[논문]외국인 투자자의 비정상적 중·장기매도성향패턴예측을 위한 지능형 조기경보시스템 구축

오경주; 김영민

doi:10.7465/jkdi.2013.24.2.223

외국인 투자자의 비정상적 중·장기매도성향패턴예측을 위한 지능형 조기경보시스템 구축
An intelligent early warning system for forecasting abnormal investment trends of foreign investors 원문보기

Journal of the Korean Data & Information Science Society = 한국데이터정보과학회지, v.24 no.2, 2013년, pp.223 - 233

오경주 (연세대학교 정보산업공학과) , 김영민 (연세대학교 정보산업공학과)

초록
AI-Helper

본 연구는 외국인 투자자의 대량매도구간을 서포트 벡터 머신 알고리즘을 통해 모형을 구축하여 발생 가능한 대량매도기간을 사전에 방지할 수 있는 지능형 조기경보시스템을 구축하였다. 이러한 방법은 기존의 Son 등 (2009), Ahn 등 (2011)이 제시한 방법을 토대로 지능형 조기경보시스템에 대한 예측성과를 개선시켰으며, 더 나아가 최근까지 예측성과를 살펴봄으로써 조기경보시스템의 역할을 수행할 수 있는지를 살펴보았다. 또한 구축된 EWSFI는 국내주식시장뿐만 아니라 환율 및 원유시장 등 다양한 경제 분야에서 활용될 수 있는 가능성을 시사하고 있으며, 시장상황의 위기를 사전에 예측하여 예상되는 충격을 줄일 수 있을 것이다.

Abstract ▼ AI-Helper

At local emerging stock markets such as Korea, Hong Kong, Singapore and Taiwan, foreign investors (FI) are recognized as important investment community due to the globalization and deregulation of financial markets. Therefore, it is required to monitor the behavior of FI against a sudden enormous selling stocks for the concerned local governments or private and institutional investors. The main aim of this study is to propose an early warning system (EWS) which purposes issuing a warning signal against the possible massive selling stocks of FI at the market. For this, we suggest machine learning algorithm which predicts the behavior of FI by forecasting future conditions. This study is empirically done for the Korean stock market.

주제어

AI 본문요약
AI-Helper

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

문제 정의

이러한 양적 성장으로 말미암아 2004년 이전 코스피 1%를 올리기 위해 필요한 금액은 2008년에는 두 배 이상 소요됨을 의미한다. 따라서 본 연구에서는 이러한 문제점을 해결하기 위하여 외국인 투자자의 순매수 금액을 코스피의 시가총액으로 나눈 비율 (NPGR)을 가지고 오라클 분류기준을 조정할 필요가 있다. 이를 확인하기 위하여 Figure 3.
본 연구는 기존의 Ahn 등 (2011)이 제시한 방법을 사용하여 동일 기간 (1999.1∼2004.4)내에서 서포트 벡터 머신 알고리즘으로 구축된 EWSFI의 유용성을 살펴보고, 더 나아가 2008년 글로벌 금융위기를 포함한 2012.12까지 EWSFI의 성과를 살펴보고자 한다.
본 연구에서는 외국인 투자자의 순매수금액을 바탕으로 시장상황을 정립하며, 앞으로 발생 가능한 외국인 투자자의 대량매도패턴 움직임을 사전에 방지 할 수 있는 조기경보시스템 (early warning system for foreign investors; EWSFI) 구축하고자 한다. 이러한 방법은 Ahn 등 (2011)이 제안한 Lag-ℓ 예측 방법과 기계학습 알고리즘들 (machine learning algorithms)을 이용하여 구축된 지능형 조기경보시스템을 바탕으로 중·장기예측에 대한 성과를 개선하고, 더 나아가 현재시점까지 구축된 EWSFI의 성과를 확인하고자 한다.
앞에서 구축된 EWSFI를 기반으로 분석 기간을 2012.12까지 확장하여 EWSFI가 2008년 금융위기를 포함한 기간내에서도 조기경보시스템으로써 유용한지 확인하고자 한다. 그러나 분석 기간이 길어짐으로써 외국인 투자자의 누적 순매수금액으로 시장상황을 판단하는 오라클 분류기의 기준값들이 적합하지 않다.
이러한 방법은 Ahn 등 (2011)이 제안한 Lag-ℓ 예측 방법과 기계학습 알고리즘들 (machine learning algorithms)을 이용하여 구축된 지능형 조기경보시스템을 바탕으로 중·장기예측에 대한 성과를 개선하고, 더 나아가 현재시점까지 구축된 EWSFI의 성과를 확인하고자 한다.

제안 방법

EWSFI 구축 과정은 크게 2단계로 구분할 수 있다. 1단계는 외국인 투자자의 주식 순매수 금액을 바탕으로 미래의 주식시장 상황을 안정 (stable period; SP), 불안정 (transition period; TP), 위기 (crisis period; CP)구간으로 판단하는 오라클 분류기 (oracle classifier, Oc)를 구축하며, 2단계는 기계학습 알고리즘인 서포트 벡터 머신 (support vector machine; SVM)알고리즘을 이용한 훈련 분류기 (trained classifier; Tc)를 구축한 후, 미래의 주식시장에 대한 상황을 예측한다.
즉, 일별 외국인 투자자의 순매수금액 (NPG)과 코스피200 지수 선물의 외국인 순매수금액 (NPI)은 코스피 시가총액으로 나뉜 비율을 사용하였으며, 환율 (FER)과 코스피지수 (SPI), 다우지수 (DJI)는 각각 차분한 값들을 이용하였다. 그리고 수정된 원계열 값들에 대한 이동평균과 이동분산은 Table 3.5와 동일한 n-일을 사용하였으며, 외국인 투자자의 대량매도기간에서의 입력변수와 오라클 분류기를 통해 생성된 출력 변수는 서포트 벡터 머신 알고리즘을 통한 Lag ℓ 분류기를 구축하였다. 본 실험에서도 Lag ℓ을 구축하기 위하여 사용된 학습 데이터셋을 제외한 데이터셋이 테스트 데이터셋으로 사용된다.
11 구간이 대량매도구간임을 확인할 수 있었다. 단, 2007년과 2008년 역시 대량매도구간임을 확인할 수 있지만, 본 연구의 목적 중 하나가 금융위기를 포함한 구간에서도 EWSFI의 유용성을 파악하는 것이기 때문에 1999년과 2002년의 대량매도구간을 학습 데이터셋으로 선정하였으며, 서포트 벡터 머신 알고리즘을 활용하여 Lag ℓ 분류기를 구축하였다.
앞에서 제시된 방법과 동일하게 누적비율을 사용하여 일별, 주별, 월별, 분기별에 따라 시장상황을 정의하는 것은 동일하다. 단, 기존 방법에서는 오라클 분류기가 위기 (CP)를 판단하는 기준에 따라 민감한 분류기, 보수적인 분류기를 구축하여 각각 예측성과를 측정하였지만, 이번 실험에서는 한 가지 기준으로만 시장 상황을 판단하였다. 분석에 사용된 총 데이터는 1999.
따라서 학습된 Lag ℓ 분류기는 외국인 투자자의 중·장기매도 패턴을 학습하여 미래의 월별, 분기별 시장 상황을 예측한다.
본 연구는 기존의 Ahn 등 (2011)이 제안한 방법을 토대로 외국인 투자자의 국내주식시장의 순매수금액을 기준으로 구축된 오라클 분류기를 통해 시장상황을 판단하였으며, 서포트 벡터 머신 알고리즘 통하여 외국인 투자자의 순매수 금액에 따른 시장상황을 예측하는 지능형 조기경보시스템을 구축하였다. 본 연구에서는 Ahn 등 (2011)이 실험한 다른 알고리즘들보다 서포트 벡터 머신 알고리즘의 유용성을 확인할 수 있었으며, 2007, 2008년에 발생한 금융위기기간을 포함한 2012.
본 연구에서 구축된 Lag ℓ 분류기는 오라클 분류기를 통해 생성된 출력변수 (Y )인 시장상황과 Table 3.5에 제시된 입력변수들이 서포트 벡터 머신 알고리즘를 통해 대량매도구간을 학습시킨다. 따라서 학습된 Lag ℓ 분류기는 외국인 투자자의 중·장기매도 패턴을 학습하여 미래의 월별, 분기별 시장 상황을 예측한다.
본 연구는 기존의 Ahn 등 (2011)이 제안한 방법을 토대로 외국인 투자자의 국내주식시장의 순매수금액을 기준으로 구축된 오라클 분류기를 통해 시장상황을 판단하였으며, 서포트 벡터 머신 알고리즘 통하여 외국인 투자자의 순매수 금액에 따른 시장상황을 예측하는 지능형 조기경보시스템을 구축하였다. 본 연구에서는 Ahn 등 (2011)이 실험한 다른 알고리즘들보다 서포트 벡터 머신 알고리즘의 유용성을 확인할 수 있었으며, 2007, 2008년에 발생한 금융위기기간을 포함한 2012.12까지 구축된 EWSFI을 통하여 예측성과를 살펴 본 결과 외국인 투자자의 비정상적인 매도패턴을 사전에 미리 대비할 수 있는 지능형 조기경보시스템을 구축하였다. 또한, 본 연구에서 구축한 EWSFI는 국내주식시장뿐만 아니라 환율 및 원유시장 등 다양한 경제 분야에서 활용될 수 있는 가능성을 시사하고 있으며, 시장상황의 위기를 조기에 예측하여 예상되는 충격을 완화시킬 수 있다고 판단된다.
단, 기존 방법에서는 오라클 분류기가 위기 (CP)를 판단하는 기준에 따라 민감한 분류기, 보수적인 분류기를 구축하여 각각 예측성과를 측정하였지만, 이번 실험에서는 한 가지 기준으로만 시장 상황을 판단하였다. 분석에 사용된 총 데이터는 1999.1-2012.12까지이며, 오라클 분류기를 통한 시장상황을 안정 (SP=1), 불안정 (TP=2), 위기 (CP=3) 3가지로 나뉘진 경우와 안정 (SP=1)와 위기 (CP=3)로 분류되는 오라클 분류기를 구축한 후, 서포트 벡터 머신으로 학습된 Lag ℓ를 통하여 향후 20일 후의 시장상황을 일별로 지속적으로 시장상황을 예측하였다.
외국인 투자자의 순매수금액과 마찬가지로 서포트 벡터 머신 알고리즘을 이용하여 구축되는 Lag ℓ 분류기의 입력변수들도 표준화 작업이 필요하기 때문에 각각의 입력변수들을 수정하였다. 즉, 일별 외국인 투자자의 순매수금액 (NPG)과 코스피200 지수 선물의 외국인 순매수금액 (NPI)은 코스피 시가총액으로 나뉜 비율을 사용하였으며, 환율 (FER)과 코스피지수 (SPI), 다우지수 (DJI)는 각각 차분한 값들을 이용하였다.
외국인 투자자의 순매수금액과 마찬가지로 서포트 벡터 머신 알고리즘을 이용하여 구축되는 Lag ℓ 분류기의 입력변수들도 표준화 작업이 필요하기 때문에 각각의 입력변수들을 수정하였다. 즉, 일별 외국인 투자자의 순매수금액 (NPG)과 코스피200 지수 선물의 외국인 순매수금액 (NPI)은 코스피 시가총액으로 나뉜 비율을 사용하였으며, 환율 (FER)과 코스피지수 (SPI), 다우지수 (DJI)는 각각 차분한 값들을 이용하였다. 그리고 수정된 원계열 값들에 대한 이동평균과 이동분산은 Table 3.

대상 데이터

특히, 서포트 벡터 머신의 장점은 서포트 벡터 (support vector)라고 불리는 소수의 데이터만을 최종적으로 학습에 사용하기 때문에, 일반적으로 적은 양의 학습 데이터로도 우수한 예측성과를 나타낸다. 본 연구에서는 서포트 벡터 머신의 실험용 소프트웨어인 LIBSVM(http://www.csie.ntu.edu.tw/ cjlin/libsvmtools/)을 이용하였다.
실증분석에서 사용된 자료는 코스콤에서 제공하는 프로그램 CHECKExpert로부터 구하였으며, 1999.1∼2012.12까지 자료를 수집하였다.
입력변수들도 마찬가지로 Ahn 등 (2011)이 제시한 외국인 투자자의 순매수금액 (NPG), KOSPI 지수 (SPI), 환률 (FER), 다우존스지수 (DJI), 외국인 기관투자자의 KOSPI200 지수 선물 순매수금액 (NPI)이며, 각각의 원계열과 파생된 변수들을 사용하였다. 이러한 입력변수들은 총 18개로 Table 3.
즉, f₀(1)은 f₀(2) 보다 CP 상태를 더 많이 판단하기 때문에 민감한 분류기라고 할 수 있는 반면에, f₀(3)의 경우에는 f₀(2)보다 CP 상태를 적게 판단하기 때문에 보수적인 분류기라고 할 수 있다. 첫 번째 실험에 사용된 총 데이터 구간은 1999.1-2004.4이며, 오라클 분류기 기준인 f₀(1), f₀(2), f₀(3)에 따라 시장상황을 판단 (SP, TP, CP)하는 출력변수 (Y)가 일별로 생성된다. 생성된 출력변수는 EWSFI의 2단계인 Lag ℓ 분류기에서 출력변수 (Y)로 정의된다.

데이터처리

6에 제시되어 있으며, 1999과 2002년도는 학습 데이터셋을 의미하는 대량매도기간 ESP99, ESP02이며, 오라클 분류기준에 따라 각각의 성과를 살펴볼 수 있으며, f₂₀ (monthly), f₆₀ (quarterly)은 20일 후, 60일 후의 시장상황을 예측하는 것을 의미한다. 예측성과는 1단계에서 구축한 오라클 분류기를 통한 시장 상황과 서포트 벡터 머신 알고리즘을 통하여 학습된 Lag ℓ 분류기를 통한 예측결과를 비교하여 정분류율을 계산하였다.

이론/모형

EWSFI의 2단계인 Lag ℓ 분류기 구축 단계는 시장상황을 예측하는 모델을 구축하기 위하여 서포트 벡터 머신 알고리즘을 사용하였다. 기계학습 알고리즘들은 학습 데이터셋을 통하여 모형이 생성되기 때문에 적절한 학습 데이터셋의 선정이 중요하다.
이러한 변수들의 선택은 EWSFI의 유용성 제고를 위한 중요한 과정 중 하나이기 때문에, 다양한 변수 변환 (transformation)을 통해 파생변수를 생성하여야 하며, 전문가의 의견도 변수 선택 과정에 고려되어야 한다. 본 연구에서는 Son 등 (2009)과 Ahn 등 (2011)이 제시한 변수들을 선택하였으며, 이는 3절 실증분석에 자세히 설명되어 있다. 마지막으로 입력변수의 값이 극단적으로 크거나, 작은 값을 가지는 입력변수들은 f_ℓ을 학습하는데 영향을 주지 않게 하기 위해 입력 변수들을 [0,1]로 선형 변환한다.
이 데이터 셋에 해당하는 구간은 Ahn 등 (2011)이 제시한 대량매도구간 (enormous selling periods) 1999.7∼1999.9 (ESP99)과 2002.2∼2002.4 (ESP02)을 학습 구간으로 사용하였다.
또한, 오라클 분류기준을 NPGR으로 조정한 후, EWSFI의 2단계인 Lag ℓ 분류기를 구축하기 위하여 학습 데이터셋이 필요하다. 즉, 외국인 투자자의 대량매도구간을 파악하여 그 해당 구간을 서포트 벡터 머신 알고리즘을 통해 Lag ℓ 분류기를 구축한다. 이러한 외국인 투자자의 대량매도구간은 Figure 3.

성능/효과

서포트 벡터 머신 알고리즘으로 학습된 EWSFI의 예측성과를 살펴보면, 기존의 Ahn 등 (2011)이 사용한 알고리즘들 (multinomial logistic regression, decision tree, case-based reasoning, artificial neural network)의 결과를 비교해 본 결과,서포트 벡터 머신 알고리즘의 유용성을 확인할 수 있었다.
7과 같다. 예측성과를 살펴보면, 첫 번째 실험한 결과와 유사하게 대량매도구간인 ESP99로 학습된 Lag ℓ 분류기가 학습 데이터셋과 테스트 데이터셋 모두 더 나은 예측성과를 보였다. 이러한 결과는 기계학습 알고리즘을 통한 예측방법이 학습 데이터셋의 적절한 선택이 중요한 부분임을 확인 할 수 있었다.
즉, 노이즈로써 작용하여 앞에서 제시한 예측성과보다 좋지 못한 결과를 도출하였다. 이에 대한 결과는 시장상황을 2가지로 예측하는 경우를 통해 불안정 (TP)을 제외시킨 경우 평균적으로 65%의 시장상황을 올바르게 예측함을 보임으로써 외국인 투자자의 동향을 20일 전에 탐지하여 발생 가능한 위기를 조기에 예방 할 수 있는 조기경보시스템의 역할을 수행 가능할 것으로 판단된다.
이와 같은 결과는 데이터의 표본이 커짐으로써 시장상황 3가지를 예측하는 경우에 불안정 (TP)을 예측하는 입력변수들의 특징들이 안정 (SP)과 위기 (CP) 구간들의 입력변수들의 특징들보다 명확하지 못한 것으로 판단된다. 즉, 노이즈로써 작용하여 앞에서 제시한 예측성과보다 좋지 못한 결과를 도출하였다. 이에 대한 결과는 시장상황을 2가지로 예측하는 경우를 통해 불안정 (TP)을 제외시킨 경우 평균적으로 65%의 시장상황을 올바르게 예측함을 보임으로써 외국인 투자자의 동향을 20일 전에 탐지하여 발생 가능한 위기를 조기에 예방 할 수 있는 조기경보시스템의 역할을 수행 가능할 것으로 판단된다.

후속연구

또한, 본 연구에서 구축한 EWSFI는 국내주식시장뿐만 아니라 환율 및 원유시장 등 다양한 경제 분야에서 활용될 수 있는 가능성을 시사하고 있으며, 시장상황의 위기를 조기에 예측하여 예상되는 충격을 완화시킬 수 있다고 판단된다. 더 나아가 다양한 기계학습 알고리즘들을 혼합하여 EWSFI를 구축한다면, 장·단기 외국인 투자자의 비정상적 매도성향패턴을 파악한 지능형 조기경보시스템을 구축할 수 있기를 기대한다.
12까지 구축된 EWSFI을 통하여 예측성과를 살펴 본 결과 외국인 투자자의 비정상적인 매도패턴을 사전에 미리 대비할 수 있는 지능형 조기경보시스템을 구축하였다. 또한, 본 연구에서 구축한 EWSFI는 국내주식시장뿐만 아니라 환율 및 원유시장 등 다양한 경제 분야에서 활용될 수 있는 가능성을 시사하고 있으며, 시장상황의 위기를 조기에 예측하여 예상되는 충격을 완화시킬 수 있다고 판단된다. 더 나아가 다양한 기계학습 알고리즘들을 혼합하여 EWSFI를 구축한다면, 장·단기 외국인 투자자의 비정상적 매도성향패턴을 파악한 지능형 조기경보시스템을 구축할 수 있기를 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	대량매도구간 무엇을 통해 발견할 수 있는가?	따라서 과거의 외국인 투자자에 의해 발생한 대량매도구간을 파악하여 학습 데이터셋을 추출하는 것이 적합한 기간이라 할 수 있다. 대량매도구간은 각각의 일별, 주별, 월별, 분기별 외국인 투자자의 누적 순매수 금액을 분석함으로써 발견할 수 있으며, 구간의 크기 n은 식 (2.2)의 학습 데이터셋으로 설정할 수 있다.
	서포트 벡터 머신이 최적 분류 초평면을 통한 구조적 위험 최소화 방법에 기초함으로써 얻는 장점은 무엇인가?	기존의 기계학습 알고리즘들은 경험적 위험 최소화 (empirical risk minimization) 방법에 기초하고 있는 반면에, 서포트 벡터 머신의 경우에는 각 군집 사이의 여백을 최대화하는 최적 분류 초평면 (optimal separating hyperplane; OSH)을 통한 구조적 위험 최소화 (structural risk minimization) 방법에 기초하고 있다. 따라서 과적합 (overfitting)을 피할 수 있으며 볼록함수 (convex function)를 최소화하는 방법으로 학습을 진행하기 때문에 전역 최적해 (global optimal solution)를 찾을 수 있어 다른 기계학습 알고리즘들보다 우수한 기법으로 알려져 있다 (Burges, 1998). 특히, 서포트 벡터 머신의 장점은 서포트 벡터 (support vector)라고 불리는 소수의 데이터만을 최종적으로 학습에 사용하기 때문에, 일반적으로 적은 양의 학습 데이터로도 우수한 예측성과를 나타낸다.
	TP 구간이란?	오라클 분류기를 구축하는 데 있어서 첫 번째 단계는 외국인 투자자의 순매수금액을 기준 삼아 주식시장의 상황을 SP, TP, CP 구간으로 정의한다 (Son 등, 2009; Ahn 등, 2011). 본 연구에서도 CP 구간을 외국인 투자자가 비상계획에 따라 대규모로 주식을 매도하는 시기로 정의하며, TP 구간은 비상계획의 초기 비상계획 시 외국인 투자자가 주식 순매수 기조에서 순매도 기조로 전환하는 기간으로 정의한다. SP 구간의 경우에는 TP와 CP 구간이 아닌 구간으로 정의한다.

참고문헌 (19)

Ahn, J. J., Son, I. S., Oh, K. J., Kim, T. Y. and Song, G. M. (2011). Lag- $\ell$ forecasting and machine-learning algorithms. Expert Systems, 28, 269-282.

상세보기
Burges, C. (1998). A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery, 2, 121-167.

상세보기
Choe, H., Kho, B. and Stulz, R. M. (1999). Do foreign investors destabilize stock markets? The Korean experience in 1997. Journal of Financial Economics, 54, 227-264.

상세보기
Edison, H. (2000). Do Indicators of financial crises work? An evaluation of an early warning system, Board of Governors of the FRS International Finance Discussion Paper, 675.
Eichengreen, B., Rose, A. K. and Wyplosz, C. (1995). Exchange market mayhem. Economic Policy, 21, 251-312.
Eichengreen, B., Rose, A. K. and Wyplosz, C. (1996). Contagious currency crises, Working Paper 5681, National Bureau of Economic Research, London.
Frankel, J. and Rose, A. (1996). Currency crashes in emerging markets: An empirical treatment. Journal of International Economics, 41, 351-366.

상세보기
Ghysels, E. and Seon, J. (2005). The Asian financial crisis: The role of derivative securities trading and foreign investors in Korea. Journal of International Money and Finance, 24, 607-630.

상세보기
Goldstein, M., Kaminsky, G. and Reinhart, C. (2000). Assessing financial vulnerability: An early warning system for emerging markets, Institute for International Economics, Washington, D.C..
Kaminsky, G.L. and Reinhart, C. M. (1998). Financial crises in Asia and Latin America: Then and now. American Economic Review, 88, 444-448.

상세보기
Kaminsky, G.L. and Reinhart, C. M. (1999). The twin crises: The causes of banking and balance of payments problems. American Economic Review, 89, 473-500.

상세보기
Kim, K. and Kwon, S. (2003). How has Korean economy changed during 5 years' financial crisis? (in Korean), Samsung Economy Research Institute, Seoul, Korea.
Kim, W. and Wei, S. (1999) Foreign portfolio investors before and during a crisis, Working Paper 6968, National Bureau of Economic Research, Cambridge.
Krugman, P. (1979). A model of balance of payments crises. Journal of Money, Credit and Banking, 11, 311-325.

상세보기
Lapedes, A. and Farber, R. (1988). How neural networks work. In Neural Information Processing Systems, edited by D. Z. Anderson, American Institute of Physics, New York.
Lee, J. Y and Lee, J. H. (2010). Support vector machine and multifactor dimensionality reduction for detecting major gene interactions of continuous data. Journal of the Korean Data & Information Science Society, 21, 1271-1280.
Obstfeld, M. (1986). Rational and self-fulfilling balance-of-payments crises. American Economic Review, 76, 72-81.

상세보기
Sachs, J. and Radelet, S. (1998). The onset of the east asian financial, Working Paper 8060, National Bureau of Economic Research, Cambridge.
Son, I. S., Oh, K. J., Kim, T. Y. and Kim, D. H. (2009). An early warning system for global institutional investors at emerging stock makrets based on machine learning forecasting. Expert Systems with Applications, 36, 4951-4957.

상세보기

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