[논문]딥러닝을 활용한 자산분배 시스템

김성수; 김종인; 정기철

doi:10.9723/jksiis.2019.24.1.023

딥러닝을 활용한 자산분배 시스템
Portfolio System Using Deep Learning 원문보기

한국산업정보학회논문지 = Journal of the Korea Industrial Information Systems Research, v.24 no.1, 2019년, pp.23 - 30

김성수 (숭실대학교 글로벌미디어학부) , 김종인 (숭실대학교 글로벌미디어학부, (주)Fait) , 정기철 (숭실대학교 글로벌미디어학부)

초록
AI-Helper

딥러닝 네트워크 기반의 알고리즘의 발전으로 인공지능은 전세계적으로 빠른 성장세를 보이고 있다. 그 중 금융은 인공지능이 가장 많이 활용될 분야로 예상되고 있으며 최근 많은 연구가 되고 있다. 기존의 딥러닝을 사용한 재무 전략은 단일 종목에 대한 주가 예측에만 치중되어 있어 변동성에 취약하다. 따라서 본 연구는 딥러닝을 이용하여 펀드 구성 종목을 산출하고 종목들을 분산투자하여 ETF 상품을 구성하는 모델을 제안한다. 실험 결과로 제안하는 모델을 통해 코스피 100 지수를 대상으로 하는 성능을 분석하며 수익률 또는 안정성 측면에서 향상된 결과를 확인하였다.

Abstract ▼ AI-Helper

As deep learning with the network-based algorithms evolve, artificial intelligence is rapidly growing around the world. Among them, finance is expected to be the field where artificial intelligence is most used, and many studies have been done recently. The existing financial strategy using deep-run is vulnerable to volatility because it focuses on stock price forecasts for a single stock. Therefore, this study proposes to construct ETF products constructed through portfolio methods by calculating the stocks constituting funds by using deep learning. We analyze the performance of the proposed model in the KOSPI 100 index. Experimental results showed that the proposed model showed improved results in terms of returns or volatility.

주제어

표/그림 (8)

그림 Fig. 1 Autoencoder Model Structure
그림 Fig. 2 Deep Learning Portfolio Process
그림 Fig. 3 Portfolio Selection Model
표 Table 1.1 Result of Experiment(30 stocks)
표 Table 1.2 Result of Experiment(50 stocks)
그림 Fig. 4 Graphs of Funds Return
표 Table 1.3 Result of Experiment(100 stocks)
표 Table 2 ETF Components(30)

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 인공 신경망을 활용한 ETF 상품을 만드는 포트폴리오 시스템을 제안한다. J.B Heathon 의 방법론에 따라 오토 인코더를 통해 펀드를 구성할 변수를 선택하고, 선택된 변수들을 기존의 금융 포트폴리오 방법을 통해 구매 가능한 펀드를 구성하는 것을 목적으로 한다. 본 논문의 순서는 다음과 같다.
실험은 데이터들 중 training data를 분류하여 학습하고 validation data에 성능이 좋은 모델을 추출해 test data에 적용하는 방식을 사용하였다. Test data는 2017년 4월 1일부터 2018년 4월 17일까지 이며 이 시점에 계산된 구매비율로 구성된 펀드의 성능을 다양한 지표로 분석하는 것을 목적으로 하였다.
본 논문에서 딥러닝을 이용한 포트폴리오 분석을 위해 국내 증권시장의 대표지수인 코스피 100의 구성 종목 중 일부를 추출하여 더 좋은 수익률을 보일 수 있는 ETF 상품을 개발하는 것을 목적으로 한다. 실험 결과는 딥러닝 기반의 포트폴리오 시스템을 통해 만든 ETF 상품과 국내 대표지수 중 하나인 코스피 100과의 비교분석을 통해 설명하려 한다.
본 논문에서 제안하는 시스템은 과거 800 거래일을 학습하여 미래의 추가 추세를 예측하고 예측된 결과를 토대로 종목을 추출하고 추출된 종목의 구성 비율을 조정하여 새로운 ETF 상품을 만드는 것을 목적으로 한다. 본 실험에서는 3가지의 평가 지표(수익률, 샤프지수, 최댓값 대비하락률)를 통해 성능 평가를 하였다.
금융은 인공지능이 가장 많이 활용될 분야로 예상되고 있으며 대표적으로 로보어드바이저 시장은 2025년에 30조원까지 성장할 것으로 예상되고 있다. 본 논문에서는 오토인코더 신경망을 통해 판매되고 있는 ETF 상품의 구성 종목 변수들을 추출하여 더 나은 성능의 펀드를 만드는 시스템에 대하여 제안하였다. 실험 결과 평균-분산 포트폴리오를 통해 구성된 펀드가 가장 높은 수익률을 보임과 동시에 가장 낮은 샤프비율, 가장 큰 변동성을 보임을 확인하였다.
본 논문에서는 인공 신경망을 활용한 ETF 상품을 만드는 포트폴리오 시스템을 제안한다. J.
본 논문은 가격지표 만으로 ETF의 종목을 선택 가능한 Heathon의 방법론을 활용하여 딥러닝신경망을 통해 코스피 100지수의 종목들 중 일부 종목을 추출하고, 추출된 종목들을 금융공학의 포트폴리오 전략을 활용해 구현 가능한 ETF 상품을 만드는 시스템을 제안한다.
본 논문은 딥러닝을 활용한 금융 투자 시스템을 개발하는 것을 목적으로 한다. 금융 투자방법은 기본적 분석과 기술적 분석 2 부분으로 나눌 수 있다.
본 논문에서 딥러닝을 이용한 포트폴리오 분석을 위해 국내 증권시장의 대표지수인 코스피 100의 구성 종목 중 일부를 추출하여 더 좋은 수익률을 보일 수 있는 ETF 상품을 개발하는 것을 목적으로 한다. 실험 결과는 딥러닝 기반의 포트폴리오 시스템을 통해 만든 ETF 상품과 국내 대표지수 중 하나인 코스피 100과의 비교분석을 통해 설명하려 한다. 실험에 사용된 코스피 100 지수는 국내 증시에 시가총액 기준 100위 안에 드는 종목들을 가지고 펀드를 만든 것이기 때문에 코스피 100 지수의 구성 종목의 변동이 잦다.
본 논문의 순서는 다음과 같다. 첫째 ETF 상품 개발 시스템의 구조에 대하여 설명하고 둘째 본 연구에 사용하는 데이터를 처리하는 부분에 관하여 설명한다. 셋째로 실험에 대한 결과를 분석하며 마지막으로 본 연구에 대한 결론을 적는다.

제안 방법

모든 신경망 층은 오버피팅을 방지하기 위해 l2 정규화를 사용하였다. 본 논문은 위와 같이 설계된 모델을 800 epochs 동안 학습을 진행하였다. 오토인코더 신경망의 인코딩 층과 디코딩 층의 활성화 함수로는 ReL U를 사용하였으며 출력층의 활성화 함수는 선형함수를 사용하였다.
본 시스템은 ETF 구성종목 개수를 각각 30, 50, 100개를 사용하여 실험을 진행하였으며 ETF 상품들의 성능 분석은 앞서 설명한 평균수익률, 샤프비율, 최대값 대비 하락률을 통하여 이뤄지며, 결과는 Table 1과 같다.
본 시스템의 주 데이터인 주가 데이터는 시계열 데이터를 활용하기 때문에 시계열 처리에 적합한 신경망 구조가 필요하다. 본 시스템은 주가 그래프의 장기적인 움직임을 판단하는 것을 목적으로 하기 때문에 장기 기억에서 기울기 손실 문제가 있는 LSTM 대신 오토인코더 신경망 구조를 사용한다. 오토인코더는 딥러닝의 대표적인 비지도 학습 알고리즘으로써 데이터들 간의 선형및 비선형적인 관계를 표현하는데 적합하며, 데이터의 잡음 제거와 패턴 추론에 강점을 지니고 있다.
본 논문에서 제안하는 시스템은 과거 800 거래일을 학습하여 미래의 추가 추세를 예측하고 예측된 결과를 토대로 종목을 추출하고 추출된 종목의 구성 비율을 조정하여 새로운 ETF 상품을 만드는 것을 목적으로 한다. 본 실험에서는 3가지의 평가 지표(수익률, 샤프지수, 최댓값 대비하락률)를 통해 성능 평가를 하였다. 수익률은 본 포트폴리오가 얼마만큼 수익을 더 보였는가에 대한 중요한 지표이다.
본 실험은 기간 변화에 따른 코스피 100 구성 종목 변화에 대응하지 않고 고정된 종목만을 사용한다. 그에 따라 펀드의 구성종목 변화에 대응하는 추가적인 시스템 연구가 필요하다.
그에 따라 펀드의 구성종목 변화에 대응하는 추가적인 시스템 연구가 필요하다. 본 연구에서 제안한 실험 모델은 펀드를 구성하는 고정 종목에 대해 각 종목들의 자산구성을 재조정(Re balancing)하는 시스템을 고려하지 않았다. 이에 따라 펀드 구성종목 변화 대응에 추가적인 연구를 통하여 펀드 구성 종목의 변경에 따른 운영자산 재조정(Rebalancing) 시스템 구축을 예정한다.
수익률은 본 포트폴리오가 얼마만큼 수익을 더 보였는가에 대한 중요한 지표이다. 수익률은 복리의 성격을 지니기 때문에 기하 평균을 사용하여 측정하였다. 기하평균의 계산식은 식(4)와 같다.
시계열 데이터인 주가 데이터를 사용하기 때문에 데이터를 섞지 않았다. 실험은 데이터들 중 training data를 분류하여 학습하고 validation data에 성능이 좋은 모델을 추출해 test data에 적용하는 방식을 사용하였다. Test data는 2017년 4월 1일부터 2018년 4월 17일까지 이며 이 시점에 계산된 구매비율로 구성된 펀드의 성능을 다양한 지표로 분석하는 것을 목적으로 하였다.
본 논문은 위와 같이 설계된 모델을 800 epochs 동안 학습을 진행하였다. 오토인코더 신경망의 인코딩 층과 디코딩 층의 활성화 함수로는 ReL U를 사용하였으며 출력층의 활성화 함수는 선형함수를 사용하였다. 손실함수로는 Mean Squared Error를 사용하였고, 옵티마이징 함수로는 Adam Optimizer 함수를 사용했다.
3과 같은 두 번째 단계인 자산배분 구간에서는 학습구간의 데이터에서 2 norm difference 오차 값이 가장 작은 상위 15개 종목과 포트폴리오의 기본 속성인 다각화를 위해 오차가 가장 큰 상위 15, 35, 75개를 함께 섞은 포트폴리오를 생성한다[13,14]. 오토인코딩 구간에서 선택된 종목 들을 동일비중 포트폴리오, 시가총액 가중 포트폴리오, 평균-분산 포트폴리오 총3가지 방법으로 하나의 ETF 상품으로 만드는 작업을 수행한다.

대상 데이터

연구의 실험 모델은 코스피 100 구성 종목들의 주가 데이터를 2014년 1월 2일부터 2018년 4월 17일 총 1054 거래일의 데이터를 사용하였다. 데이터는 첫 800 거래일을 기준으로 training data와 test data로 나누었으며 실험 모델의 신경망 과적합을 방지하기 위해 training data중 마지막 150일은 validation data로 사용하였다. 시계열 데이터인 주가 데이터를 사용하기 때문에 데이터를 섞지 않았다.
실험에 사용된 코스피 100 지수는 국내 증시에 시가총액 기준 100위 안에 드는 종목들을 가지고 펀드를 만든 것이기 때문에 코스피 100 지수의 구성 종목의 변동이 잦다. 따라서 본 논문은 2014년 1월 2일 기준 코스피 100 지수의 구성 종목들 만을 가지고 진행되었다.
본 연구에서 사용된 오토인코더 신경망은 합성 곱 신경망을 기반으로 구성되어 있으며 각 층을 인코딩 2개 층과 디코딩 2개 층으로 구성되어 있다. 인코딩 첫 번째 층은 16개의 필터를 만들며 필터 사이즈는 7의 값을 갖도록 한다.
본 연구에서 제안하는 딥러닝 자산배분 시스템은 오토인코딩과 자산배분의 2가지 단계로 구성되어 있으며, 본 연구에서 사용하는 데이터는 2014년 1월 2일에 코스피 100 지수에 구성된 종목들의 일별 주가 데이터이다.
연구의 실험 모델은 코스피 100 구성 종목들의 주가 데이터를 2014년 1월 2일부터 2018년 4월 17일 총 1054 거래일의 데이터를 사용하였다. 데이터는 첫 800 거래일을 기준으로 training data와 test data로 나누었으며 실험 모델의 신경망 과적합을 방지하기 위해 training data중 마지막 150일은 validation data로 사용하였다.

이론/모형

오토인코더 신경망의 인코딩 층과 디코딩 층의 활성화 함수로는 ReL U를 사용하였으며 출력층의 활성화 함수는 선형함수를 사용하였다. 손실함수로는 Mean Squared Error를 사용하였고, 옵티마이징 함수로는 Adam Optimizer 함수를 사용했다.

성능/효과

Heaton 등은 오토인코더를 사용하여 현재 판매되는 ETF 상품의 구성 종목들의 비율을 재조정하여 더 높은 수익률을 얻는 ETF 상품을 만드는 시스템에 대한 연구를 진행하였으며, 표본 추출된 각 구간에 있어서 대부분의 경우 타겟 E TF 상품보다 높은 수익률을 확인하였다[13]. 2018년 유재필, 신현준은 J.B Heathon의 아이디어를 국내 ETF 상품에 적용하는 실험을 하였으며, 딥러닝을 이용한 포트폴리오 방법이 국내 금융 시장에도 효과가 있음을 확인하였다. 하지만 위의 연구는 시스템을 통해 최종적으로 만들어지는 새로운 펀드에 각 종목 변수가 몇%의 가중치로 구성되어 있는지 알기 어려워 투자자가 오토인코더로 만들어진 펀드를 실제로 구성하기 어렵다는 문제점을 지닌다[14].
실험 결과 평균-분산 포트폴리오를 통해 구성된 펀드가 가장 높은 수익률을 보임과 동시에 가장 낮은 샤프비율, 가장 큰 변동성을 보임을 확인하였다. 동일비중 포트폴리오 및 시가총액 가중 포트폴리오를 통해 만들어진 펀드들은 낮은 변동성, 더 낮은 수익률을 보임을 확인하여 따라서 제안하는 시스템을 사용하여 포트폴리오를 만들 경우 더 높은 수익률 혹은 더 적은 변동성을 지닌 펀드를 만들 수 있음을 확인하였다.
또한 동일비중 포트폴리오 및 시가총액 가중 포트폴리오를 통해 만들어진 펀드들은 코스피 100 지수보다 더 높은 샤프비율을 보이고 더 낮은 최댓값 대비 하락률을 보이는 등 변동성이 더 낮은 펀드를 만들 수 있음을 확인하였지만 코스피 100 지수에 비해 더 낮은 수익률을 보임을 확인하였다. 따라서 본 논문에서 제안하는 시스템을 사용하여 포트폴리오를 만들 경우 더 높은 수익률 혹은 더 적은 변동성을 지닌 펀드를 만들 수 있음을 확인하였다.
본 논문에서 제시하는 모델을 실험한 결과 실험 기간의 모든 구간에서 평균-분산 포트폴리오를 통해 구성된 펀드가 가장 높은 수익률을 보였지만 반대로 가장 낮은 샤프비율을 보이며 가장 높은 최댓값 대비 하락률을 보이는 등 변동성이 큰 단점이 존재함을 확인하였다. 또한 동일비중 포트폴리오 및 시가총액 가중 포트폴리오를 통해 만들어진 펀드들은 코스피 100 지수보다 더 높은 샤프비율을 보이고 더 낮은 최댓값 대비 하락률을 보이는 등 변동성이 더 낮은 펀드를 만들 수 있음을 확인하였지만 코스피 100 지수에 비해 더 낮은 수익률을 보임을 확인하였다. 따라서 본 논문에서 제안하는 시스템을 사용하여 포트폴리오를 만들 경우 더 높은 수익률 혹은 더 적은 변동성을 지닌 펀드를 만들 수 있음을 확인하였다.
본 논문에서 제시하는 모델을 실험한 결과 실험 기간의 모든 구간에서 평균-분산 포트폴리오를 통해 구성된 펀드가 가장 높은 수익률을 보였지만 반대로 가장 낮은 샤프비율을 보이며 가장 높은 최댓값 대비 하락률을 보이는 등 변동성이 큰 단점이 존재함을 확인하였다. 또한 동일비중 포트폴리오 및 시가총액 가중 포트폴리오를 통해 만들어진 펀드들은 코스피 100 지수보다 더 높은 샤프비율을 보이고 더 낮은 최댓값 대비 하락률을 보이는 등 변동성이 더 낮은 펀드를 만들 수 있음을 확인하였지만 코스피 100 지수에 비해 더 낮은 수익률을 보임을 확인하였다.
식(6)에 따라 최대값 대비 하락률을 기준으로 보았을 때 시가총액 가중 포트폴리오가 30, 50개 종목을 선택하는 모델에서 가장 높은 성능을 보임을 확인하였다. 본 실험의 결과 30개 종목을 mean-variance 방법론으로 만든 ETF가 좋은 성능을 보임을 확인하였다.
본 논문에서는 오토인코더 신경망을 통해 판매되고 있는 ETF 상품의 구성 종목 변수들을 추출하여 더 나은 성능의 펀드를 만드는 시스템에 대하여 제안하였다. 실험 결과 평균-분산 포트폴리오를 통해 구성된 펀드가 가장 높은 수익률을 보임과 동시에 가장 낮은 샤프비율, 가장 큰 변동성을 보임을 확인하였다. 동일비중 포트폴리오 및 시가총액 가중 포트폴리오를 통해 만들어진 펀드들은 낮은 변동성, 더 낮은 수익률을 보임을 확인하여 따라서 제안하는 시스템을 사용하여 포트폴리오를 만들 경우 더 높은 수익률 혹은 더 적은 변동성을 지닌 펀드를 만들 수 있음을 확인하였다.

후속연구

본 실험은 기간 변화에 따른 코스피 100 구성 종목 변화에 대응하지 않고 고정된 종목만을 사용한다. 그에 따라 펀드의 구성종목 변화에 대응하는 추가적인 시스템 연구가 필요하다. 본 연구에서 제안한 실험 모델은 펀드를 구성하는 고정 종목에 대해 각 종목들의 자산구성을 재조정(Re balancing)하는 시스템을 고려하지 않았다.
본 연구에서 제안한 실험 모델은 펀드를 구성하는 고정 종목에 대해 각 종목들의 자산구성을 재조정(Re balancing)하는 시스템을 고려하지 않았다. 이에 따라 펀드 구성종목 변화 대응에 추가적인 연구를 통하여 펀드 구성 종목의 변경에 따른 운영자산 재조정(Rebalancing) 시스템 구축을 예정한다. 차후 특정 펀드의 구성종목이 아닌 유가증권시장에 상장된 전 종목에 본 모델을 적용하여 펀드를 구성하는 시스템 구축을 예상한다.
이에 따라 펀드 구성종목 변화 대응에 추가적인 연구를 통하여 펀드 구성 종목의 변경에 따른 운영자산 재조정(Rebalancing) 시스템 구축을 예정한다. 차후 특정 펀드의 구성종목이 아닌 유가증권시장에 상장된 전 종목에 본 모델을 적용하여 펀드를 구성하는 시스템 구축을 예상한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	인공지능은 어떻게 활용되고 있는가?	글로벌 분석 기업IDC(International Data Corporation)는 세계 인공지능 시스템의 규모를 2016년 약 9조원에서 2022년 약 141조원에 이를 것으로 추정하고 있다. 인공지능은 기존 IT 분야에 한정되어 사용되는 것뿐 아니라 생산, 마케팅, 유통 등 다양한 영역의 의사결정 부분에 활용되고 있다[1].
	오토인코더 신경망은 어떤 경우에 활용될 수 있는가?	1과 같이 신경망 층두 개를 대칭되게 붙여 놓은 구조로 입력 층을 통해 들어온 데이터는 인코딩 층을 거쳐 특징 값을구하고 디코딩 층에서는 특징 값을 복원하여 최종출력 층에서 원본과 최대한 유사하도록 학습하는신경망 구조이다. 따라서 과거의 주가 데이터의 움직임을 학습해 미래의 주가의 추세를 예측하는데 적합한 신경망 구조로 사용될 수 있다.
	기본적 분석이란 무엇인가?	금융 투자방법은 기본적 분석과 기술적 분석 2 부분으로 나눌수 있다. 기본적 분석이란 주식 시장에서 증권의가격이 증권의 내재가치와 일치하지 않을 수 있다는 전제하에 PBR, PER과 같은 증권의 내재가 치를 분석하는 방법이다. 기술적 분석은 과거의증권가격 및 거래량 추세와 변동성에 대한 정보를 이용하여 미래 증권가격의 변화를 예측하는 분석 기법이다.

참고문헌 (14)

Shim, H. and Kim, K., "A Business Model Using Artificial Intelligence (AI) of Korean Companies," KITA, TRADE FOCUS, Vol. 2, No. 97, 2018.
"Status of Machine Learning at Home and Abroad in the Field of Finance," FSI, 2017.
KEB Hana Bank, "2018 Korean Roboadvidser Report," KEB Hana Bank HAI Robo Center, 2018.
Hwang, R., Kim, S., Lee, D., and Nam D., "A Directional Distance Function Approach on the Efficiency of Chinese Commercial Banks," Journal of the Korea Industrial Information Systems Research, Vol. 17, No. 2, pp. 81-94, 2017.
Ban, J., Kim, M., and Jeon, Y., "Search Frequency in Internet Portal Site and the Expected Stock Returns," Journal of the Korea Industrial Information Systems Research, Vol. 21, No. 5, pp. 73-83, 2016.
Kim, S. and Ahn, H., "Development of an Intelligent Trading System Using Support Vector Machines and Genetic Algorithms," Journal of Intelligence and Information System, Vol. 16, No. 1, pp. 71-92, 2010.
Lee, W., "A Deep Learning Analysis of the KOSPI's Directions," Journal of the Korean Data and Information Science Society, Vol. 28, No. 2, pp. 287-295, 2017.

원문보기 상세보기
Kim, Y., Shin, E., and Hong, T., "Comparison of Stock Price Index Prediction Performance Using Neural Networks and Support Vector Machine," The Journal of Internet Electronic Commerce Resarch, Vol. 4, No. 3, p p. 221-243, 2004.
Kim H., Kim K., and Jeong D., "A Study on the Price Determination of KOSPI 200 Futures using Artificial Neural Network Model," Korea Insurance Research Institute, Insurance Financial Research, Vol. 13, No. 3, pp. 155-176, 2003.
Joo, I., Choi, S., "Stock Prediction Model based on Bidirectional LSTM Recurrent Neural Network," Journal of Korea Institute of Information, Electronics, and Communication Technology, Vol. 11, No. 2, pp. 204-208, 2018.
Shin, D., Choi, K., and Kim, C., "Deep Learning Model for Prediction Rate Improvement of Stock Price Using RNN and LSTM," Journal of Advanced Information Technology and Convergence, Vol. 15, No. 10, pp. 9-16, 2017.
Kim, S., Hong, K., "Development and Performance Analysis of Predictive Model for KOSPI 200 Index using Recurrent Neural Networks," Journal of the Korea Industrial Information Systems Research, Vol. 22, No. 6, pp. 23-29, 2017.

원문보기 상세보기
Heaton, J. B., Polson, N. G., and Witte, J. H., "Deep Portfolio Theory," University of Chicago, 2016.
Ryu, J., Shin, H., "Portfolio Selection Strategy Using Deep Learning," Journal of Information Technology and Architecture, Vol. 15, No. 1, pp. 43-50, 2018.

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