• 한국경영과학회지
• /
• 제36권1호
• /
• pp.13-26
• /
• 2011

In order to explain the U-shaped pattern of autocorrelations of stock returns i.e., autocorrelations starting around 0 for short-term horizons and becoming negative and then moving toward 0 for long-term horizons, researchers suggested the use of a state-space model consisting of an I(1) permanent component and an AR(1) stationary component, where the two components are assumed to be independent. They concluded that auto-regression coefficients derived from the state-space model follow a U-shape pattern and thus there is mean-reversion in stock prices. In this paper, we show that only negative autocorrelations are feasible under the assumption that the permanent component and the stationary component are independent in the state-space model. When the two components are allowed to be correlated in the state-space model, we show that the sign of the auto-regression coefficients is not restricted as negative. Monthly return data for all NYSE stocks for the period from 1926 to 2007 support the state-space model with correlated noise processes. However, the auto-regression coefficients of the ARIMA process, equivalent to the state-space model with correlated noise processes, do not follow a U-shaped pattern, but are always positive.

• 정보처리학회논문지C
• /
• 제14C권3호
• /
• pp.305-312
• /
• 2007

무선 LAN 시스템에서 고속 핸드오프를 위한 계층 2 트리거는 정확한 핸드오프 예측 모델을 요구한다. 이에 따라 본 논문은 계층 2 트리거 발생기 설계를 위한 단말의 이동성 모델로 수신 신호 강도 (received signal strength: RSS) 예측 모델을 제안한다. 제안 모델은 짧은 시간 동안 사용자 단말과 억세스 포인트 (AP) 사이의 거리 변화양은 물리적으로 제한된다는 사실을 이용하여 일정 시간 동안 측정된 RSS 값들에 대해 적응성 있게 동작한다. 제안 모델 설계를 위해 우선 ns 2 모의 실험을 통해 측정된 RSS 데이터를 통계적으로 분석하여 일정 시간 측정된 RSS 데이터는 차수 1인 자기 회기 (autoregressive: AR(1)) 프로세스로 모델링 할 수 있다는 것을 검증하였다. 이후 AR(1) 프로세스를 이용하여 향후 RSS 값을 예측하는 방법을 제시하고 예측 오류를 확률적으로 정량화 하였으며 모의 실험을 통해 현재까지 측정된 RSS 값들을 이용하여 적어도 1-step 이후의 RSS 값을 예측할 수 있다는 것을 검증하였다.

• 정보처리학회논문지B
• /
• 제17B권1호
• /
• pp.47-54
• /
• 2010

오래된 영화 필름이나 비디오 테이프 등의 영상물에서 나타나는 대표적인 손상으로는 긁힘과 얼룩무늬 손상이 있으며, 본 논문은 긁힘 손상을 자동 탐지하고, 자기상관 (AR: autoregressive) 이미지 생성모델 (PAST-PRESENT 모델) 기반의 영상 인페인팅 모델을 사용하여 손상을 복원하는 시스템을 설계하고 구현하였다. AR 이미지 모델 생성을 위해, 지역성을 최대화할 수 있도록 인접 화소를 모으는 Sampling Pattern을 사용하였으며, 추출된 화소들을 필터링 (filtering)하는 단계, AR 모델 파라미터 계산 (model fitting)을 위한 Durbin-Levinson 알고리즘, 최종 파라미터를 통한 훼손된 화소의 예측 및 보간 단계로 구성된다. 구현된 시스템은(1) VHS 테이프를 통한 아날로그 영상물의 디지털화, (2) 긁힘 손상의 자동탐지와 자동손상복원, (3) 얼룩무늬의 수동탐지와 자동복원의 3단계 복원절차를 지원하도록 설계하였다. 단계 1과 단계 2는 영상복원 고속화를 위해 TIDSP 보드 (TMS320DM642 EVM)을 이용하여 구현하였으며, 단계 3은 사용자의 수동탐지를위해, PC 를 사용하여 구현하였다. 본 논문에서 제안된 기법을 고전 한국영화 2편 (자유만세와 로보트 태권 V)에 대하여 실험하였으며, 본 논문에서 제안한 자기상관 기반의 복원 시스템은 Bertalmio 인페인팅 기법과 비교하였으며, 주관적 화질 (MOS 테스트) 및 객관적 화질 (PSNR), 특히, 숙련된 복원기술자에 의한 복원과의 차이를 정의하는 복구품질 (RR)에서 향상된 결과를 보임을 확인하였다.

• 토지주택연구
• /
• 제11권3호
• /
• pp.33-37
• /
• 2020

The aim of this paper is to scrutinize the relation between Business Survey Index and Industrial Production Index in construction industry, stated in another way, the relation between CEO's expectations of future business status and real business activity in construction industry. Previous papers on this research area have been examined the relation between released BSI and released IPI. However, this paper focuses 'the relation between released BSI and the long-run component of IPI' and 'the relation between released BSI and the short-run component of IPI'. The first step is to decompose released IPI by unobserved component model. The long-run component of IPI is set up as a random walk process. And short-run component is set up as a stationary AR(1) process. The findings are as follows. First, released BSI Granger causes unidirectionally released IPI. Second, there exists one-way Granger causality from released BSI to long-run component of IPI. Third, Granger causality does not exist between released BSI and 'short-run component of IPI'. BSI increases IPI in the second or third month. These findings of this paper mean that CEO's expectations may influence industrial production in construction industry.

• 천문학회지
• /
• 제50권2호
• /
• pp.21-27
• /
• 2017

The autoregressive method provides a univariate procedure to predict the future sunspot number (SSN) based on past record. The strength of this method lies in the possibility that from past data it yields the SSN in the future as a function of time. On the other hand, its major limitation comes from the intrinsic complexity of solar magnetic activity that may deviate from the linear stationary process assumption that is the basis of the autoregressive model. By analyzing the residual errors produced by the method, we have obtained the following conclusions: (1) the optimal duration of the past time for the forecast is found to be 8.5 years; (2) the standard error increases with prediction horizon and the errors are mostly systematic ones resulting from the incompleteness of the autoregressive model; (3) there is a tendency that the predicted value is underestimated in the activity rising phase, while it is overestimated in the declining phase; (5) the model prediction of a new Solar Cycle is fairly good when it is similar to the previous one, but is bad when the new cycle is much different from the previous one; (6) a reasonably good prediction of a new cycle can be made using the AR model 1.5 years after the start of the cycle. In addition, we predict the next cycle (Solar Cycle 25) will reach the peak in 2024 at the activity level similar to the current cycle.