• 수면정신생리
• /
• 제3권1호
• /
• pp.68-78
• /
• 1996

연구목적 : 각종 질병에서 임상적으로 인지기능평가 및 선별검사로 유용하게 사용되고 있는 정신상태소검사(MMSE)와 간이인지평가척도(BCRS)가 비외상성 피질하 뇌혈관질환 환자에서 인지기능평가에 유용한가를 평가하기 위하여 본 연구를 시도하였다. 연구대상 및 방법 : 1995년 1월 1일부터 9월 30일까지 경희대 한방병원 및 고려대부속병원 신경과에 입원하거나 통원치료중인 비외상성 피질하 뇌혈관 질환 환자 85명과 정상대조군 195명을 대상으로 하였다. 또한 환자군중 65명을 뇌영상 촬영소견에 따라 좌반구손상(21명), 우반구손상(31명), 양반구손상(13명) 환자군으로 나누었다. 이들에게 인지기능은 벤튼신경심리검사(Benton Neuropsycho-logical Assessment : BNA)로, 일상생활기능면은 노인상태에 대한 보호자 측정척도(Geriatric Evaluation by Relative's Rating Instrument : GERRI) 및 도구적 일상생활 활동척도 (Instrumental Activities of Daily Living Scale : IADLs)를 이용하여 평가하였다. 연구결과 : 1) BNA는 좌우지남력과 운동지속성을 제외하고는 모든 하위항목에서 유의한 차이를 보였으나 MMSE 총점수와 하위척도 모두든 환자군과 정상대조군간에 유의한 차이를 보이지 않았다. BCRS는 최근기억과 자신돌봄항목에서만 두 군간에 유의한 차이를 보였다. 2) 편측성에 따른 세군간의 비교에서 BNA는 촉각형태검사(좌측), 손가락위치검사(좌, 우측)에서 세군간 유의한 차이를 보였으나 MMSE나 BCRS에서는 유의한 차이를 보이지 않았다. 3) 일상생활기능과 MMSE, BCRS와의 상관관계에서 정상대조군에서는 MMSE, BCRS의 총점수 및 하위 척도점수가 노인상태에 대한 보호자 측정척도(GERRI)의 인지기능 하위척도점수와만 유의한 상관관계를 갖는 반면, 환자군에서는 노인상태에 대한 보호자 측정척도(GERRI)의 인지기능척도점수 이외에도 사회적 기능척도점수 및 도구적 일상생활 활동척도(IADLs) 점수와도 유의한 상관을 가져 두 군간에 차이를 보였다. 결론 : MMSE와 BCRS는 비외상 피질하 뇌혈관질환 환자에서 인지기능평가나 편측성 구분에 유용하지 않았다. 그러나 이들 검사는 환자군에서 일상생활기능과 같은 기능수준을 반영하고 있음을 보여 주었다.

• 지능정보연구
• /
• 제26권1호
• /
• pp.135-149
• /
• 2020

인공지능을 기반으로 한 다양한 연구들이 현대사회에 많은 변화를 불러일으키고 있다. 금융시장 역시 예외는 아니다. 로보어드바이저 개발이 활발하게 진행되고 있으며 전통적 방식의 단점을 보완하고 사람이 분석하기 어려운 부분을 대체하고 있다. 로보어드바이저는 인공지능 알고리즘으로 자동화된 투자 결정을 내려 다양한 자산배분 모형과 함께 활용되고 있다. 자산배분 모형 중 리스크패리티는 대표적인 위험 기반 자산배분 모형의 하나로 큰 자산을 운용하는 데 있어 안정성을 나타내고 현업에서 역시 널리 쓰이고 있다. 그리고 XGBoost 모형은 병렬화된 트리 부스팅 기법으로 제한된 메모리 환경에서도 수십억 가지의 예제로 확장이 가능할 뿐만 아니라 기존의 부스팅에 비해 학습속도가 매우 빨라 많은 분야에서 널리 활용되고 있다. 이에 본 연구에서 리스크패리티와 XGBoost를 장점을 결합한 모형을 제안하고자 한다. 기존에 널리 사용되는 최적화 자산배분 모형은 과거 데이터를 기반으로 투자 비중을 추정하기 때문에 과거와 실투자 기간 사이의 추정 오차가 발생하게 된다. 최적화 자산배분 모형은 추정 오차로 인해 포트폴리오 성과에서 악영향을 받게 된다. 본 연구는 XGBoost를 통해 실투자 기간의 변동성을 예측하여 최적화 자산배분 모형의 추정 오차를 줄여 모형의 안정성과 포트폴리오 성과를 개선하고자 한다. 본 연구에서 제시한 모형의 실증 검증을 위해 한국 주식시장의 10개 업종 지수 데이터를 활용하여 2003년부터 2019년까지 총 17년간 주가 자료를 활용하였으며 in-sample 1,000개, out-of-sample 20개씩 Moving-window 방식으로 예측 결과값을 누적하여 총 154회의 리밸런싱이 이루어진 백테스팅 결과를 도출하였다. 본 연구에서 제안한 자산배분 모형은 기계학습을 사용하지 않은 기존의 리스크패리티와 비교하였을 때 누적수익률 및 추정 오차에서 모두 개선된 성과를 보여주었다. 총 누적수익률은 45.748%로 리스크패리티 대비 약 5% 높은 결과를 보였고 추정오차 역시 10개 업종 중 9개에서 감소한 결과를 보였다. 실험 결과를 통해 최적화 자산배분 모형의 추정 오차를 감소시킴으로써 포트폴리오 성과를 개선하였다. 포트폴리오의 추정 오차를 줄이기 위해 모수 추정 방법에 관한 다양한 연구 사례들이 존재한다. 본 연구는 추정 오차를 줄이기 위한 새로운 추정방법으로 기계학습을 제시하여 최근 빠른 속도로 발전하는 금융시장에 맞는 진보된 인공지능형 자산배분 모형을 제시한 점에서 의의가 있다.