• 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.

• 대한지리학회지
• /
• 제28권2호
• /
• pp.77-98
• /
• 1993

본 연구는 암설사면지형이 잘 발달하고 다양하게 분포하는 태백산맥의 남부산지를 대상으로 항공 사진판독과 도상계측 및 현지조사를 통하여 노출암설사면의 분포, 형태 및 퇴적물의 특성을 분석하고 사면의 지형적 배열과 지형발달에 관해서 연구한 논문으로써 분포적 특성에 있어서는 애추의 경우 기반암이 경암이거나 절리가 잘 발달된 지질에서, 암괴류의 경우는 화강섬록암 지질에서 높은 분포밀도를 보였다. 형태적 특성은 애추, 암괴류 모두 설상이 각각 83${\%}$, 80${\%}로 가장 많았으며 지형면의 경사도에 있어서는 애추가, 길이에 있어서는 암괴류가 각각 우세했다. 퇴적물의 특성중 암설의 평균입경은 암괴류가 보다 크게 나타났다. 한 지형면에서 암설의 장축방향성의 경우 방향성 있는 경우와 없는 경우가 있는데, 후자는 지형면상의 함몰로 그 방향성이 상실된 것으로 보인다. 끝으로 지형발달의 경우, 애추는 암석낙하(rock fall)에 의한 형성기(최종빙기)와 2차적인 영역에 의한 조정기(후빙기)로 암괴류는 암괴의 생성기(제3가 또는 제 4기의 간빙기), 암괴류의 형성기(최종빙기), 조정기(후빙기)로 구분할 수 있었다. 그리고 산지 사면의 배열유형은 6가지 유형으로 분류되었다.