• 지구물리와물리탐사
• /
• 제13권1호
• /
• pp.1-8
• /
• 2010

탄성파 반사법 탐사는 석탄 구조를 묘사하기 위해 그리고 석탄 채굴법 중 장벽식 채단법(longwall mining)의 위험 경감을 위해 가장 널리 이용되며 가장 효과적인 방법 중의 하나이다. 그러나 이 탄성파 탐사법의 분해능은 화산암의 존재에 의해 영향을 받는다. 호주의 보웬분지(Bowen Basin)와 시드니 분지(Sydney Basin) 일부에 이러한 화산암이 분포하고 있으며, 이러한 지역에서 탄성파 탐사를 이용하여 지하지질구조를 정확히 밝혀내는 데는 어려움이 따를 수 있다. 결과적으로 그러한 지역은 석탄광 후보지로 관성을 끌지 못하게 된다 따라서, 이러한 현무암 지역에서 수행되는 탄성파 탐사의 성공률을 높이기 위한 기법들이 필요하다. 이 연구에서는 탄성파동 방정식에 기초한 모델링 기법을 이용하여 현무암의 물성차, 두계, 횡방향 연장성, 송신원에 대한 상대적인 위치, 다양한 형태의 불균질성이 탄성파 전파에 어떠한 영향을 주는가를 살펴본다. 탄성파 모델링 결과로부터 다음과 같은 결론을 얻었다. 1) 임피던스의 차가 큰 현무암과 다중 흐름(multiple flow)이 있는 경우 다중반사파가 강하게 나타나며 일차반사파가 약하게 나타난다. 2) 현무암층이 앓을 경우 현무암의 존재가 파의 전파에 미치는 효과가 두꺼운 현무암층에 의한 효과보다 적은 것으로 나타났으며, 3) 현무암이 부분적으로 덮여 있을 경우 표변전체가 현무암으로 덮여 있는 경우에 비해 그 효과가 미약하게 나타났다. 4) 저주파의 탄성파(특히 원거리 오프셋에서)가 고주파의 탄성파에 비해 현무암층을 더 잘 통과함을 알 수 있었다. 또한 5) 석탄층이 현무암층으로부터 얼리 떨어져 깊은 곳에 존재할수록 현무암층이 파의 전파에 미치는 영향이 적음을 알 수 있었다. 이러한 연구결과들은 현무암층 하부에 대하여 탄성파 탐사를 수행할 때 발생할 수 있는 문제에 대한 통찰력을 제공할 뿐 아니라 탄성파 잡음을 적절히 처리하고 저주파수 대역의 지오폰으로 원거리 오프셋에서 탄성파 탐사자료를 획득함으로써 탄성파 탐사 결과를 개선시킬 수 있다는 것을 보여준다.

• 한국수자원학회논문집
• /
• 제47권6호
• /
• pp.537-546
• /
• 2014

홍수시 하천의 유속을 효율적이고 안전하게 측정할 수 있는 방법의 하나로 제시된 것이 표면 영상 유속 측정법이다. 일반적인 표면영상유속계(SIV)는 두장의 정지영상에서 영상 조각을 잘라낸 뒤 여기에 상호상관법을 적용하여 유속을 산정한다. 이 방법은 짧은 시간간격의 유속분포 측정에 매우 효율적이다. 그러나 장시간의 평균 유속장을 산정하는 데는 많은 시간이 소요되며, 순간 유속장을 산정하기 때문에 흐름 조건이나 촬영 조건에 따라 생기는 잡음이나 불확실성의 영향을 많이 받게 된다. 이를 개선하고자 개발된 방법이 시공간 영상을 이용하여 일정 시간동안의 유속의 평균을 한번에 산정하는 시공간영상유속계측법(STIV)이다. 시공간영상유속계측법 중의 하나인 휘도경사텐서법은 일정 시간동안의 시공간 영상을 한 번에 분석하기 때문에, 유속 산정 시간을 획기적으로 줄일 수 있는 장점이 있다. 그러나 이 방법은 하천의 일방향 유속만을 계산할 수 있기 때문에 구조물 주변이나 만곡이 있는 경우의 2차원 흐름 측정은 불가능하다는 한계가 있다. 이를 개선하기 위해서 본 연구에서는 상호상관법을 이용하여 2차원적으로 시공간 영상을 분석하는 방법(상호상관 시공간영상유속계측법)을 개발하였다. 이 방법은 시공간영상에서 시간축 방향으로 상관분석을 통해 영상변위를 산정하는 방법이다. 기존의 시공간영상분석기법 중 하나인 휘도경사텐서법이 주흐름 방향만 분석이 가능하였던 데 비하여, 상호상관 시공간 영상분석법은 2차원 유속분포 측정이 가능하고, 시간적인 평균을 취하기 때문에, 공간 해상도가 높으며, 전체적인 유속 분석시간이 매우 짧아지는 장점이 있다. 또한 공동 흐름에 대한 인공 영상을 이용한 오차 분석결과 최대 10% 이내, 평균적으로 5% 이하의 오차를 보여 상당히 정확하게 2차원 유속분포 측정이 가능한 것으로 나타났다.

• 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.