• KDI Journal of Economic Policy
• /
• 제46권1호
• /
• pp.91-129
• /
• 2024

한국은행은 금융위기 이후인 2011년 법 개정을 통해 기존의 물가안정 이외에 금융안정 책무를 추가로 부여받았는데, 그 이후 장기간에 걸쳐 가계신용이 소득 여건에 비해 빠르게 증가해 온 결과 최근의 가계부채 상황은 소비와 성장을 제약하고 부정적 경제충격발생 시 위기 발생 가능성을 높일 수 있다는 우려가 제기되고 있다. 현재의 금융불균형 누증 상황이 앞으로 우리 금융·경제의 안정적 흐름을 제약하지 않도록 정부와 중앙은행이 더욱 유의해야 할 시기인 것으로 판단된다. 본 연구는 BIS가 중장기 경제안정화를 위해 거시·금융안정(macro financial stability)을 모색하고자 제안한 정책운용 체계인 통합적 물가안정목표제(IIT)의 국내 적용 가능성을 점검해 보고, 정책적 시사점을 도출해 보았다. 우선 VAR 모형을 통해 통화정책의 주택가격, 가계부채 파급효과를 살펴본 결과, 금융위기 이후 금리 인하에 따른 위험선호 경향이 뚜렷하게 증대된 것으로 나타났다. 또한 DSGE 모형을 통해 2000년 이후 2021년까지 약 20여 년간의 통화정책 운영 행태를 분석해 본 결과, 한국은행은 기준금리 결정 시 물가와 성장을 종합적으로 고려하면서, 가계신용 증가에도 일부 대응한 것으로 나타나 약한 형태의 IIT를 운영한 것으로 분석되었다. 다만, 금리평활화 계수가 매우 높게 추정되어 금리 조정에 상당히 신중했던 것으로 나타났다. 한편, 중앙은행 손실함수를 최소화하는 최적 금리준칙을 추정해 본 결과, 물가와 성장을 균형적으로 감안하면서, 경제 여건 변화에 대응하여 기준금리를 보다 적극적으로 조정하고, 소득 여건에 비해 가계부채가 빠르게 증가하는 경우에는 가계신용 상황에도 유의하는 정책이 바람직한 정책방안으로 분석되었다. 이 같은 연구결과를 고려할 때 BIS가 제안한 통합적 물가안정목표제는 중장기시계에서 우리 경제의 안정적 성장을 뒷받침할 수 있는 정책체계 대안으로 고려해 볼 수 있을 것으로 판단된다.

• 지능정보연구
• /
• 제20권3호
• /
• pp.1-18
• /
• 2014

RFID는 유비쿼터스 환경의 다양한 응용분야에서 기본적인 기술로 사용되어 왔다. 특히, 사물 인터넷을 위한 향후 RFID 기술의 폭 넓은 활용의 장애물중의 하나는 태그 리더기에 의한 RFID 데이터의 근본적인 비 신뢰성이다. 특히, 읽기 손실과 잘못된 읽기 같은 읽기오류 문제는 RFID 시스템이 적절히 처리해야 할 필요가 있다. 왜냐하면, 미들웨어 시스템이 전달한 오류 데이터는 궁극적으로 응용 서비스의 품질을 저하시킬 수 있기 때문이다. 따라서 높은 품질의 서비스를 위해서 지능형 RFID 미들웨어 시스템은 응용에 깨끗한 데이터를 전달하기 위해 읽기오류를 상황에 따라 적절하게 처리하여야 한다. 읽기 오류를 해결하기 위한 보편적인 방법 중의 하나는 슬라이딩 윈도우 필터의 사용이다. 따라서 최적의 윈도우 크기를 결정하는 것은 특히 모바일 환경에서는 읽기 오류를 줄이기 위해 쉽지 않은 중요한 일이다. 본 논문에서는 지능형 윈도우 크기 조정을 통해 읽기 오류를 줄이기 위하여 단일 태그를 위한 RFID 데이터 정제 방안을 제안한다. 이항 샘플링을 기반으로 한 기존 연구와 달리, 본 논문에서는 가중치 평균을 사용한다. 이는 최근의 읽기가 더 정확한 현재의 태그 전이를 나타낼 수 있으므로 과거와 현재의 읽기를 차별화하는 일이 필요하다는 것에 기반을 두고 있다. 가중치 평균을 사용하므로 이질적인 읽기 패턴을 갖는 모바일 환경에서도 효율적으로 적응하여 윈도우 크기를 동적으로 조정할 수 있게 된다. 뿐만 아니라, 윈도우 내의 읽음 패턴과 감소되는 윈도우 크기의 효과를 분석함으로서 더욱 효율적이고 정확한 크기 조정 결정을 할 수 있도록 한다. 제안한 방안을 사용하면 RFID 미들웨어 시스템이 응용에 좀 더 정확하고 무결점의 데이터를 제공함으로써 본래의 응용 서비스 품질을 보장할 수 있도록 한다는 궁극적인 목적을 달성할 수 있을 것으로 기대한다.

• 지능정보연구
• /
• 제25권3호
• /
• pp.239-251
• /
• 2019

본 논문은 학습데이터의 크기에 따른 사례기반추론기법이 주가예측력에 어떻게 영향을 미치는지 살펴본다. 삼성전자 주가를 대상을 학습데이터를 2000년부터 2017년까지 이용한 경우와 2015년부터 2017년까지 이용한 경우를 비교하였다. 테스트데이터는 두 경우 모두 2018년 1월 1일부터 2018년 8월 31일까지 이용하였다. 시계 열데이터의 경우 과거데이터가 얼마나 유용한지 살펴보는 측면과 유사사례개수의 중요성을 살펴보는 측면에서 연구를 진행하였다. 실험결과 학습데이터가 많은 경우가 그렇지 않은 경우보다 예측력이 높았다. MAPE을 기준으로 비교할 때, 학습데이터가 적은 경우, 유사사례 개수와 상관없이 k-NN이 랜덤워크모델에 비해 좋은 결과를 보여주지 못했다. 그러나 학습데이터가 많은 경우, 일반적으로 k-NN의 예측력이 랜덤워크모델에 비해 좋은 결과를 보여주었다. k-NN을 비롯한 다른 데이터마이닝 방법론들이 주가 예측력 제고를 위해 학습데이터의 크기를 증가시키는 것 이외에, 거시경제변수를 고려한 기간유사사례를 찾아 적용하는 것을 제안한다.