• The Korean Journal of Financial Management
• /
• v.11 no.1
• /
• pp.1-29
• /
• 1994

재무관리의 모든 영역을 완벽하게 이해하기 위하여는 기업재무관리와 투자론을 비롯하여 금융산업 전체에 대한 연역적 방법에 의한 이론의 정립과 실증분석을 통한 이론의 정립이 관건이라 할 수 있다. 이 논문에서는 실증 분석을 수행함에 있어 우리나라에서 활발하게 논의가 진행되지 않는 시계열분석의 영역을 살펴보았다. 그것은 이와 같은 분야를 천착해 봄으로써 이 분야가 재무관리에 대한 통찰력과 현실 적합성의 판단력을 배양하는데 큰 공헌을 할 수 있으리라는 믿음 때문이다. 이 논의를 통하여 시계열 분석에 대한 활발한 연구가 진행되기를 기대하고 있다. 시계열 확률과정에 대한 재무관리이론을 연역적으로 도출하기는 용이하지 않다. 시계열 분석에서 제시되는 여러 방법론을 재무관리의 시계열에 적용하여 그 시계열의 성질과 특성을 파악하면 그것이 그대로 현실에 적용될 수 있을 것이다. 이러한 연구의 결과는 어떤 형태로든 연역적 방법에 의한 이론의 정립에 깊은 영향을 미칠 것이다. 뿐만 아니라 연속시간의 틀과 이시적(異時的) 양태하(樣態下)에서 많은 재무관리 모형들이 개발되고 있으며, 동태적 상황을 해명하는 의도에서 이 모형들이 연구되고 있는 만큼 시계열 분석은 이 분야에 직접적으로 이용될 수 있다. 시계열 분석에서 제시된 많은 모형들이 재무관리의 실증적 현상을 설명하는데 효과적으로 활용될 수 있다. 뿐만 아니라 현재 연역적으로 개발된 모형들이 설명할 수 없는 부분을 시계열 분석이 직접적으로 해명할 수 있는 능력을 확보하고 있음도 제시되었다. 증권의 현가모형(現價模型), 이자율의 기간구조, 효율적 시장가설도 주가의 변동성 등은 시계열 분석의 다양한 기법을 사용하여 검증되어야 하며, 이 경우 특히 분산의 추정방법을 여러 측면에서 개발해 야 할 것이다. 시계열 분석에서는 두개 또는 그 이상의 기법을 하나로 통합하는 방법이 있을 수 있다. ARIMA와 ARCH가 결합되는 것을 본 바 있다. 구조적(構造的) 변화(變化)(structural change)모형(模型)과 ARCH의 결합도 가능하다. 다른 분야로서는 변동성(變動性)에 관한 연구이다. 변동성(變動性)에 관한 연구는 variance bounds test에 한정된 감이 있으나 정보와 변동성의 관계가 중요시되고 있는 만큼 정보집합과 시계열 분석 기법의 결합은 변동성의 연구에 새로운 지평을 열어줄 것으로 보인다. 따라서 정보집합의 형성에 따라 새로운 추정방법이 개발될 여지가 풍부하다.

• The Korean Journal of Financial Studies
• /
• v.11 no.1
• /
• pp.1-36
• /
• 2005

한 시계열의 원래 관찰치가 본래 가지고 있는 정보를 하나도 잃지 않고 또한 손상시키지 않고 그대로 보존되며 계산이 용이하고, 뿐만 아니라 가능도함수나 비모수 추정함수를 계산함에 있어 수치적 불안정 잠재성이 존재하지 않도록 변환된 시계열을 얻을 수 있으면, 다시 말해 각종 통계량의 계산에 용이하게 적용 가능하되 원래 시계열이 보유하고 있는 모든 성질들은 추호도 손상시킴이 없이 이 시계열을 변환시킬 수 있는 변환방법이 존재한다면, 모수의 추정치와 검정통계량을 정확히 얻을 수 있을 것이다. 이와 같은 변환방법이 웨이브렛 변환이다. 이 변환은 푸리에 분석의 결점을 극복하되 후리에 변환이 적용되는 분야에는 거의 모두 적용 가능한 변환방법이다. 이 논문에서는 시계열의 웨이브렛 변환을 소개하고 이 변환이 재무시계열의 모형화에 한몫을 단단히 할 수 있다는 점을 밝히고자 한다. 그리고 웨이브렛 변환을 성공적으로 적용할 수 있는 주가과정을 하나의 예로 제시하여 웨이브렛 변환의 구체적 적용방법을 탐구하고자 한다. 웨이브렛의 주가 시계열의 적용방법의 한 예로 주가의 장기기억과정을 분석한다. 한국과 외국의 일별 주가지수의 수익률 시계열들이 장기기억과정을 따르는 시계열임이 발견되었다. 여러 형태의 웨이브들을 사용하여 검정하였는데 이 모두가 한결같이 주가지수가 장기기억성과정임을 지지하고 있다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2000.10a
• /
• pp.110-112
• /
• 2000

최근 몇 년간 시계열 데이터의 저장 및 분석에 대한 연구가 활발히 진행되고 있으며, 시계열 데이터베이스에서 유사패턴(similarity pattern)을 탐색하는 기법이 광범위한 응용분야에서 중요한 연구주제로 자리잡고 있다. 본 논문에서는 회귀분석방법을 바탕으로 한 분해 시계열 방법을 이용함으로써 기존의 유사성의 개념을 확장시켰다. 즉, 시계열 데이터가 가지고 있는 패턴을 여러 성분으로 분해하여 각기 다른 저장 공간에 저장하고, 이를 이용하여 유사성을 탐색할 때에도 분리된 각 성분 중 특정 변동특성이 유사한 데이터를 추가적으로 요구되는 시간없이 검색할 수 있다. 이는 전체 시계열 데이터를 이해하는데 뿐만 아니라 데이터를 예측하는 방법에도 유용하게 사용될 수 있다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2006.11a
• /
• pp.388-390
• /
• 2006

본 논문은 종합주가지수, 코스닥 지수의 시계열 일간 데이터의 위상분석을 통해 시계열간의 연관성을 분석하였다. 시계열의 데이터는 비선형, 비정상이다. 따라서 위상성분의 정확한 추출을 위해서 전통적인 수학적 방법이 아닌 순간 위상값을 이용한 새로운 신호분석 방법을 사용하여 두 시계열의 연도별 위상차의 왜도와 첨도값을 기준으로 시계열의 상관특성을 살펴보았다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2019.05a
• /
• pp.259-259
• /
• 2019

시계열 자료들을 분석하고자 하는 경우 자료가 정상성(stationarity)을 만족하는 경우는 드물다. 특히 계절성을 제거한 자료들에서는 정량화하기 어려운 주기성이 많이 관찰된다. 즉, 어떤 특정지역에서 나타나는 현상이 다른 기상 현상에 영향을 미칠 것은 자명한 일이나 그 관련성이 선형(linearity)일 가능성은 극히 드물다. 따라서 그들 사이의 관련성이 선형성에 근거한 지표들로 정량화되어야 한다. 이러한 문제점을 해결하기 위해서 다양한 방법이 사용되며 그중에서 웨이블릿 분석을 통해 본 연구를 진행하였다. 웨이블릿 변환(wavelet transforms)은 특수한 함수의 집합으로 구성되어 기존 웨이블릿 신호의 분석을 위해 사용되는 방법이다. 이 변환은 푸리에 변환에서 변형된 방법으로 특정한 기저 함수(base function)를 이용하여 기존의 시계열 자료를 주파수로 바꾸는 변환이다. 웨이블릿 변환에서 기저 함수를 모 웨이블릿이라고 하며 이를 천이, 확대 및 축소 과정을 통해 주파수를 구성한다. 웨이블릿 분석은 모 웨이블릿을 분해하고 재결합하여 시계열 분석을 할 수 있다. 모 웨이블릿 함수에는 Haar, Daubechies, Coiflets, Symlets, Morlet, Mexican Hat, Meyer 등의 여러 가지 종류의 모 웨이블릿 함수가 있으며 모 웨이블릿이 달라지면 결과가 다르게 나타난다. 기존에는 Morlet 웨이블릿을 주로 이용하여 주파수분석에 사용하여 결과를 도출하였다. 그리고 시계열 자료는 크게 백색잡음(White Noise), 장기기억(Long Term Memory), 단기기억(Short Term Memory)으로 나뉜다. 각 시계열 자료의 종류에 따라 임의의 시계열 자료를 산정하여 그에 따른 웨이블릿 분석을 통해 모 웨이블릿의 특성을 도출하였다. 본 연구에서는 웨이블릿 분석을 통해 시계열 자료의 최적 모 웨이블릿을 결정하고자 남방진동지수(SOI), 북극진동지수(AOI)의 자료를 이용하여 웨이블릿 분석을 시도하였다. 웨이블릿 분석은 모 웨이블릿에 따라 달라지는 결과를 토대로 분석하였으며 이를 정상성과 지속성에 따라 분류된 시계열에 적용하여 최적 모 웨이블릿을 결정하고자 하였다. 본 연구에서는 임의의 시계열 자료에서 설정한 최적의 모 웨이블릿을 AOI와 SOI와 같은 실제 시계열 자료에 대입하여 분석을 진행하였다. 본 연구에서는 시계열 자료의 종류를 구분하고 자료의 특성에 따라 가장 적합한 모 웨이블릿을 구하고자 하였다.

• KIPS Transactions on Software and Data Engineering
• /
• v.11 no.2
• /
• pp.81-86
• /
• 2022

Given that time series are used in various fields, such as finance, IoT, and manufacturing, data analytical methods for accurate time-series forecasting can serve to increase operational efficiency. Among time-series analysis methods, multi-horizon forecasting provides a better understanding of data because it can extract meaningful statistics and other characteristics of the entire time-series. Furthermore, time-series data with exogenous information can be accurately predicted by using multi-horizon forecasting methods. However, traditional deep learning-based models for time-series do not account for the heterogeneity of inputs. We proposed an improved time-series predicting method, called the temporal fusion transformer method, which combines multi-horizon forecasting with interpretable insights into temporal dynamics. Various real-world data such as stock prices, fine dust concentrates and electricity consumption were considered in experiments. Experimental results showed that our temporal fusion transformer method has better time-series forecasting performance than existing models.

• Communications for Statistical Applications and Methods
• /
• v.1 no.1
• /
• pp.119-130
• /
• 1994

각종 통계패키지 내에 수용되어 있는 시계열 분석방법은 패키지의 특성이나 기능에 따라 다소 차이가 있다. 본 논문에서는 일반덕으로 많이 사용되고 있는 8종류의 통계패키지 (EXECUSTAT, MINITAB, RATS, SAS, SCA, S-PLUS, TSP)에서 시계열 분석이 어떻게 이루어지는지를 비교 검토하였다. 지수평활법과 ARIMA 모형에 의한 분석방법을 중심으로 비교하였으며, 아울러 사용자 관점에서 편리하고 보다 효율적인 패키지가 갖추어야 할 기능들을 제시하였다.

• Journal of Internet Computing and Services
• /
• v.25 no.2
• /
• pp.39-47
• /
• 2024

Time series analysis is widely employed by many organizations to solve business problems, as it extracts various information and insights from chronologically ordered data. Among its applications, measuring time series similarity is a step to identify time series with similar patterns, which is very important in time series analysis applications such as time series search and clustering. In this study, we propose an efficient method for measuring time series similarity that focuses on anomalies rather than the entire series. In this regard, we validate the proposed method by measuring and analyzing the rank correlation between the similarity measure for the set of subsets extracted by anomaly detection and the similarity measure for the whole time series. Experimental results, especially with stock time series data and an anomaly proportion of 10%, demonstrate a Spearman's rank correlation coefficient of up to 0.9. In conclusion, the proposed method can significantly reduce computation cost of measuring time series similarity, while providing reliable time series search and clustering results.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2016.05a
• /
• pp.232-232
• /
• 2016

주어진 시계열 자료의 경향성을 분석하고 판별하는 것은 수문 자료의 분석에서 가장 우선적으로 수행되어야 할 절차이며 경향성의 유무에 따라 자료를 분석하는 방법이 달라지게 되므로 매우 중요한 부분이다. 일반적으로 국내에서 주로 사용되는 수문 시계열 자료의 경향성 분석 방법으로는 비매개변수적인 방법인 Mann-Kendall test, Spearman's rho test, Hotelling Pabst test, Sentest 등이 있으며 그 중에서도 국내외 수문 자료의 경향성 분석에는 비교적 높은 기각력을 보이는 Mann-Kendall test가 주된 방법으로 활용되어 오고 있다. Mann-Kendall test는 통계적 유의성을 바탕으로 한 경향성 판별 방법으로 시계열 자료 내에 존재하는 경향성의 형태를 분석하여 경향성 유무를 판별하는 것에는 한계가 있다. 경험적 모드분해법을 활용한 경향성 분석 방법은 체거름 과정을 통하여 주어진 시계열 자료를 내재모드함수로 분해한 후, 추출된 모든 요소를 제거하고 남은 잔여값의 형태를 이용하여 경향성 유무를 판별하는 방법으로 자료에 내재된 경향성의 형태를 확인할 수 있는 장점을 가지고 있다. 본 연구에서는 이러한 경험적 모드분해법을 이용한 경향성 분석 방법을 소개하고, 모의를 통한 시계열 자료를 이용하여 경향성 분석에 적용한 후 기존에 사용되어온 Mann-Kendall test와의 비교를 통해 적용성을 평가하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.05a
• /
• pp.479-482
• /
• 2021

시계열 형태의 데이터는 다양한 분야에서 수집되고 응용되기 때문에 정확한 시계열 예측은 많은 분야에서 운영 효율성을 높일 수 있는 중요한 분석 방법으로 고려된다. 그중 다층 수평 예측은 사용자에게 전반적인 시계열 데이터 경향성을 제공할 수 있다. 하지만 다양한 정보를 포함하는 시계열 데이터는 데이터에 내재한 이질성(heterogeneity)까지 포괄적으로 고려한 방법을 통해서만 정확한 예측을 할 수 있다. 하지만 지금까지 많은 시계열 분석 모델들이 데이터의 이질성을 반영하지 못했다. 이러한 한계를 보완하고자 우리는 Temporal Fusion Transformer 모델을 사용하여 실생활과 밀접한 관련이 있는 데이터에 적용하여 이질성을 고려한 향상된 예측을 수행하였다. 실제, 주식 데이터와 미세 먼지 데이터와 같은 실생활 시계열 데이터에 적용하였고 실험 결과 기존 모델보다 Mean Squared Error(MSE)가 0.3487 낮은 것을 확인하였다.