• Journal of Electrical Engineering and Technology
• /
• 제5권2호
• /
• pp.239-245
• /
• 2010

Today, as power trades between generators and loads are liberalized, the uncertainty level of power systems is rapidly increasing. Therefore, transmission operators are required to incorporate these uncertainties when establishing an investment plan for effective operation of transmission facilities. This paper proposes the methodology for an optimal solution of transmission expansion plans for the long-term in a deregulated power system. The proposed model uses the probabilistic cost of transmission congestion for various scenarios and the annual increasing rates of loads. The locations and the installation times of expanded transmissions lines with minimum cost are acquired by the model. To minimize the investment risk, the Mean-Variance Markowitz portfolio theory is applied to the model. In a case study, the optimal solution of a transmission expansion plan is obtained considering the uncertain power market.

• 한국건설관리학회논문집
• /
• 제14권1호
• /
• pp.23-31
• /
• 2013

서브프라임 금융위기 이후 주택시장이 침체되면서 2000년대 초반과 같이 주택투자로 고수익을 올릴 수 있는 시기는 앞으로 찾아오지 않을 가능성이 이제 점차 높아지고 있다. 이에 따라 과거 고수익의 원천이 되었던 부동산 시장은 점차 수익형 부동산 등 안정적 수익을 획득할 수 있는 투자시장으로 변모하고 있다. 이에 따라 대표적인 간접투자상품인 리츠의 시장규모는 더욱 커질 것으로 판단된다. 그러나 아직까지 리츠시장은 일반적인 주택투자시장 및 금융시장보다 훨씬 더 그 성장이 미미한 실정이다. 하지만 포트폴리오 이론을 토대로 한 위험관리의 중요성이 투자의 매우 중요한 개념을 자리잡고 있는 바 리츠의 안정적인 수익 창출은 포트폴리오의 위험관리에 효과적일 것으로 판단된다. 이러한 관점에서 본 논문에서는 주식시장의 다양한 업종들 중 상대적으로 안정적인 수익을 확보할 수 있는 리츠가 포트폴리오에 편입되었을 때 위험 분산 효과를 실증분석하는 것을 목적으로 한다. 분석결과에서 확인할 수 있듯이 대표적인 경기방어주인 음식료업종과 마찬가지로 리츠업종 역시 전체 시장을 나타내는 코스피와 상관계수값이 상대적으로 낮은 것으로 나타났으며 최소분산포트폴리오로 구성했을 경우에도 표준편차가 매우 낮게 나오는 등 음식료업종과 같이 투자포트폴리오에 편입했을 경우 위험분산 효과를 기대할 수 있을 것으로 판단된다. 투자시장은 향후 미래의 불확실성에 따라 항상 위험을 감수해야 함에 따라 위험 대비 수익이 어느 정도인지가 매우 중요하다. 이러한 관점에서 리츠를 활용하여 포트폴리오를 구성할 경우 위험분산 효과를 획득할 수 있는 바 충분히 그 투자 효용성을 가지고 있을 것으로 판단된다.

• 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.