[논문]인터넷 검색추세를 활용한 빅데이터 기반의 주식투자전략에 대한 연구

김민수; 구평회

doi:10.7737/jkorms.2013.38.4.053

인터넷 검색추세를 활용한 빅데이터 기반의 주식투자전략에 대한 연구
A Study on Big Data Based Investment Strategy Using Internet Search Trends 원문보기

한국경영과학회지 = Journal of the Korean Operations Research and Management Science Society, v.38 no.4, 2013년, pp.53 - 63

김민수 (부경대학교 시스템경영공학부) , 구평회 (부경대학교 시스템경영공학부)

Abstract ▼ AI-Helper

Together with soaring interest on Big Data, now there are vigorous reports that unearth various social values lying underneath those data from a number of application areas. Among those reports many are using such data as Internet search histories from Google site, social relationships from Facebook, and transactional or locational traces collected from various ubiquitous devices. Many of those researches, however, are conducted based on the data sets that are accumulated over the North American and European areas, which means that direct interpretation and application of social values exhibited by those researches to the other areas like Korea can be a disturbing task. This research has started from a validation study against Korean environment of the former paper which says an investment strategy that exploits up and down of Google search volume on a carefully selected set of terms shows high market performance. A huge difference between North American and Korean environment can be eye witnessed via the distinction in profit rates that are exhibited by the corresponding set of search terms. Two sets of search terms actually presented low correlation in their profit rates over two financial markets. Even in an experiment which compares the profit rates with two different investment periods with the same set of search terms showed no such meaningful result that outperforms the market average. With all these results, we cautiously conclude that establishing an investment strategy that exploits Internet search volume over a specified word set needs more conscious approach.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

위와 같이 발표된 다양한 연관성에 대한 연구 중에서, 본 논문에서는 Preis et al.[18]이 제시한 트렌드 투자전략이 국내에서도 적용될 수 있는지를 검증하는 것에 목적을 두고 있다. 동일한 투자전략이 두 주식시장에서 보이는 결과를 비교한 다음, 차이가 나타나는 결과에 대한 해석을 통해 국내 주식시장의 특징을 반영한 새로운 검색트렌드 기반의 투자전략이 어떻게 구성될 수 있을지에 대해서 논의한다.
[18]이 제시한 트렌드 투자전략이 국내에서도 적용될 수 있는지를 검증하는 것에 목적을 두고 있다. 동일한 투자전략이 두 주식시장에서 보이는 결과를 비교한 다음, 차이가 나타나는 결과에 대한 해석을 통해 국내 주식시장의 특징을 반영한 새로운 검색트렌드 기반의 투자전략이 어떻게 구성될 수 있을지에 대해서 논의한다.
그러나 이 연구는 미국의 데이터 집합을 중심으로 다우존스산업지수(DJIA：Dow Jones Industrial Average)를 대상으로 이루어졌으며, 무엇보다도 기준이 되는 검색어의 선정에 있어서 범국가적인 특성을 반영한 것이 아니라는 점에서 해당 연구결과를 활용하는데 있어서 객관적인 재검토가 필요하다. 본 연구에서는 이러한 기존 연구의 결과가 한국의 주식 시장에서 직접적으로 활용되기 어렵다는 점을 살펴보고, 한국적인 경제 상황을 반영할 수 있는 검색어 집합의 선택에는 보다 많은 연구가 필요함을 얘기하고자 한다. 더 나아가서는 과연 검색어에 기초한 시장 투자 전략이 효과적인 방법이 될 수 있는 지에 대한 토론의 화두를 제기한다는 점에서 의미를 가질 수 있겠다.
7%의 좋지 않은 수익률을 기록하고 있다. 이처럼 구글트렌드와 네이버트렌드의 수익률 차이를 분석하기 위하여 본 논문에서는 각 검색용어에 대한 두 나라에서의 수익률 간의 관계를 조사하였다.

제안 방법

2. 검증데이터를 활용한 용어 별 투자수익률 검증：네이버트렌드를 이용한 주식거래전략을 위하여 초기 5년간(2007년～2011년)의 데이터를 학습데이터로 하여 수익률과 이후 1년 7개월(2012년～2013년 7월 말) 동안의 수익률 간의 상관관계를 분석하여 제시된 용어를 기반으로 하는 트렌드 정보를 가지고 투자전략을 세웠을 때 원하는 결과가 나오는지 분석한다.
5%를 차지하고 있다. 따라서 본 논문에서는 신뢰도 측면에서 검색수가 가장 많은 네이버트렌드의 추이데이터를 택하여 분석을 실시하였다. 실험의 주요 목적은 아래와 같다.
우선, 동일한 단어에 대한 미국에서의 수익률과 국내에서의 수익률의 관계성을 공정하게 분석하기 위해 동일한 기간인 1년간의 평균 수익률을 가지고 비교하였다. 또한 시장자체의 변화에 대한 영향을 없애기 위하여 벤치마크 수익률을 감안하여 다음과 같이 조정연수익률을 산출하여 비교하였다：
[그림 5]는 조정연수익률이 10% 이상 되는 단어만을 선택하여 트렌드 투자전략을 사용한 투자 결과이다. 모형 형성 단계에서 10%이상의 손실을 본 단어들은 투자전략을 역으로 하여 (즉 매수포지션 전략) 투자하는 것으로 하였다. 대상 단어는 28개로 이들 단어들을 모두 포함하여 투자하는 경우 조정연수익률은 16.
[18]는 구글트렌드를 이용하여 미국에서 용어 별 검색수의 추이를 이용하여 주식시장의 미래를 예측할 수 있다고 주장하였다. 본 실험은 이러한 내용이 국내에서도 활용될 수 있는지 동일한 단어를 가지고 비교 분석한다.
[18]은 특정 용어에 대하여 현재의 인터넷 검색 횟수가 가까운 미래의 주식시장의 가격등락과 관계가 있는지 확인하는 연구를 수행하였다. 우선 주식시장과 관련된 98개의 용어를 선정하고, 각 용어에 대하여 구글트렌드로 검색 추이를 얻은 후, 과거 일정기간보다 검색 횟수가 증가하면 DJIA 매도포지션을 취하고 반대면 매수포지션을 취한 후 일 주일 지나서 청산하는 방식으로 투자하는 전략을 제시하였다. 연구결과 구글트렌드의 데이터는 주식시장의 현재뿐만 아니라 가까운 미래의 상황도 예측하는데 도움이 된다는 것을 발견하고, 특히 주식시장이 폭락하기 전에 주요용어의 검색수가 증가한다는 것을 발견하였다.
우선 현재 고려하고 있는 검색용어를 대상으로 투자전략의 형성을 위하여 전체 데이터를 학습데이터 세트와 검증데이터세트로 구분한다. 즉, 2007년～2011년 사이의 데이터를 학습데이터로 하여 투자전략을 세우고, 이를 기반으로 투자하였을 경우에 2012년～2013년을 검증데이터로 사용하여 결과가 어떤 지를 알아보는 실험을 수행하였다.
우선, 동일한 단어에 대한 미국에서의 수익률과 국내에서의 수익률의 관계성을 공정하게 분석하기 위해 동일한 기간인 1년간의 평균 수익률을 가지고 비교하였다. 또한 시장자체의 변화에 대한 영향을 없애기 위하여 벤치마크 수익률을 감안하여 다음과 같이 조정연수익률을 산출하여 비교하였다：
우선 현재 고려하고 있는 검색용어를 대상으로 투자전략의 형성을 위하여 전체 데이터를 학습데이터 세트와 검증데이터세트로 구분한다. 즉, 2007년～2011년 사이의 데이터를 학습데이터로 하여 투자전략을 세우고, 이를 기반으로 투자하였을 경우에 2012년～2013년을 검증데이터로 사용하여 결과가 어떤 지를 알아보는 실험을 수행하였다. [그림 4]는 이 두 기간 동안에 검색단어별로 조정연수익률을 나타내고 있다.

대상 데이터

국내에서 인터넷 검색용어의 추이와 주가지수의 관계를 알아보기 위하여 단어 별 검색 추이는 검색하는 단어의 역사적 추이 정보를 제공해 주는 네이버트렌드(http://trend.naver.com/)를 이용하였고, 주가지수는 KOSPI200 지수를 사용하였다. 네이버 트렌드는 2007년 이후 주단위로 단어 별로 검색횟수에 대한 추이정보를 제공하므로 KOSPI200도 주 단위의 주가정보를 사용한다.
이처럼 주간수익률을 계산하면 누적수익률은 주간수익률을 더하여 간단히 구할 수가 있다. 국내와 미국의 결과를 비교하기 위하여 98개의 단어를 한국어로 번역하고 번역시 한국어에서는 거의 쓰이지 않거나 두 영어단어가 하나의 한국어로 표현될 때는 단어를 제거하여 분석대상 단어는 총 84개로 하였다.
모형 형성 단계에서 10%이상의 손실을 본 단어들은 투자전략을 역으로 하여 (즉 매수포지션 전략) 투자하는 것으로 하였다. 대상 단어는 28개로 이들 단어들을 모두 포함하여 투자하는 경우 조정연수익률은 16.5%이었다. 그림에서 x축은 학습기간(2007년～2011년) 동안 트렌드 투자전략을 적용했을 경우의 조정연수익률이고 y축은 동일한 투자전략을 가지고 검증기간(2012년～2013년) 동안 투자한 결과이다.
추가 실험에서 대상으로 하는 84개 검색용어 중에서 일정한 수익률을 내는 단어들을 선택하여 실험결과를 분석하였다. [그림 5]는 조정연수익률이 10% 이상 되는 단어만을 선택하여 트렌드 투자전략을 사용한 투자 결과이다.

성능/효과

검색 용어 중 ‘은행’이 가장 높은 수익률인 146.5%의 수익률을 보여주었고, ‘헤드라인’, ‘암’, ‘판매’등이 100% 이상의 누적수익률을 실현하였다.
기존에는 한데 묶어서 다루어왔던 현상을 각각의 요소로 분해하여 파악하고 대응할 수 있는 데이터라는 의미에서 고해상이란 특징을 부여하였고, 취득이나 생성 혹은 처리 대상이 되는 데이터의 사이즈가 크지는 않더라도 매우 높은 빈도로 생성된다는 의미에서 고빈도 생성의 특징을 부여하였다. 마지막으로 정형적인 수치 데이터, 텍스트 데이터에 그치지 않고 웹 서비스를 이용한 유저의 기록, 방범카메라 영상, 디지털 사이니지(Signage)를 보는 사람의 얼굴 사진, 위치정보, 각종 센서에서 수집된 데이터 등 다양한 종류의 데이터를 연계하여 활용하게 된다는 측면에서 다양성을 제시한 것이다. 빅데이터의 개념은 처음에는 데이터 규모와 기술적 측면에서 시작되었지만 차츰 그 가치와 활용효과 측면에서 관찰되면서 그 개념도 확대되는 추세에 있다[2].
그림에서 볼 수 있듯이 높은 수익률이 기대되는 검색용어만을 가지고 트렌드 투자전략을 사용하여 투자하는 경우에도 과거의 수익률과 기대되는 미래의 수익률이 관련성이 없다는 것을 볼 수 있다. 실험결과 검증기간의 평균적인 조정연수익률은 -6.3%로 투자손실을 보게 되는 결과를 얻었으며, 단어 별 조정수익률의 상관 계수도 0.06으로 상당히 낮은 것으로 나타났다. 이는 선택된 현재의 단어를 가지고 과거에 투자결과가 좋게 나왔다고 하여 미래에도 수익률이 좋을 것이라고 예측하는 것은 위험하다는 것을 말하고 있다.
실험을 통하여 국내에서 네이버트렌드를 이용한 투자전략은 미국에서 구글트렌드를 이용한 투자전략과는 상이한 결과를 냄을 알 수 있었다. 일부 검색 용어는 벤치마킹 수익률 보다 높은 수익률을 주지만 상관분석을 통한 분석결과 과거에 좋은 결과를 주었다고 하여 미래에도 동일하게 적용되지 않음을 실험을 통하여 확인할 수 있었다.
[9]은 여러 종류의 암에 대한 인터넷 검색 수와 실제 암 환자 발생 수와의 관계를 조사하였다. 암 관련 용어의 인터넷 검색 수는 암 발생건수와 상관성(상관계수 0.5)이 있으나 그 보다는 신문지 상에서 암과 관련된 뉴스의 빈도(상관계수 0.88)와 더 큰 연관성이 있다는 것을 발견하였다. 이를 통하여 검색빈도가 실제 암 발생에 대한 직접적인 연관성보다 다른 요인(신문 뉴스 빈도)에 의해 영향 받을 수 있으므로 관련성 분석에 있어 여러 가지 면을 고려해야 한다는 점을 강조하였다.
구글트렌드를 이용하여 시장평균 이상의 수익률을 보이는 검색어가 전체의 2/3가량을 차지하였지만, 네이버트렌드를 이용한 경우에는 그 수가 약 20개 정도로 전체 검색어 84개의 약 25% 정도에 불과하였다. 양쪽 모두에서 시장평균 이상의 수익률을 보이는 검색어는 약 8개 정도로 전체 대상 검색어의 10%에도 미치지 못하는 결과를 보였다.
우선 주식시장과 관련된 98개의 용어를 선정하고, 각 용어에 대하여 구글트렌드로 검색 추이를 얻은 후, 과거 일정기간보다 검색 횟수가 증가하면 DJIA 매도포지션을 취하고 반대면 매수포지션을 취한 후 일 주일 지나서 청산하는 방식으로 투자하는 전략을 제시하였다. 연구결과 구글트렌드의 데이터는 주식시장의 현재뿐만 아니라 가까운 미래의 상황도 예측하는데 도움이 된다는 것을 발견하고, 특히 주식시장이 폭락하기 전에 주요용어의 검색수가 증가한다는 것을 발견하였다.
Preis et al.은 구글트렌드(Google Trends)를 이용하여 용어 별 검색수의 추이가 주식시장의 향후 움직임을 예측하는데 활용될 수 있다는 가정하에서, 98개의 단어를 선별하여 이 단어집합의 검색수 증감을 기초로 한 투자전략을 세우고, 이 전략이 시장평균 이상의 수익률을 보인다는 결과를 제시하였다. 그러나 이 연구는 미국의 데이터 집합을 중심으로 다우존스산업지수(DJIA：Dow Jones Industrial Average)를 대상으로 이루어졌으며, 무엇보다도 기준이 되는 검색어의 선정에 있어서 범국가적인 특성을 반영한 것이 아니라는 점에서 해당 연구결과를 활용하는데 있어서 객관적인 재검토가 필요하다.
이 예에서는 벤치마크인 basis가 32.1%의 수익률을 보인 반면에 ‘식당’을 가지고 네이버트렌드 투자전략을 사용한 경우에는 69.9%의 수익률을 보이고 있는 것을 알 수 있다.
실험을 통하여 국내에서 네이버트렌드를 이용한 투자전략은 미국에서 구글트렌드를 이용한 투자전략과는 상이한 결과를 냄을 알 수 있었다. 일부 검색 용어는 벤치마킹 수익률 보다 높은 수익률을 주지만 상관분석을 통한 분석결과 과거에 좋은 결과를 주었다고 하여 미래에도 동일하게 적용되지 않음을 실험을 통하여 확인할 수 있었다. 구글트렌드를 이용하여 시장평균 이상의 수익률을 보이는 검색어가 전체의 2/3가량을 차지하였지만, 네이버트렌드를 이용한 경우에는 그 수가 약 20개 정도로 전체 검색어 84개의 약 25% 정도에 불과하였다.
본 논문의 저자들은 이러한 실험 결과를 두가지 요인에 기인할 수 있다고 판단하였다. 첫째는 검색 용어를 사용하여 투자하는 것이 미국에서와는 다르게 국내에서는 적절하지 않을 수 있다는 점과, 두 번째는 미국과 국내의 주식시장은 다른 패턴으로 움직이고 시장환경도 상이하므로 주식투자와 관련하여 투자자들이 관심 있어 하는 단어가 양국이 다를 수 있다는 것이다. 이러한 판단을 검증하기 위하여 다음과 같은 추가적인 실험을 수행하였다.

후속연구

은 구글트렌드(Google Trends)를 이용하여 용어 별 검색수의 추이가 주식시장의 향후 움직임을 예측하는데 활용될 수 있다는 가정하에서, 98개의 단어를 선별하여 이 단어집합의 검색수 증감을 기초로 한 투자전략을 세우고, 이 전략이 시장평균 이상의 수익률을 보인다는 결과를 제시하였다. 그러나 이 연구는 미국의 데이터 집합을 중심으로 다우존스산업지수(DJIA：Dow Jones Industrial Average)를 대상으로 이루어졌으며, 무엇보다도 기준이 되는 검색어의 선정에 있어서 범국가적인 특성을 반영한 것이 아니라는 점에서 해당 연구결과를 활용하는데 있어서 객관적인 재검토가 필요하다. 본 연구에서는 이러한 기존 연구의 결과가 한국의 주식 시장에서 직접적으로 활용되기 어렵다는 점을 살펴보고, 한국적인 경제 상황을 반영할 수 있는 검색어 집합의 선택에는 보다 많은 연구가 필요함을 얘기하고자 한다.
검색어의 조합을 통한 투자전략에 대해서는 더 긴 기간에 걸친 다각적인 연구가 필요하다. 본 연구의 후속 연구로서 구글트렌드와 네이버트렌드 모두에서 높은 수익률을 보이는 검색어들과 국내의 금융시장 상황을 더 잘 표현할 수 있는 추가 검색어를 결합하여 다변량 분석을 통한 투자전략 수립에 대한 연구가 진행 중이다. 추가 검색어의 선정과 관련하여서는 국내 경제신문에 자주 언급되는 용어를 중심으로 진행되고 있으며, 국내 투자자들을 대상으로 한 조사연구도 고려중에 있다.
남북관계, 수출주도형산업, 상대적으로 높은 제조업산업 비중, 심한 외국의존도, 환율변동위험 등은 우리 경제(따라서 주식시장)에 상대적으로 커다란 영향을 미친다. 이러한 국내 금융시장의 특이성을 고려하여 검색트렌드 투자전략을 사용하면 의미 있는 결과가 나올 수 있을 것이라 기대된다. 예를 들어, [그림 6]은 남북관계와 관련하여 검색용어 ‘북핵’을 이용하여 네이버트렌드 투자전략을 적용한 경우의 높은 수익률을 보여주고 있다.
예를 들어, [그림 6]은 남북관계와 관련하여 검색용어 ‘북핵’을 이용하여 네이버트렌드 투자전략을 적용한 경우의 높은 수익률을 보여주고 있다. 이처럼 국내 주식시장에 좀 더 직접적인 영향을 주는 요인을 찾고 이러한 용어의 인터넷 검색추이와 주식시장과의 관계를 찾는 것은 앞으로 좀 더 연구해야 할 내용이라 판단된다.
예를 들어, 영어의 Debt는 사전상의 의미로 빚, 부채, 채무 심지어는 신세짐, 은혜, 의리와 같은 다양한 의미로 한국어에 대응된다. 이처럼 단어들 간의 의미상의 차이로 인해 정확한 대응관계를 갖는 하나의 검색어를 찾는 것에는 근본적인 한계가 있으므로, 하나의 영어 검색어에 대응되는 여러 한국어 검색어들을 복합적으로 활용하여 그 결과를 비교해 보는 추가적인 실험을 고려해 볼 수 있겠다.

질의응답

핵심어	질문	논문에서 추출한 답변
	일반적인 빅데이터에 대한 정의는 무엇인가?	빅데이터에 대한 명확한 정의는 연구자나 관련 기업들에 따라 차이를 보이지만, 일반적으로 기존 데이터에 비해 그 크기가 너무 커서 통상적인 방법으로는 수집하거나 분석하기가 어려운 데이터 집합체를 가리키는데 사용된다[1]. 스마트 폰과 센서 장비들의 증가로 인해 생성되는 데이터의 종류와 규모가 폭발적으로 증가함에 따라 이러한 데이터의 단순한 축적에서 보다 나아가 이를 다양한 사회적 가치 특히 비즈니스적인 가치에 활용하고자 하는 시도가 빅데이터에 대한 높은 관심의 배경이라고 할 수 있겠다.
	스즈키 료스케가 정의한 빅데이터의 3가지 특징은 무엇인가?	스즈키 료스케는 빅데이터를 ‘사업에 도움이 되는 인사이트를 도출하기 위해 고해상, 고빈도로 생성되는 다양한 데이터’라고 정의하면서, 빅데이터의 3가지 특징을 고해상, 다양성 및 고빈도로 정의하였다[1]. 기존에는 한데 묶어서 다루어왔던 현상을 각각의 요소로 분해하여 파악하고 대응할 수 있는 데이터라는 의미에서 고해상이란 특징을 부여하였고, 취득이나 생성 혹은 처리 대상이 되는 데이터의 사이즈가 크지는 않더라도 매우 높은 빈도로 생성된다는 의미에서 고빈도 생성의 특징을 부여하였다.
	인터넷 웹사이트에서 관련된 단어를 검색하는 경향에 대한 예는 무엇인가?	현대인이 자신의 생활과 건강 등에 어떤 기대와 걱정이 있는 경우 또는 가까운 미래에 어떤 사항에 대하여 의사결정을 할 경우 대부분은 우선 인터넷 웹사이트에서 관련된 단어를 검색하는 경향이 있다. 예를 들어 여행을 준비 중인 사람이라면 생각하고 있는 여행지의 관광명소나 호텔을 인터넷에서 검색하게 될 것이다. 이와 같은 맥락에서 생각해 본다면, 어떤 여행지의 관광명소나 호텔에 대한 인터넷 검색 수가 증가하면 가까운 미래에 이곳의 여행객이 증가할 수 있다는 예측이 가능하다.

참고문헌 (18)

료스케 지음 천재성 옮김, 빅 데이터 비즈니스, 도서출판 더 숲, 2012.
송민정, 빅 데이터가 만드는 비즈니스 미래지도, 한스 미디어, 2012.
윤형중 지음, 이제는 빅 데이터 시대, e비즈북스, 2012.
한국정보화진흥원, "신가치창출 엔진, 빅 데이터의 새로운 가능성과 대응 전략", IT and Future Strategy, 제18호, 2011.
Bollen, J., H. Mao, and X.J. Zeng, "Twitter mood predicts the stock market," Journal of Computational Science, Vol.2, No.1(2011), pp.1-8.

상세보기
Bordino, I., S. Battiston, G. Caldarelli, M. Cristelli, and Ukkonen, "Web search queries can predict stock market volumes," PLoS One, Vol.7, No.7(2012), pp.1-17.
Choi, H. and H. Varian, "Predicting Initial Claims for Unemployment Insurance Using Google Trends," Technical Report, Google., 2009.
Choi, H. and H. Varian, "Predicting the present with Google Trends," The Economic Record, Vol.88(2012), pp.2-9.

상세보기
Cooper, C., K. Mallon, S. Leadbetter, L. Pollack, and L. Peipins, "Cancer Internet Search Activity on a Major Search Engine, United States 2001-2003," Journal of Medical Internet Research, Vol.7, No.3(2005), e36.

상세보기
Ettredge, M., J. Gerdes, and G. Karuga, "Using Web-based search data to predict macroeconomic statistics," Communications of the ACM, Vol.48, No.11(2005), pp.87-92.

상세보기
Ginsberg, J., M.H. Mohebbi, R.S. Patel, L. Brammer, M.S. Smolinski, and L. Brilliant, "Detecting influenza epidemics using search engine query data," Nature, Vol.457(2009), pp.1012-1014.

상세보기
Goel, S., J.M. Hofman, S. Lahaie, D.M. Pennock, and D.J. Watts, "Predicting consumer behavior with Web search," Proceedings of the National Academy of Sciences, Vol.7, No.41(2010), pp.17486-17490.
McLaren, L. and R. Shanbhogue, "Using internet search data as economic indicator," Quarterly Bulletin, Vol.Q2(2011), pp.134-140.
Moat, H.S., C. Curme, A. Avakian, D.Y. Kenett, E. Stanley, and T. Preis, "Quantifying Wikipedia usage patterns before stock market moves," Scientific Report, Vol.3(2013), pp. 01801 : 1-5.
Polgreen, P.M., Y. Chen, D.M. Pennock, and F.D. Nelson, "Using Internet Searches for Influenza Surveillance," Healthcare Epidemiology, Vol.47(2008), pp.1443-1448.
Preis, T., D. Reith, and H.E. Stanley, "Complex dynamics of our economic life on different scales : insights from search engine query data," Philosophical Transactions of the Royal Society, Vol.368(2010), pp.5707-5719.

상세보기
Preis, T., Moat, H.S., Stanley, H.E. and Bishop, S.R., "Quantifying the Advantage of Looking Forward," Scientific Report, Vol.2 (2012), pp.00350 : 1-2.

상세보기
Preis, T., H.S. Moat, and H.E. Stanley, "Quantifying trading behavior in financial markets using Google Trends," Scientific Report, Vol.3(2013), pp.01684 : 1-5.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증