• 한국인터넷방송통신학회논문지
• /
• 제22권2호
• /
• pp.1-7
• /
• 2022

본 연구의 목적은 무인 항공기 서비스 영향성과 활성화 방안에 연구하는 것이다. 무인항공기 서비스의 도입에 따른 영향성에 대한 논의를 경제적, 환경적, 사회적 수용 측면과으로 살펴보고, 정책적 측면에서 산업 활성화 방안을 제시하였다. 경제 영향성 측면에서 보면, 향후에 무인항공기를 사용하여 운송 서비스가 증가하면, 도로 기반 운송화물이 줄어들고 도로 혼잡도 감소로 도로 이동속도가 빨라질 수 있다. 이는 토지나 부동산 자산 가치 상승 등에 긍정적인 영향을 줄 수 있으며, 스마트 도시 설계에도 영향을 제공한다. 환경 영향성 측면에서 보면, 무인항공기는 일반적으로 전기를 통하여 움직이므로 기존의 다른 기기인 차량이나 철도 대비 제공하는 방출하는 배기 가스가 적어서 상대적으로 환경 부정적 영향성은 적다. 그러나 이동시 등장하는 소음은 이동경로에 있는 야생 동물 서식 환경에 부정적인 영향을 제공할 수 있다. 사회적 수용성 측면에서 보면, 새로운 서비스 등장으로 쇠퇴하는 영역이 등장함과 동시에 이익을 창출하는 조직이 등장하여 산업 간의 갈등을 유발할 수 있다. 따라서 등장하는 산업에 대한 수용에 대한 사회적 공감대 형성이 반드시 필요하다. 정부는 이런 무인항공기 활용 서비스 특성을 반영한 부정적인 영향성을 최소화 하기 위한 다양한 대응 방안을 마련해야 한다. 무인기반 산업 활성화를 위해 중장기적으로 항공길 확보를 위해 지상에서 차량이 운행될 수 있도록 도로 표지판 등 다양한 시스템이 도입된 것과 마찬가지로 항공길을 구성하는데 우선적으로 도입 및 적용해야 하는 서비스에 대한 개발과 정립이 필요하다. 또한, 국내도 무인항공교통관리를 위한 정보 수집과 운영 방안과 각 지역별로 관제 시스템 확보 방안 등에 대한 설계 및 구현이 이루어져야 한다. 본 연구는 무인항공기 산업 발달로 새로운 영역에 대한 중장기적 연구에 아이디어를 제공 하는데에 기여할 수 있다.

• 벤처창업연구
• /
• 제18권1호
• /
• pp.203-223
• /
• 2023

최근 글로벌 시장에서 플랫폼 산업이 급격히 성장함과 동시에 경쟁이 심화되고 있으며, 향후 다양한 산업분야와 접목하여 플랫폼 산업의 영역과 범위는 더욱 확대될 전망이다. 따라서 플랫폼 시장에서 국내 플랫폼 기업들이 글로벌 경쟁력을 갖추기 위해서는 플랫폼 비즈니스 생태계 및 성공요인에 대한 연구가 필요하다. 그러나 최근 플랫폼 관련 연구는 플랫폼 비즈니스 현황분석, 플랫폼 경제, 플랫폼의 간접 네트워크 외부성 등의 특성에 관한 이론적 연구가 대부분을 차지했다. 따라서 본 연구는 기존 선행연구들에서 제안되고 있는 실리콘밸리 기업생태계의 성공요인들을 통합적으로 분석하고, 동시에 실제 실리콘밸리 플랫폼 기업생태계의 이해관계자들을 대상으로 추출된 성공요인들을 분석하였다. 그리고 이러한 요인들을 기반으로 플랫폼 기업생태계 이해관계자들에게 성공방안을 제안하기 위한 방안으로 IPA분석과 심층인터뷰(in-depth interview)를 진행하였다. 분석 결과, 선행연구들을 통해 수집한 성공요인들 중 비교적 현재 실리콘밸리에서 중요도와 만족도가 모두 잘 유지되고 있는 요인은 인력, 자본, 도전문화가 확인되었다. 결국 현재의 실리콘밸리가 우수한 인적자원과 풍부한 자본을 바탕으로 이를 활용해 마음껏 도전해볼 수 있는 환경과 문화가 조성된 것이 실리콘밸리의 플랫폼 비즈니스의 성공에 가장 크게 기여하고 있다는 것을 알 수 있다. 한편, 실리콘밸리의 플랫폼 기업생태계에 있어서 중요도는 높지만, 현재 이해관계자들의 만족도가 상대적으로 낮게 나타나는 요인으로는 '활발한 기업 간의 학습과 벤치마킹', '구성원 간의 강한 유대감과 협력관계'임을 확인되었고, 향후 해당 요인들을 강화하기 위한 관심과 노력이 필요한 것으로 분석되었다. 마지막으로 최소한의 관리만이 필요한 요인들은 시장의 자율경쟁에 필요한 제도 및 정책들과 '기업지원 서비스 산업', '네임밸류', '분사창업' 등이었으며, 이러한 요인들은 문헌조사에서는 중요하게 지적되었지만, 시대와 환경의 변화로 인해 그 중요도와 만족도에 있어서 우선순위가 낮아졌다는 연구결과가 도출되었다. 본 연구는 기존 선행연구들에서 제안되고 있는 실리콘밸리 기업생태계의 성공요인들을 통합적으로 분석하고, 동시에 실제 실리콘밸리 플랫폼 기업생태계의 이해관계자들을 대상으로 추출된 성공요인들을 분석하였다는데 이론적 의의를 찾을 수 있다. 또한, 추출된 다양한 요인들을 기반으로 IPA 분석을 통해 중요도 및 만족도를 동시에 살펴보았다는 점에서 또 다른 학문적 의의가 있다 하겠다. 실무적인 시사점으로는 정부 및 기업에게 국내 플랫폼 기업의 성장을 위한 이론적 근거와 플랫폼 기업 생태계의 성공요인에 대한 구체적인 정보를 제공함으로써 국내 플랫폼 생태계 형성에 기여하였다는 점에서 의의를 가진다.

• 환경생물
• /
• 제41권4호
• /
• pp.482-496
• /
• 2023

지난 수십 년간 국내 벼농사 시스템은 규모와 구조 측면에서 많은 변화가 있었으나, 이 시스템의 지속가능성에 대한 연구는 충분히 이뤄지지 않았다. 본 연구에서는 에머지 분석방법을 이용하여, 시스템 생태학의 관점에서 국내 벼농사 시스템의 지속가능성 변화를 분석하고자 했다. 이를 위해서, 2011년, 2016년, 2021년의 국내 벼농사 시스템에 대한 에머지 테이블을 작성하고 에머지 기반 지표 분석을 수행하였다. 에머지 분석 결과, 2011~2021년 동안의 논면적 감소에 따라 벼농사 시스템에 투입된 총 에머지는 10,744E+18 sej year^-1에서 8,342E+18 sej year^-1로 감소했고, 재생가능한 자원의 비율은 1.4% 감소한 것으로 나타났다. 면적당(ha) 투입된 에머지는 2011년 13.13E+15 sej ha^-1 year^-1에서 2021년 11.89E+15 sej ha^-1 year^-1로 감소한 것으로 분석되었고, 질소 비료 사용량 및 노동시간의 감소가 주된 원인이었다. 벼 1 g을 재배하는 데 투입되는 에머지는 2016년과 2021년 사이에 변화가 없었으나(specific emergy: 13.3E+09 sej g^-1), 벼농사 시스템의 지속가능성(emergy sustainability index, ESI)은 2011년부터 2021년까지 계속해서 낮아진 것으로 나타났다(2011년: 0.107, 2016년: 0.088, 2021년: 0.086). 본 연구는 국내 벼농사 시스템의 에머지 투입 구조 및 특징에 대한 정량적인 정보를 제공했다. 이 연구 결과는 국내 벼농사 시스템의 생태적 지속가능성 향상을 위한 방안을 구축하는 데 중요한 자료로 활용될 수 있을 것이다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.167-181
• /
• 2018

지난 10여 년간 딥러닝(Deep Learning)은 다양한 기계학습 알고리즘 중에서 많은 주목을 받아 왔다. 특히 이미지를 인식하고 분류하는데 효과적인 알고리즘으로 알려져 있는 합성곱 신경망(Convolutional Neural Network, CNN)은 여러 분야의 분류 및 예측 문제에 널리 응용되고 있다. 본 연구에서는 기계학습 연구에서 가장 어려운 예측 문제 중 하나인 주식시장 예측에 합성곱 신경망을 적용하고자 한다. 구체적으로 본 연구에서는 그래프를 입력값으로 사용하여 주식시장의 방향(상승 또는 하락)을 예측하는 이진분류기로써 합성곱 신경망을 적용하였다. 이는 그래프를 보고 주가지수가 오를 것인지 내릴 것인지에 대해 경향을 예측하는 이른바 기술적 분석가를 모방하는 기계학습 알고리즘을 개발하는 과제라 할 수 있다. 본 연구는 크게 다음의 네 단계로 수행된다. 첫 번째 단계에서는 데이터 세트를 5일 단위로 나눈다. 두 번째 단계에서는 5일 단위로 나눈 데이터에 대하여 그래프를 만든다. 세 번째 단계에서는 이전 단계에서 생성된 그래프를 사용하여 학습용과 검증용 데이터 세트를 나누고 합성곱 신경망 분류기를 학습시킨다. 네 번째 단계에서는 검증용 데이터 세트를 사용하여 다른 분류 모형들과 성과를 비교한다. 제안한 모델의 유효성을 검증하기 위해 2009년 1월부터 2017년 2월까지의 약 8년간의 KOSPI200 데이터 2,026건의 실험 데이터를 사용하였다. 실험 데이터 세트는 CCI, 모멘텀, ROC 등 한국 주식시장에서 사용하는 대표적인 기술지표 12개로 구성되었다. 결과적으로 실험 데이터 세트에 합성곱 신경망 알고리즘을 적용하였을 때 로지스틱회귀모형, 단일계층신경망, SVM과 비교하여 제안모형인 CNN이 통계적으로 유의한 수준의 예측 정확도를 나타냈다.

• 지능정보연구
• /
• 제24권2호
• /
• pp.111-124
• /
• 2018

본 연구는 만성질환 중의 하나인 고지혈증 유병을 예측하는 분류모형을 개발하고자 한다. 이를 위해 SVM과 meta-learning 알고리즘을 이용하여 성과를 비교하였다. 또한 각 알고리즘에서 성과를 향상시키기 위해 변수선정 방법을 통해 유의한 변수만을 선정하여 투입하여 분석하였고 이 결과 역시 각각 성과를 비교하였다. 본 연구목적을 달성하기 위해 한국의료패널 2012년 자료를 이용하였고, 변수 선정을 위해 세 가지 방법을 사용하였다. 먼저 단계적 회귀분석(stepwise regression)을 실시하였다. 둘째, 의사결정나무(decision tree) 알고리즘을 사용하였다. 마지막으로 유전자 알고리즘을 사용하여 변수를 선정하였다. 한편, 이렇게 선정된 변수를 기준으로 SVM, meta-learning 알고리즘 등을 이용하여 고지혈증 환자분류 예측모형을 비교하였고, TP rate, precision 등을 사용하여 분류 성과를 비교분석하였다. 이에 대한 분석결과는 다음과 같다. 첫째, 모든 변수를 투입하여 분류한 결과 SVM의 정확도는 88.4%, 인공신경망의 정확도는 86.7%로 SVM의 정확도가 좀 더 높았다. 둘째, stepwise를 통해 선정된 변수만을 투입하여 분류한 결과 전체 변수를 투입하였을 때보다 각각 정확도가 약간 높았다. 셋째, 의사결정나무에 의해 선정된 변수 3개만을 투입하였을 때 인공신경망의 정확도가 SVM보다 높았다. 유전자 알고리즘을 통해 선정된 변수를 투입하여 분류한 결과 SVM은 88.5%, 인공신경망은 87.9%의 분류 정확도를 보여 주었다. 마지막으로, 본 연구에서 제안하는 meta-learning 알고리즘인 스태킹(stacking)을 적용한 결과로서, SVM과 MLP의 예측결과를 메타 분류기인 SVM의 입력변수로 사용하여 예측한 결과, 고지혈증 분류 정확도가 meta-learning 알고리즘 중에서는 가장 높은 것으로 나타났다.

• 지능정보연구
• /
• 제23권4호
• /
• pp.147-168
• /
• 2017

오래 전부터 학계에서는 정확한 주식 시장의 예측에 대한 많은 연구가 진행되어 왔고 현재에도 다양한 기법을 응용한 예측모형들이 연구되고 있다. 특히 최근에는 딥러닝(Deep-Learning)을 포함한 다양한 기계학습기법(Machine Learning Methods)을 이용해 주가지수를 예측하려는 많은 시도들이 진행되고 있다. 전통적인 주식투자거래의 분석기법으로는 기본적 분석과 기술적 분석방법이 사용되지만 보다 단기적인 거래예측이나 통계학적, 수리적 기법을 응용하기에는 기술적 분석 방법이 보다 유용한 측면이 있다. 이러한 기술적 지표들을 이용하여 진행된 대부분의 연구는 미래시장의 (보통은 다음 거래일) 주가 등락을 이진분류-상승 또는 하락-하여 주가를 예측하는 모형을 연구한 것이다. 하지만 이러한 이진분류로는 추세를 예측하여 매매시그널을 파악하거나, 포트폴리오 리밸런싱(Portfolio Rebalancing)의 신호로 삼기에는 적합치 않은 측면이 많은 것 또한 사실이다. 이에 본 연구에서는 기존의 주가지수 예측방법인 이진 분류 (binary classification) 방법에서 주가지수 추세를 (상승추세, 박스권, 하락추세) 다분류 (multiple classification) 체계로 확장하여 주가지수 추세를 예측하고자 한다. 이러한 다 분류 문제 해결을 위해 기존에 사용하던 통계적 방법인 다항로지스틱 회귀분석(Multinomial Logistic Regression Analysis, MLOGIT)이나 다중판별분석(Multiple Discriminant Analysis, MDA) 또는 인공신경망(Artificial Neural Networks, ANN)과 같은 기법보다는 예측성과의 우수성이 입증된 다분류 Support Vector Machines(Multiclass SVM, MSVM)을 사용하고, 이 모델의 성능을 향상시키기 위한 래퍼(wrapper)로서 유전자 알고리즘(Genetic Algorithm)을 이용한 최적화 모델을 제안한다. 특히 GA-MSVM으로 명명된 본 연구의 제안 모형에서는 MSVM의 커널함수 매개변수, 그리고 최적의 입력변수 선택(feature selection) 뿐만이 아니라 학습사례 선택(instance selection)까지 최적화하여 모델의 성능을 극대화 하도록 설계하였다. 제안 모형의 성능을 검증하기 위해 국내주식시장의 실제 데이터를 적용해본 결과 ANN이나 CBR, MLOGIT, MDA와 같은 기존 데이터마이닝 기법들이나 인공지능 알고리즘은 물론 현재까지 가장 우수한 예측 성과를 나타내는 것으로 알려져 있던 전통적인 다분류 SVM 보다도 제안 모형이 보다 우수한 예측성과를 보임을 확인할 수 있었다. 특히 주가지수 추세 예측에 있어서 학습사례의 선택이 매우 중요한 역할을 하는 것으로 확인 되었으며, 모델의 성능의 개선효과에 다른 요인보다 중요한 요소임을 확인할 수 있었다.

• 지능정보연구
• /
• 제19권3호
• /
• pp.113-125
• /
• 2013

기업 경영에 있어서 고객의 소리(VOC)는 고객 만족도 향상 및 기업의사결정에 매우 중요한 정보이다. 이는 비단 기업뿐만 아니라 대고객, 대민원 업무를 처리하는 모든 조직에 있어서도 동일하다. 때문에 최근에는 기업뿐만 아니라 공공, 의료, 금융, 교육기관 등 거의 모든 조직이 VOC를 수집하여 활용하고 있다. 이러한 VOC는 방문, 전화, 우편, 인터넷게시판, SNS 등 다양한 채널을 통해 전달되지만, 막상 이를 제대로 활용하기는 쉽지 않다. 왜냐하면, 고객이 매우 감정적인 상태에서 고객의 주관적 의사를 음성 또는 문자로 표출하기 때문에 그 형식이나 내용이 정형화되어 있지 않고 저장하기도 어려우며 또한 저장하더라도 매우 방대한 분량의 비정형 데이터로 남기 때문이다. 본 연구는 이러한 비정형 VOC 데이터를 자동으로 분류하고 VOC의 유형과 극성을 판별할 수 있는 오피니언 마이닝 기반의 지능형 VOC 분석 시스템을 제안하였다. 또한 VOC 오피니언 분석의 기준이 되는 주제지향 감성사전 개발 프로세스와 각 단계를 구체적으로 제시하였다. 그리고 본 연구에서 제시한 시스템의 효용성을 검증하기 위하여 의료기관 홈페이지에서 수집한 4,300여건의 VOC 데이터를 이용하여 병원에 특화된 감성어휘와 감성극성값을 도출하여 감성사전을 구축하고 이를 통해 구현된 VOC분류 모형의 정확도를 비교하는 실험을 수행하였다. 그 결과 "칭찬, 친절함, 감사, 무사히, 잘해, 감동, 미소" 등의 어휘는 매우 높은 긍정 오피니언 값을 가지며, "퉁명, 뭡니까, 말하더군요, 무시하는" 등의 어휘들은 강한 부정의 극성값을 가지고 있음을 확인하였다. 또한 VOC의 오피니언 분류 임계값이 -0.50일 때 가장 높은 분류 예측정확도 77.8%를 검증함으로써 오피니언 마이닝 기반의 지능형 VOC 분석시스템의 유효성을 확인하였다. 그러므로 지능형 VOC 분석시스템을 통해 VOC의 실시간 자동 분류 및 대응 우선순위를 도출하여 고객 민원에 대해 신속히 대응한다면, VOC 전담 인력을 효율적으로 운용하면서도 고객 불만을 초기에 해소할 수 있는 긍정적 효과를 기대해 볼 수 있을 것이다. 또한 VOC 텍스트를 분석하고 활용할 수 있는 오피니언 마이닝 모형이라는 새로운 시도를 통해 향후 다양한 분석과 실용 프레임워크의 기틀을 제공할 수 있을 것으로 기대된다.

• 지능정보연구
• /
• 제26권3호
• /
• pp.109-125
• /
• 2020

군(軍)에서 방위력개선사업(이하 방위사업)은 매우 투명하고 효율적으로 이루어져야 함에도, 방위사업 관련 법 및 규정의 과도한 다양화로 많은 실무자들이 원활한 방위사업 추진에 어려움을 겪고 있다. 한편, 방위사업 관련 실무자들이 각종 문서에서 다루는 법령 문장은 문장 내에서 표현 하나만 잘못되더라도 심각한 문제를 유발하는 특징을 가지고 있으나, 이를 실시간으로 바로잡기 위한 문장 비교 시스템 구축에 대한 노력은 미미했다. 따라서 본 논문에서는 Siamese Network 기반의 자연어 처리(NLP) 분야 인공 신경망 모델을 이용하여 군(軍)의 방위사업 관련 문서에서 등장할 가능성이 높은 문장과 이와 관련된 법령 조항의 유사도를 비교하여 위법 위험 여부를 판단·분류하고, 그 결과를 사용자에게 인지시켜 주는 '군(軍) 보고서 등장 문장과 관련 법령 간 비교 시스템' 구축 방안을 제안하려고 한다. 직접 제작한 데이터 셋인 모(母)문장(실제 법령에 등장하는 문장)과 자(子)문장(모(母)문장에서 파생시킨 변형 문장) 3,442쌍을 사용하여 다양한 인공 신경망 모델(Bi-LSTM, Self-Attention, D_Bi-LSTM)을 학습시켰으며 1 : 1 문장 유사도 비교 실험을 통해 성능 평가를 수행한 결과, 상당히 높은 정확도로 자(子)문장의 모(母)문장 대비 위법 위험 여부를 분류할 수 있었다. 또한, 모델 학습에 사용한 자(子)문장 데이터는 법령 문장을 일정 규칙에 따라 변형한 형태이기 때문에 모(母)·자(子)문장 데이터만으로 학습시킨 모델이 실제 군(軍) 보고서에 등장하는 문장을 효과적으로 분류한다고 판단하기에는 제한된다는 단점을 보완하기 위해, 실제 군(軍) 보고서에 등장하는 형태에 보다 더 가깝고 모(母)문장과 연관된 새로운 문장 120문장을 추가로 작성하여 모델의 성능을 평가해본 결과, 모(母)·자(子)문장 데이터만으로 학습시킨 모델로도 일정 수준 이상의 성능을 확인 할 수 있었다. 결과적으로 본 연구를 통해 방위사업 관련 군(軍) 보고서에서 등장하는 여러 특정 문장들이 각각 어느 관련 법령의 어느 조항과 가장 유사한지 살펴보고, 해당 조항과의 유사도 비교를 통해 위법 위험 여부를 판단하는 '실시간 군(軍) 문서와 관련 법령 간 자동화 비교 시스템'의 구축 가능성을 확인할 수 있었다.

• 지능정보연구
• /
• 제18권2호
• /
• pp.29-45
• /
• 2012

회사채 신용등급은 투자자의 입장에서는 수익률 결정의 중요한 요소이며 기업의 입장에서는 자본비용 및 기업 가치와 관련된 중요한 재무의사결정사항으로 정교한 신용등급 예측 모형의 개발은 재무 및 회계 분야에서 오랫동안 전통적인 연구 주제가 되어왔다. 그러나, 회사채 신용등급 예측 모형의 성과와 관련된 가장 중요한 문제는 등급별 데이터의 불균형 문제이다. 예측 문제에 있어서 데이터 불균형(Data imbalance) 은 사용되는 표본이 특정 범주에 편중되었을 때 나타난다. 데이터 불균형이 심화됨에 따라 범주 사이의 분류경계영역이 왜곡되므로 분류자의 학습성과가 저하되게 된다. 본 연구에서는 데이터 불균형 문제가 존재하는 다분류 문제를 효과적으로 해결하기 위한 다분류 기하평균 부스팅 기법 (Multiclass Geometric Mean-based Boosting MGM-Boost)을 제안하고자 한다. MGM-Boost 알고리즘은 부스팅 알고리즘에 기하평균 개념을 도입한 것으로 오분류된 표본에 대한 학습을 강화할 수 있으며 불균형 분포를 보이는 각 범주의 예측정확도를 동시에 고려한 학습이 가능하다는 장점이 있다. 회사채 신용등급 예측문제를 활용하여 MGM-Boost의 성과를 검증한 결과 SVM 및 AdaBoost 기법과 비교하여 통계적으로 유의적인 성과개선 효과를 보여주었으며 데이터 불균형 하에서도 벤치마킹 모형과 비교하여 견고한 학습성과를 나타냈다.

• 지능정보연구
• /
• 제25권1호
• /
• pp.63-83
• /
• 2019

투자자들은 기업의 내재가치 분석, 기술적 보조지표 분석 등 복잡한 분석보다 차트(chart)에 나타난 그래프(graph)의 모양으로 매매 시점을 찾는 직관적인 방법을 더 선호하는 편이다. 하지만 패턴(pattern) 분석 기법은 IT 구현의 난이도 때문에 사용자들의 요구에 비해 전산화가 덜 된 분야로 여겨진다. 최근에는 인공지능(artificial intelligence, AI) 분야에서 신경망을 비롯한 다양한 기계학습(machine learning) 기법을 사용하여 주가의 패턴을 연구하는 사례가 많아졌다. 특히 IT 기술의 발전으로 방대한 차트 데이터를 분석하여 주가 예측력이 높은 패턴을 발굴하는 것이 예전보다 쉬워졌다. 지금까지의 성과로 볼 때 가격의 단기 예측력은 높아졌지만, 장기 예측력은 한계가 있어서 장기 투자보다 단타 매매에서 활용되는 수준이다. 이외에 과거 기술력으로 인식하지 못했던 패턴을 기계적으로 정확하게 찾아내는 데 초점을 맞춘 연구도 있지만 찾아진 패턴이 매매에 적합한지 아닌지는 별개의 문제이기 때문에 실용적인 부분에서 취약할 수 있다. 본 연구는 주가 예측력이 있는 패턴을 찾으려는 기존 연구 방법과 달리 패턴들을 먼저 정의해 놓고 확률기반으로 선택해서 매매하는 방법을 제안한다. 5개의 전환점으로 정의한 Merrill(1980)의 M&W 파동 패턴은 32가지의 패턴으로 시장 국면 대부분을 설명할 수 있다. 전환점만으로 패턴을 분류하기 때문에 패턴 인식의 정확도를 높이기 위해 드는 비용을 줄일 수 있다. 32개 패턴으로 만들 수 있는 조합의 수는 전수 테스트가 불가능한 수준이다. 그래서 최적화 문제와 관련한 연구들에서 가장 많이 사용되고 있는 인공지능 알고리즘(algorithm) 중 하나인 유전자 알고리즘(genetic algorithm, GA)을 이용하였다. 그리고 미래의 주가가 과거를 반영한다 해도 같게 움직이지 않기 때문에 전진 분석(walk-forward analysis, WFA)방법을 적용하여 과최적화(overfitting)의 실수를 줄이도록 하였다. 20종목씩 6개의 포트폴리오(portfolio)를 구성하여 테스트해 본 결과에 따르면 패턴 매매에서 가격 변동성이 어느 정도 수반되어야 하며 패턴이 진행 중일 때보다 패턴이 완성된 후에 진입, 청산하는 것이 효과적임을 확인하였다.