• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2009년도 학술발표회 초록집
• /
• pp.1321-1326
• /
• 2009

강우는 수자원 확보 측면에서 근원이 되는 요소이다. 그러므로 정확한 확률강우량 산정은 미래의 가용 수자원량을 예측하는데 있어 중요한 사항중 하나이며 무엇보다 신중한 결정이 요구된다. 또한 하천의 범람에 의한 침수를 예방하는 수공구조물 등의 설계에 있어서는 신뢰할 수 있는 확률강우량 산정이 선행되어야 한다. 본 연구에서는 최근 우리나라 극치강우확률분포로서 많은 연구가 이루어지고 있는 GEV 분포(GEV-O)를 기반으로 위치 매개변수에 시간의 함수를 고려한 개선된 GEV 분포(GEV-A)를 이용하여 서울지점에 적용함으로서 GEV-O 분포에 의한 확률강우량과 GEV-A 분포로 산정된 확률강우량을 비교 검토하였다. 먼저 임의의 난수 발생을 통해 최우도추정법과 확률가중모멘트법으로 매개변수를 추정한 GEV-O 분포와 최우도추정법으로 매개변수를 추정한 GEV-A 분포의 상대평균제곱근오차 (R-RMSE)를 계산하여 비교함으로서 GEV-A 분포의 효율성을 판단하였다. 사례연구는 1961년부터 2008년까지 서울강우관측소에서 측정된 연최대 1일 강우량으로 하였으며 $X^2$-검정, PPCC-검정으로 적합도 검정을 실시하였다. 강우빈도분석 결과 GEV-A 분포가 GEV-O 분포로 산정된 결과 보다 대체로 재현기간 200년 이상일 경우, 과다 산정되는 경향을 보였다. 추후 개선된 GEV 분포를 서울 인근 지점에 적용함으로서 지역빈도해석(Regional Frequency Analysis)을 실행하기 위한 연구가 진행되어야 할 것이다. 또한 확률홍수량 산정 등에도 개선된 GEV 분포를 이용함으로서 보다 정확하고 신뢰성 있는 확률수문량을 예측하여야 할 것이다.

• 한국전산구조공학회논문집
• /
• 제28권2호
• /
• pp.177-185
• /
• 2015

도시기반 라이프라인은 지진발생시 시설물의 붕괴뿐만 아니라 붕괴로 인한 도시기능 마비, 대형화재와 같은 2차 피해를 동반하여 막대한 사회 경제적 손실을 야기할 것으로 예측된다. 이에 대한 대비책으로 국내에서는 지진재해대응시스템을 운영 중이며, 지진재해대응시스템은 각 시설물별 지진취약도 모델을 통해서 시설물의 파괴확률을 산정하고, 지진재해 정도를 평가한다. 따라서 본 논문에서는 국내 지반특성을 고려하여 도시기반 라이프라인 시설물 중 매설가스배관의 시간이력 해석을 수행하였고, 확률론적인 해석방법인 최우도추정법을 이용하여 지진취약도 모델을 개발하였다. 해석모델은 국내 대표도시인 서울지역에 매설된 고압관과 중압관으로 선정하였으며, 지반의 모델링은 Winkler foundation 모델을 이용하였다. 또한 개발된 취약도 모델의 GIS 적용방안을 제시하였다.

• 한국지진공학회논문집
• /
• 제12권3호
• /
• pp.37-44
• /
• 2008

본 연구에서는 확률적 지진취약도 분석방법을 3경간 FCM 교량에 적용하여 지반특성에 따른 지진취약 교각의 위치와 교각 상 하부에서의 소성힌지 발생 상태를 수치예제 결과의 분석을 통해 평가하였다. 이를 위해, 취약도 곡선을 최대지반가속도(PGA)의 변수에 대한 대수정규분포 함수로 가정하고 대수정규분포 함수의 주요 계수인 중앙값과 대수표준편차는 최우도추정법(Maximum Likelihood Method)으로 구하였다. 또한 지점별 상이한 지반특성은 "도로교표준시방서"에 제시되어 있는 지반의 등가 스프링을 사용하여 해석모델에 반영하였으며, 지진취약도 분석에 필요한 구조물의 손상지수로 교각의 소성힌지에서의 회전연성도를 이용하였다.

• 한국구조물진단유지관리공학회 논문집
• /
• 제11권5호
• /
• pp.107-113
• /
• 2007

본 연구에서는 정적 풍하중에 대한 교량의 취약도 평가 방법을 제시하였으며, 이를 이용하여 대상 교량인 6경간 엑스트라도즈드교에 대하여 정적 풍하중 취약도 분석을 수행하였다. 정적 풍하중산정과 하중조합은 국내 설계기준을 사용하여 산정하였으며, 이때 정적 풍하중에 대한 불확실성과 확률분포 특성은 난수를 사용하여 고려하였다. 취약도 곡선은 대수 정규분포함수의 형태로 나타내었으며, 이때 변수인 중간값과 대수표준편차는 최우도추정법(maximum likelihood method)에 의하여 구하였다. 취약도 분석을 수행한 결과 대상교량은 정적 풍하중에 대하여 안전한 것으로 평가되었다.

• 한국수자원학회논문집
• /
• 제43권10호
• /
• pp.893-909
• /
• 2010

지하수의 지속가능개발량을 산정하기 위해서는 유역 내에서 지하수 개발에 따라 시공간적으로 끊임없이 변화하는 하천과 대수층의 상호흐름을 포함한 물 순환계의 유동을 모의하여야 한다. 유역 단위의 지하수 함양 및 하천-대수층 상호흐름 특성을 모의하기 위한 강우-유출모형으로 탱크모형과 SWMM 모형을 선정하였다. 토양저류구조 표준3단 탱크모형을 하천과 대수층의 상호흐름을 모의할 수 있도록 개선하였다. 오차의 비등분산성을 고려하기 위한 분산함수를 가진 최우도추정법을 적용하고, 전역 최적화 기법인 Simulated Annealing 방법을 적용하여 탱크모형과 분산함수의 매개변수를 동시에 추정하였다. 하천-대수층 상호흐름을 개선한 SWMM-GE모형은 도시하천에 적용되어 검증을 받은바 있다. 금강의 지류인 갑천 유역에 하천-대수층 상호흐름을 개선한 탱크모형(TANK_GS)을 적용한 결과 개선 전 보다 모형성능평가가 더 나았으며, SWMM-GE 모형과 동일하게 지하수 함양 및 하천-대수층 상호흐름 현상을 잘 모의하고 있었다. 향후 권역 수자원 계획 등에 활용이 용이한 탱크모형(TANK_GS)을 이용하여 지하수의 지속가능 개발량 산정이 가능하다.

• 한국산림과학회지
• /
• 제100권1호
• /
• pp.70-78
• /
• 2011

본 연구에서는 국내 과거 산불 자료를 기초로 하여 계절별 산불 발생 확률 시뮬레이션 모델을 개발하였다. 산불 발생 확률 모델은 산불 발생 사건의 시간적 분포가 과거 자료와 부합해야 하므로, 세 단계를 거쳐 생성하였다. 먼저, 산불 기간 중의 산불 발생 일은 베르누이 분포에서 임의로 추출하여 일일 단위로 산불의 발생 여부를 결정하였다. 다음 단계로, 산불이 발생하면 기하학적 다중 분포에서 임으로 추출하여 그 날 하루 중에 발생하는 산불의 수를 결정하였다. 마지막 단계로, 각 산불의 발화 시간은 포아송 분포를 가정하여 하루 중 산불 발생이 가능한 시간중 임의로 추출하여 결정하였다. 산불 발생의 확률적 분포는 과거 산불 발생 자료를 바탕으로 추정하였다. 확률 분포에 대한 중요 계수 값을 구하기 위해 최우도추정법을 이용하였다. 개발된 확률 시뮬레이션 모델에 의해 생성된 일련의 산불 발생 사건들은 과거 산불 통계 자료와 비교할 때 발생 주기 분포, 산불간의 시간 간격, 연간 일어나는 산불 총 건수에서 통계적으로 부합하는 것으로 나타났다. 본 연구의 결과는 향후 산불 관련 자원 활용 및 진화 계획 수립 시에 중요한 보조 자료로 활용될 것으로 기대된다.

• 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.