• 지능정보연구
• /
• 제25권1호
• /
• pp.63-83
• /
• 2019

투자자들은 기업의 내재가치 분석, 기술적 보조지표 분석 등 복잡한 분석보다 차트(chart)에 나타난 그래프(graph)의 모양으로 매매 시점을 찾는 직관적인 방법을 더 선호하는 편이다. 하지만 패턴(pattern) 분석 기법은 IT 구현의 난이도 때문에 사용자들의 요구에 비해 전산화가 덜 된 분야로 여겨진다. 최근에는 인공지능(artificial intelligence, AI) 분야에서 신경망을 비롯한 다양한 기계학습(machine learning) 기법을 사용하여 주가의 패턴을 연구하는 사례가 많아졌다. 특히 IT 기술의 발전으로 방대한 차트 데이터를 분석하여 주가 예측력이 높은 패턴을 발굴하는 것이 예전보다 쉬워졌다. 지금까지의 성과로 볼 때 가격의 단기 예측력은 높아졌지만, 장기 예측력은 한계가 있어서 장기 투자보다 단타 매매에서 활용되는 수준이다. 이외에 과거 기술력으로 인식하지 못했던 패턴을 기계적으로 정확하게 찾아내는 데 초점을 맞춘 연구도 있지만 찾아진 패턴이 매매에 적합한지 아닌지는 별개의 문제이기 때문에 실용적인 부분에서 취약할 수 있다. 본 연구는 주가 예측력이 있는 패턴을 찾으려는 기존 연구 방법과 달리 패턴들을 먼저 정의해 놓고 확률기반으로 선택해서 매매하는 방법을 제안한다. 5개의 전환점으로 정의한 Merrill(1980)의 M&W 파동 패턴은 32가지의 패턴으로 시장 국면 대부분을 설명할 수 있다. 전환점만으로 패턴을 분류하기 때문에 패턴 인식의 정확도를 높이기 위해 드는 비용을 줄일 수 있다. 32개 패턴으로 만들 수 있는 조합의 수는 전수 테스트가 불가능한 수준이다. 그래서 최적화 문제와 관련한 연구들에서 가장 많이 사용되고 있는 인공지능 알고리즘(algorithm) 중 하나인 유전자 알고리즘(genetic algorithm, GA)을 이용하였다. 그리고 미래의 주가가 과거를 반영한다 해도 같게 움직이지 않기 때문에 전진 분석(walk-forward analysis, WFA)방법을 적용하여 과최적화(overfitting)의 실수를 줄이도록 하였다. 20종목씩 6개의 포트폴리오(portfolio)를 구성하여 테스트해 본 결과에 따르면 패턴 매매에서 가격 변동성이 어느 정도 수반되어야 하며 패턴이 진행 중일 때보다 패턴이 완성된 후에 진입, 청산하는 것이 효과적임을 확인하였다.

• 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.

• 농업과학연구
• /
• 제10권2호
• /
• pp.221-234
• /
• 1983

육용계(肉用鷄)에서 가식육량(可食肉量)을 효과적(效果的)으로 추정(推定)할 수 있는 방법(方法)을 구명(究明)코자 W. Cornish(CC) 종(種)과 S. C. W. Leghorn종(種) (LL) 그리고 이 두 순종(純種)의 상반교잡종(相反交雜種)(CL. LC)을 각각(各各) 60수(首)씩 계(計) 240수(首)를 공시(共試)하여 체중(體重) 및 체형(體型)의 구성요소(構成要素)들의 크기와 요소(要素)들 간(間)의 상관관계(相關關係), 그리고 가식육량(可食肉量) 추정결과(推定結果)를 요약(要約)하면 다음과 같다. 1) 8주령시(週齡時) 체중(體重)과 사료효율(飼料效率)은 W. Cornish 종(種)에서 각각(各各) 1,819g과 2.2%였고, S. C. W. Leghorn종(種)에 각각(各各) 668g과 3.3%로 정상발육치(正常發育直)였다. 2) 체중(體重)에 대(對)한 가식육량(可食肉量)의 비율(比率)은 W. Cornish 종(種)에서 6, 8 및 10주령(週齡)에 각각(各各) 34.7%, 36.8%, 37.5%였고 S. C. W. Leghorn 종(種)은 각각(各各) 30.7%, 30.5% 및 32.3%였으며, 잡종(雜種)들은 중간(中間) 값을 보이는데 각(各) 계종간(鷄種間) 차이(差異)는 유의성(有意性)이 인정 되었다. 3) 체중(體重)에 대(對)한 방혈량(放血量)의 비율(比率)은 계종간(鷄種間) 차이(差異)가 뚜렸하지 않으나 두부중량(頭部重量), 우모중량(羽毛重量) 그리고 불가식(不可食) 내장중량(內臟重量)의 비율(比率)은 각주령(各週齡) 공(共)히 W. Cornish 종(種)에서 유의적(有意的)으로 적고 각중(脚重)과 복강지방량(腹腔脂肪量)은 S. C. W. Leghorn 종(種)에서 유의적(有意的)으로 적어서 계종간차(鷄種間差)가 뚜렷하다. 한편 가식부위(可食部位)에서 흉부(胸部)와 퇴경부(腿脛部)는 각주령(各週齡) 공(共)히 C Cornish종(種)에서 유의적(有意的)으로 크며, 가식내장(可食內臟)은 S. C. W. Leghorn종(種)에서 유의적(有意的)으로 크고, 경부(頸部)와 익부(翼部) 및 배부(背部)는 주령(週齡)에 따라 계종간차이(鷄種間差異)가 일관성이 없다. 4) 조사(調査)된 체형구성요소(體型構成要素)들의 크기는 W. Cornish종(種)에서 각주령(各週齡) 공(共)히 유의적(有意的)으로 크고, 특(特)히 10주령(週齡)에서 잡종(雜種)들 간(間)에도 대부분(大部分) 유의차(有意差)가 인정되었다. 5) 흉각(胸角)을 제외(除外)하고 대부분(大部分)의 체형구성요소(體型構成要素)들이 가식육량(可食肉量)과 높은 상관도(相關度)를 보이고 있어 체위측정치(體位測定値)들로 가식육량(可食肉量)을 비교적(比較的) 정확히 추정(推定)할 수 있을 것으로 예측되었다. 6) 가식육량(可食肉量)을 체중(體重)에 의(依)해 추정(推定)할 때의 정확도(正確度)로서 체위측정치(體位測定値)들로 추정(推定)할 경우 10주령(週齡)에서 W. Cornish종(種) $Y=-1,475.581 +5.054X_{26}+3.080X_{24}+3.772X_{25}+14.321X_{35}+1.922X_{27}$였고 S. C. W. Leghorn종(種)은 $Y=-347.407+4.549X_{33}+3.003X_{31}$였으며 W. Cornish 종(種)을 부(父)로한 잡종(雜種)(CL)은 $Y=-1,616.793+4.430X_{24}+8.566X_{32}$, S. C. W. Leghorn종(種)을 부(父)로한 잡종(雜種)(LC)은 $Y=-603.938+2.142X_{24}+3.039X_{27}+3.289X_{33}$이었다. 위에서 설명변수(說明變數)들은 $X_{24}$=흉위(胸圍), $X_{25}$=흉폭(胸幅), $X_{26}$=흉장(胸長), $X_{27}$=흉골장(胸骨長), $X_{31}$=퇴경부(腿脛部) 둘레, $X_{32}$=경골장(頸骨長), $X_{33}$=각장(脚長), $X_{35}$=각경(脚徑)이다. 7) 이상(以上)의 결과를 종합(綜合)하여 볼때 가식육(可食肉)의 비율(比率)은 계종(鷄種)과 주령(週齡)에 따라 현저한 차이(差異)를 보이고 있고, 이들의 추정(推定)은 좀 복잡(複雜)하지만 체형측정치(體型測定値)들로서도 비교적(比較的) 정확(正確)히 추정(推定)할 수 있을 것으로 판단되었다.

• 농업과학연구
• /
• 제4권2호
• /
• pp.344-390
• /
• 1977

본(本) 연구(硏究)는 계획기간내(計劃期間內)의 재적수확량(材積收穫量)을 최대화(最大化)하고 각분기(各分期)의 수확량(收穫量)과 수확면적(收穫面積)을 일정(一定) 범위(範圍)로 제약(制約)하여 계획기간내(計劃期間內)의 보속수확(保續收穫)을 도모(圖謀)하는 동시(同時)에 후계림(後繼林)의 법정영급배치(法正令級配置)가 유도(誘導)될 수 있는 적정수확안(適正收穫案)을 선형계획법(線型計劃法)에 의하여 선정(選定)하고, 제약량(制約量)의 변화(變化)가 총수확량(總收穫量) 및 분기별(分期別) 수확량(收穫量)과 수확면적(收穫面積)에 미치는 영향(影響)을 구명(究明)하는데 목적(目的)이 있다. 서울 대학교(大學校) 농과대학(農科大學) 부속연습림중(附屬演習林中) 개벌작업급(皆伐作業級)에 속하는 219개(個) 소반(小班)을 대상(對象)으로 하였으며, 이 삼림(森林)은 영급구성면(令級構成面)에서 볼 때 유영급(幼令級) 임분(林分)이 많다는 점(點)에서 전국(全國) 삼림(森林)을 대표(代表)한다고 할 수 있다. 본(本) 연구(硏究)에서는 한 분기년수(分期年數)를 5년(年), 계획기간(計劃期間)을 10분기(分期), 1영급(令級)을 5영개(令皆)로 하였으며, 벌채영급(伐採令級)의 범위(範圍)는 5~9영급(令級)이다. 한편, 후계림(後繼林)은 현실림(現實林)이 수확(收穫)되는 즉시 조림(造林)되고, 미립목지(未立木地)는 1분기내(分期內)에 조림(造林)되며 다음 벌기(伐期)까지 충분(充分)한 입목도(立木度)가 이루어지는 것으로 전제(前提)하였다. 소반(小班)을 벌구(伐區)로 하여, 각벌구(各伐區)가 계획기간내(計劃期間內)에 벌채(伐採)될 수 있는 모든 가능(可能)한 대체수확안(代替收穫案)을 그의 영급(令級)에 따라 작성(作成)하고, 여기에 현실림(現實林)과 후계림(後繼林)의 벌기예상수확량(伐期豫想收穫量)을 대입(代入)하여 각대체안(各代替案)의 계획(計劃) 기간내(期間內) 수확량(收穫量)($V_{i,\;k}$)을 산정(算定)하였다. 이때 각벌구(各伐區)의 벌기예상수확량(伐期豫想收穫量)은 기존(旣存) 임분수확표(林分收穫表)와 산림조사부(山林調査簿) 자료(資料)를 이용(利用)하는 범위내(範圍內)에서 추정(推定)하였으며, 각벌구(各伐區)에 소속(所屬)되는 대체수확안중(代替收穫案中)에서 $V_{i,\;k}$가 가장 큰 수확안(收穫案)을 적정수확안(適正收穫案)으로 선정(選定)하였다. 우선 제약조건(制約條件)이 없을 때의 적정수확안(適正收穫案)을 선정(選定)하여 분기별(分期別) 수확량(收穫量)과 수확면적(收穫面積), 총수확량(總收穫量)을 계산(計算)한 다음, 이를 기준(基準)으로 하여 분기별(分期別) 수확량(收穫量)의 상한(上限)($V_{j-max}$)과 하한(下限)($V_{j-min}$) 및 수확면적(收穫面積)의 상한(上限)($A_{j-max}$)과 하한(下限)($A_{j-min}$)을 결정(決定)하였다. 이러한 여러가지 제약조건하(制約條件下)의 적정수확안(適正收穫案)은 LP수확조절(收穫調節)모델을 유도(誘導)하여 선정(選定)하였으며, 제약조건(制約條件) 및 벌채영급범위(伐採令級範圍)의 변화(變化)가 총수확량(總收穫量)에 미치는 영향(影響)을 분석(分析)하고자 감응도분석(感應度分析)을 실시(實施)하였다. 본(本) 연구(硏究) 결과(結果)를 요약(要約)하면 다음과 같다. 1. 제약조건(制約條件) 없이 적정수확안(適正收穫案)을 선정(選定)한 결과(結果), 수확면적(收穫面積)이 분기별(分期別)로 큰 차이(差異)를 보였다. 즉, 총수확량(總收穫量)의 68.8%가 10분기(分期)에 편재(偏在)되어 있고 6~7분기(分期)에는 전(全)혀 수확량(收穫量)이 없으며, 분기별(分期別) 수확면적(收穫面積)도 이와 유사(類似)한 경향(傾向)을 보였다. 이와 같이 분기별(分期別) 수확량(收穫量) 및 수확면적(收穫面積)에 차이(差異)가 많은 것은 현실림(現實林)의 영급구성(令級構成)과 입목축적(立木蓄積)이 대단히 불규칙(不規則)하기 때문이다. 2. 수확량(收穫量)과 수확면적(收穫面積)의 분기별(分期別) 변동폭(變動幅)을 줄이면서 계획기간내(計劃期間內)의 재적수확량(材積收穫量)을 최대화(最大化)하고자, LP수확조절(收穫調節) 모델에 의하여 $A_{min}=150ha$ $A_{max}=400ha$, $V_{min}=5,000m^3$, $V_{max}=50,000m^3$일 때의 적정수확안(適正收穫案)을 선정(選定)한 결과(結果), 대체(大體)로 5분기(分期) 이후(以後)부터 보속수확(保續收穫)과 법정영급배치(法正令級配置)가 가능(可能)하게 되었다. 3. LP수확조절(收穫調節)모델에 간벌계획(間伐計劃)을 포함(包含)시켜 최적해(最適解)를 구(求)하면, 총수확량(總收穫量)이 증가(增加)함은 물론, 간벌계획(間伐計劃)을 포함(包含)시키지 않았을 경우(境遇)에 비하여 분기별(分期別) 보속수확(保續收穫)의 실현(實現)에 유리(有利)한 적정수확안(適正收穫案)을 선정(選定)해 주는 효과(效果)가 있다. 4. 보속수확(保續收穫)과 법정영급배치(法正令級配置)가 실현(實現)될 수 있는 시기(時期)는 제약량(制約量)의 강도(强度)가 높아짐에 따라서 빨라지며, 분기별(分期別) 수확량(收穫量)은 수확면적(收穫面積)에 비하여 제약량(制約量)의 변화(變化)에 따른 평준화(平準化) 경향(傾向)이 뚜렷하고, 분기별(分期別) 수확량(收穫量)의 평준화(平準化)가 이루어지면 분기별(分期別) 수확면적(收穫面積)은 이에 종속(從屬)되어 평준화(平準化)하는 경향(傾向)이 있다. 5. 제약조건(制約條件)의 강도(强度)가 높아짐에 따라 총수확량(總收穫量)은 점감적(漸減的)으로 감소(減少)하므로 빠른 시기(時期)에 엄정보속(嚴正保續)과 엄정영급배치(嚴正令級配置)를 의도(意圖)할 수록 총수확량(總收穫量)의 손실(損失)은 그만큼 더 증가(增加)한다. 6. 같은 계획기간(計劃期間) 및 제약조건하(制約條件下)에서의 총수확량(總收穫量)은 벌채영급(伐採令級)을 낮추고, 그 범위(範圍)를 넓힐수록 증가(增加)한다. 또한 벌채영급(伐採令級) 범위(範圍)의 상한(上限)을 고정(固定)하고, 그 하한(下限)을 1영급(令級)씩 높였을 때에 총수확량(總收穫量)이 감소(減少)되는 속도(速度)는, 그 범위(範圍)의 하한(下限)을 고정(固定)하고 상한(上限)을 1영급(令級)씩 낮추었을 때의 감소(減少) 속도(速度)보다 크다. 7. 본(本) 연구(硏究)에 제시(提示)된 LP수확조절(收穫調節)모델은 영급구성(令級構成)이 복잡(複雜)한 임분(林分)에 적용(適用) 가능(可能)하며, 간벌계획(間伐計劃)을 간단히 포함(包含)시킬 수 있고, 제약량(制約量)의 변화(變化)에 따른 총수확량(總收穫量)의 손실(損失)을 쉽게 계측(計測)할 수 있는 등 여러가지 장점(長點)이 있으므로, 우리나라의 현행(現行) 삼림수확조절법(森林收穫調節法)을 보완(補完)하기 위해서도 이 기법(技法)이 유효(有效)하게 이용(利用)될 수 있을 것으로 보인다.