.27\AA$ 들어간 자리 II'에서 위치하고 $있다(Cs-O=3.23\AA$, $O-Cs-O=75.2(3)^{\circ}).$ 나머지 9개의 $Cs^+$ 이온은 각각 큰 공동내 2회 회전축을 가지고 있는 48(f) 위치인 자리 III에 통계학적으로 분포하고 $있다(Cs-O=3.25(1)\AA$, Cs-O=3.49(1) $\AA).$ 탈수한 $Ca_{29}Cs_{34}$-X에서 16개의 $Ca^{2+}$ 이온은 자리 I에 채워지고 (Ca-O=2.38(1) $\AA$, $O-Ca-O=94.1(4)^{\circ})$ 13개의 $Ca^{2+}$ 이온은 자리 II에 채워져 있다(Ca-O=2.32(2) $\AA$, $O-Ca-O=119.7(6)^{\circ}).$ 다른 12개의 $Cs^+$ 이온은 자리 II에 채워져 있고, 이들은 산소 평면으로부터 각각 $1.93\AA$ 들어가 위치하고 $있다(Cs-O=3.02(1)\AA$, $O-Cs-O=83.1(4)^{\circ}).$ 7개의 $Cs^+$ 이온은 각각 자리 II'에 위치하고 있고, 산소 평면으로부터 소다라이트 공동으로 $2.22\AA$ 들어가 위치하고 있다(Cs-O=3.21(2) $\AA$, $O-Cs-O=77.2(4)^{\circ}).$ 나머지 16개의 $Cs^+$ 이온은 큰 공동내의 자리 III에 있다(Cs-O=3.11(1) $\AA$, Cs-O=3.46(2) $\AA).Ca^{2+}$ 이온은 자리 I과 자리 II에 우선적으로 위치하고 $Cs^+$ 이온은 너무 커서 자리 I에 채워질 수 없으며 나머지 자리에 채워진다.

• 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.