[논문]XGBoost를 활용한 리스크패리티 자산배분 모형에 관한 연구

김영훈; 최흥식; 김선웅

doi:10.13088/jiis.2020.26.1.135

XGBoost를 활용한 리스크패리티 자산배분 모형에 관한 연구
A Study on Risk Parity Asset Allocation Model with XGBoos 원문보기

지능정보연구 = Journal of intelligence and information systems, v.26 no.1, 2020년, pp.135 - 149

김영훈 (국민대학교 비즈니스IT 전문대학원) , 최흥식 (국민대학교 비즈니스IT 전문대학원) , 김선웅 (국민대학교 비즈니스IT 전문대학원)

초록
AI-Helper

인공지능을 기반으로 한 다양한 연구들이 현대사회에 많은 변화를 불러일으키고 있다. 금융시장 역시 예외는 아니다. 로보어드바이저 개발이 활발하게 진행되고 있으며 전통적 방식의 단점을 보완하고 사람이 분석하기 어려운 부분을 대체하고 있다. 로보어드바이저는 인공지능 알고리즘으로 자동화된 투자 결정을 내려 다양한 자산배분 모형과 함께 활용되고 있다. 자산배분 모형 중 리스크패리티는 대표적인 위험 기반 자산배분 모형의 하나로 큰 자산을 운용하는 데 있어 안정성을 나타내고 현업에서 역시 널리 쓰이고 있다. 그리고 XGBoost 모형은 병렬화된 트리 부스팅 기법으로 제한된 메모리 환경에서도 수십억 가지의 예제로 확장이 가능할 뿐만 아니라 기존의 부스팅에 비해 학습속도가 매우 빨라 많은 분야에서 널리 활용되고 있다. 이에 본 연구에서 리스크패리티와 XGBoost를 장점을 결합한 모형을 제안하고자 한다. 기존에 널리 사용되는 최적화 자산배분 모형은 과거 데이터를 기반으로 투자 비중을 추정하기 때문에 과거와 실투자 기간 사이의 추정 오차가 발생하게 된다. 최적화 자산배분 모형은 추정 오차로 인해 포트폴리오 성과에서 악영향을 받게 된다. 본 연구는 XGBoost를 통해 실투자 기간의 변동성을 예측하여 최적화 자산배분 모형의 추정 오차를 줄여 모형의 안정성과 포트폴리오 성과를 개선하고자 한다. 본 연구에서 제시한 모형의 실증 검증을 위해 한국 주식시장의 10개 업종 지수 데이터를 활용하여 2003년부터 2019년까지 총 17년간 주가 자료를 활용하였으며 in-sample 1,000개, out-of-sample 20개씩 Moving-window 방식으로 예측 결과값을 누적하여 총 154회의 리밸런싱이 이루어진 백테스팅 결과를 도출하였다. 본 연구에서 제안한 자산배분 모형은 기계학습을 사용하지 않은 기존의 리스크패리티와 비교하였을 때 누적수익률 및 추정 오차에서 모두 개선된 성과를 보여주었다. 총 누적수익률은 45.748%로 리스크패리티 대비 약 5% 높은 결과를 보였고 추정오차 역시 10개 업종 중 9개에서 감소한 결과를 보였다. 실험 결과를 통해 최적화 자산배분 모형의 추정 오차를 감소시킴으로써 포트폴리오 성과를 개선하였다. 포트폴리오의 추정 오차를 줄이기 위해 모수 추정 방법에 관한 다양한 연구 사례들이 존재한다. 본 연구는 추정 오차를 줄이기 위한 새로운 추정방법으로 기계학습을 제시하여 최근 빠른 속도로 발전하는 금융시장에 맞는 진보된 인공지능형 자산배분 모형을 제시한 점에서 의의가 있다.

Abstract ▼ AI-Helper

Artificial intelligences are changing world. Financial market is also not an exception. Robo-Advisor is actively being developed, making up the weakness of traditional asset allocation methods and replacing the parts that are difficult for the traditional methods. It makes automated investment decisions with artificial intelligence algorithms and is used with various asset allocation models such as mean-variance model, Black-Litterman model and risk parity model. Risk parity model is a typical risk-based asset allocation model which is focused on the volatility of assets. It avoids investment risk structurally. So it has stability in the management of large size fund and it has been widely used in financial field. XGBoost model is a parallel tree-boosting method. It is an optimized gradient boosting model designed to be highly efficient and flexible. It not only makes billions of examples in limited memory environments but is also very fast to learn compared to traditional boosting methods. It is frequently used in various fields of data analysis and has a lot of advantages. So in this study, we propose a new asset allocation model that combines risk parity model and XGBoost machine learning model. This model uses XGBoost to predict the risk of assets and applies the predictive risk to the process of covariance estimation. There are estimated errors between the estimation period and the actual investment period because the optimized asset allocation model estimates the proportion of investments based on historical data. these estimated errors adversely affect the optimized portfolio performance. This study aims to improve the stability and portfolio performance of the model by predicting the volatility of the next investment period and reducing estimated errors of optimized asset allocation model. As a result, it narrows the gap between theory and practice and proposes a more advanced asset allocation model. In this study, we used the Korean stock market price data for a total of 17 years from 2003 to 2019 for the empirical test of the suggested model. The data sets are specifically composed of energy, finance, IT, industrial, material, telecommunication, utility, consumer, health care and staple sectors. We accumulated the value of prediction using moving-window method by 1,000 in-sample and 20 out-of-sample, so we produced a total of 154 rebalancing back-testing results. We analyzed portfolio performance in terms of cumulative rate of return and got a lot of sample data because of long period results. Comparing with traditional risk parity model, this experiment recorded improvements in both cumulative yield and reduction of estimated errors. The total cumulative return is 45.748%, about 5% higher than that of risk parity model and also the estimated errors are reduced in 9 out of 10 industry sectors. The reduction of estimated errors increases stability of the model and makes it easy to apply in practical investment. The results of the experiment showed improvement of portfolio performance by reducing the estimated errors of the optimized asset allocation model. Many financial models and asset allocation models are limited in practical investment because of the most fundamental question of whether the past characteristics of assets will continue into the future in the changing financial market. However, this study not only takes advantage of traditional asset allocation models, but also supplements the limitations of traditional methods and increases stability by predicting the risks of assets with the latest algorithm. There are various studies on parametric estimation methods to reduce the estimated errors in the portfolio optimization. We also suggested a new method to reduce estimated errors in optimized asset allocation model using machine learning. So this study is meaningful in that it proposes an advanced artificial intelligence asset allocation model for the fast-developing financial markets.

주제어

표/그림 (14)

그림 Risk parity algorithm
그림 XGB-RP's structure and process
표 Input and output variables
표 XGBoost model parameter settings
그림 Structure of Moving window
그림 Asset allocation diagram
그림 Example of asset allocation process
그림 Prediction and real volatility(Energy)
그림 RMSE of XGB-RP and Risk parity(Energy)
표 RMSE comparison of total sector
그림 RMSE comparison of total sector
그림 Compounded return of XGB-RP and Risk parity
그림 Difference of yield on models
표 Result of asset allocation models

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 최근 다양한 분야에서 우수성을 증명한 XGBoost와 전통적 자산배분 모형을 결합한 인공지능형 자산배분 모형을 제시하였다. 전통적 자산배분의 한계였던 역사적 데이터로 인한 추정 오차를 기계학습을 통한 예측으로 해결하였다.
이에 본 연구는 자산배분 모형 중 리스크패리 티의 추정오차를 줄여 기존에 리스크패리티가 가지는 장점을 살리고 좀 더 진보된 형태의 자산 배분 모형을 제시하고자 한다.
의 연구 외에는 국내에서 XGBoost와 금융모형을 결합한 사례를 찾아보기 힘들다. 이에 본 연구도 기계학습 방법론 중 XGBoost과 전통적 방식의 자산배분 모형을 결합한 모형을설계하고자 한다.

제안 방법

실증 분석을 위해 국내 업종별 지수(FnGuide Universe 10:에너지, 소재, 산업재, 경기소비재, 필수소비재, 의료, 금융, IT, 통신서비스, 유틸리티)를 활용하 였다. XGBoost 학습 설계, 리스크패리티 투자 비중 산출 및 백테스팅은 파이썬(python)을 통해 구현하였다. 모형의 전체적인 구조는 [Figure 2] 와 같이 설계하였다.
[Figure 7] 에서 XGB-RP는 예측치와 실측치 간의 RMSE 값을, 리스크패리티는 과거 추정치와 실측치 간의 RMSE 값을 활용하였고 매 리밸런싱 기간마다두 자산배분 모형을 비교하였다.
본 모형은 투자 비중의 산출을 위한 입력 변수로 공분산 행렬이 필요하다. 그러나 기존에 사용 하던 자산 간의 상관계수와 표준편차로 구하는 공분산 행렬이 아닌 XGBoost로 도출한 예측 표준편차를 넣은 새로운 방식의 공분산 행렬을 넣기 위해 다음과 같은 방식으로 예측 공분산 행렬을 도출하였다.
데이터 가이드(DataGuide5)를 통해 얻은 시가, 고가, 저가, 종가, 거래량, 거래대금, 외국인 보유 비중, 외국인 보유 주식 수를 기초로 하여 [Table 1]과 같은 기술적 지표를 파생하여 입력 변수로 향후 20영업일 간 변동성을 출력 변수로 활용하 였다. 기술적 지표 중 변동성, 방향성, 거래량과 관련된 지표들을 입력 변수로 활용하였다.
다음 기까지의 재투자 기간은 XGBoost의 예측 기간과 동일하게 맞춰 20일로 설정하여 2007.02.23.부터 2019.08.19.까지 총 154회 리밸 런싱으로 자산배분 백테스팅을 진행하였다.
다음으로 수익률 측면에서의 개선을 확인하기 위해 자산배분 백테스팅을 진행하였다. [Figure 9]은 XGB-RP와 리스크패리티 모형의 누적수익 률을 비교한 그래프이다.
대표적으로 reg:linear, reg:logistic, binary:logistic, multi:softmax, multi:softprob 등이 있으며 본 모형에서는 이진 분류 혹은 다변량 분류가 아닌 특정 수치를 예측하기 때문 ‘reg:linear’를 사용하였다.
데이터 가이드(DataGuide5)를 통해 얻은 시가, 고가, 저가, 종가, 거래량, 거래대금, 외국인 보유 비중, 외국인 보유 주식 수를 기초로 하여 [Table 1]과 같은 기술적 지표를 파생하여 입력 변수로 향후 20영업일 간 변동성을 출력 변수로 활용하 였다. 기술적 지표 중 변동성, 방향성, 거래량과 관련된 지표들을 입력 변수로 활용하였다.
하지만 본 연구는 기존의 자산배분 방식의 장점을 살릴 뿐만 아니라 자산의 위험을 최신 알고리즘으로 예측하고 대응함으로써 전통적 방식의 한계를 보완하고 실무적으로 활용하기 용이하도록 설계하였다. 또한, 추정 오차를 줄여 자산배분 모형의 안정성을 올리는 새로운 공분산 추정방법을 제시하였다. 본 사례를 통해 앞으로 있을 다양한 자산배분 연구에 조금이나마 이론적으로 기여할 수 있다고 생각한다.
본 과정에서 모든 자산의 위험기여도를 정확하게 일치할 수 없어 위험기 여도 차의 합이 일정값 이하로 감소하였을 때의 비중을 최종 투자 비중으로 설정하였다.
nthread는 병렬처리에 활용될 스레드 개수를 설정하는 것이며 기본값은 스레드의 최대 수로 활용하는 것이다. 본 모형에서 역시 기본값으로 설정하여 최대 병렬화를 통해 모형의 학습속도를 올렸다.
본 모형의 유용성을 검증하기 위해 전통적 리스크패리티와 XGB-RP의 누적수익률 및 추정 오차를 비교하여 성과 분석을 진행하였다. 우선 모형 간의 추정 오차 비교를 위해 XGBoost로 예측한 결과와 실측치 간의 비교를 진행하였으며 [Figure 6]는 10개 업종 중 대표로 에너지 업종의 예측치와 실측치를 비교한 그래프이다.
본 연구에서는 XGBoost로 예측한 표준편차를 활용하여 예측 공분산 행렬을 새롭게 가정하였고 이를 기존의 리스크패리티의 입력 변수인 공분산 행렬 대신 입력하여 모형을 설계하였다. 본모형은 XGB-RP(XGBoost-Risk Parity)라 명하였 으며 과거를 통한 추정이 아닌 투자 기간의 변동 성을 예측함으로써 위험을 회피하고 추정오차를 줄여 모형의 안정성을 더한 모형이다.
본 연구에서도 공분산의 추정 오차를 줄이기 위한 새로운 방법으로 기계학습을 통한 예측으로 모형의 추정치를 대신하고자 한다. 최근 금융 분야에도 기계학습을 적용한 다양한 사례들이 존재한다.
실증 분석을 위한 자료는 2003년부터 2019년까지의 17년 동안의 한국 시장의 10 개 업종 지수를 활용해 분석하였다. 예측성능의 한계로 인해 20일 간격의 리밸런싱을 진행하였고 Moving-window 방식의 학습 구조를 설계해 장기간의 out-of-sample 기간을 정용해 총 154회의 재투자한 결과를 도출하였다. 전통적 방식의 리스크패리티와 비교하였을 때 약 5%의 수익률 상승을 보였고 RMSE는 0.
다음으로 산출된 투자 비중으로 리밸런싱 기간에 맞춰 투자 백테스팅을 진행한다. 전기 말의 자금을 다시 도래한 리밸런싱 시기의 투자 비중에 맞춰 재분배하는 방식으로 투자를 최종 리밸 런싱 기간까지 반복 시행하여 최종적으로 누적 수익률을 산출한다. [Figure 5]는 산출된 투자 비중에 맞추어 기말 자금을 재배분하는 과정을 예제로 표현하였다.
본 과정에서 모든 자산의 위험기여도를 정확하게 일치할 수 없어 위험기 여도 차의 합이 일정값 이하로 감소하였을 때의 비중을 최종 투자 비중으로 설정하였다. 최적화 과정에서 초깃값을 동일 비중(1/n)으로 설정하였고 점차 위험기여도 차의 합이 감소하는 방향으로 최소화(minimize) 함수를 통해 최적화하였다.
두 결과를 통해 본 연구에서 제시한 모형이 추정 오차를 줄임에 유효성이 있음을 증명하고 있다. 최적화 자산 배분 모형에 있어 추정 오차를 줄여 안정적인 모형을 설계하였다.
변화하는 금융시장에서 과거 자산의 특징이 미래에도 지속될 것인가에 대한 가장 근본적인 의문으로 인해 자산배분 모형뿐만 아니라 수많은 금융모형은 실무에서 활용되는데 한계를 보이고 있다. 하지만 본 연구는 기존의 자산배분 방식의 장점을 살릴 뿐만 아니라 자산의 위험을 최신 알고리즘으로 예측하고 대응함으로써 전통적 방식의 한계를 보완하고 실무적으로 활용하기 용이하도록 설계하였다. 또한, 추정 오차를 줄여 자산배분 모형의 안정성을 올리는 새로운 공분산 추정방법을 제시하였다.

대상 데이터

본 모형은 예측된 위험을 미리 회피하도록 설계해 리스크패리티가 가지는 위험 회피적 성향을 강조하였다. 실증 분석을 위한 자료는 2003년부터 2019년까지의 17년 동안의 한국 시장의 10 개 업종 지수를 활용해 분석하였다. 예측성능의 한계로 인해 20일 간격의 리밸런싱을 진행하였고 Moving-window 방식의 학습 구조를 설계해 장기간의 out-of-sample 기간을 정용해 총 154회의 재투자한 결과를 도출하였다.
본모형은 XGB-RP(XGBoost-Risk Parity)라 명하였 으며 과거를 통한 추정이 아닌 투자 기간의 변동 성을 예측함으로써 위험을 회피하고 추정오차를 줄여 모형의 안정성을 더한 모형이다. 실증 분석을 위해 국내 업종별 지수(FnGuide Universe 10:에너지, 소재, 산업재, 경기소비재, 필수소비재, 의료, 금융, IT, 통신서비스, 유틸리티)를 활용하 였다. XGBoost 학습 설계, 리스크패리티 투자 비중 산출 및 백테스팅은 파이썬(python)을 통해 구현하였다.

데이터처리

[Figure 7]의 결과 외 타업종에서도 비슷한 결과를 보여주고 있다. 해당 결과를 객관화된 수치로 비교하기 위해 XGB-RP와 리스크패리티의 업종별 전체 기간 RMSE의 평균으로 비교하였다.

이론/모형

XGBoost는 트리생성 시 CART(Classification And Regression Trees)모형을 사용한다. CART 알고리즘은 의사결정나무의 가장 대표적인 모형으로 범주형, 연속형 모두 학습이 가능하며 이진 분류를 통해 학습한다.
CART 알고리즘은 의사결정나무의 가장 대표적인 모형으로 범주형, 연속형 모두 학습이 가능하며 이진 분류를 통해 학습한다. 분류기준으로 불순도 척도인 지니계수(Gini index)를 사용한다. CART 방식은 트리의 모든 리프들이 모델의 최종 스코어에 연관되어 같은 분류 결과를 가지는 트리 모델 끼리도 우위를 비교할 수 있다.
XGBoost의 가장 큰 장점은 제한된 메모리 환경에서도 수십억 가지의 예제로 확장이 가능할 뿐만 아니라 이를 병렬처리를 통해 학습속도가 매우 빠르다는 점이다. 약한 분류기를 개선해 나가는 과정에서 탐욕적 알고리즘(greedy algorithm) 을 사용하여 분류 모델들을 발견하고 분산처리를 통해 최적의 비중을 계산한다. 이 과정에서 트리 분류기의 불필요한 부분을 제거하는 가지치기를 통해 모형의 과적합화를 사전에 방지할수 있다.
본 모형은 학습의 예측 결과보다는 백테스팅을 통한 결과에 중점을 두었다. 장기간의 백테스팅 결과를 얻기 위해 Moving-window 전진적 분석방법을 적용하여 예측 결과를 누적하였다.[Figure 3]과 같이 1,000영업일 학습, 20영업일 예측을 반복 시행하여 누적된 결과를 도출하였고 실험 데이터 10종 모두 같은 방식으로 진행하였다.

성능/효과

기간에 따라 두 모형 간 누적수익률의 차이를 시각적으로 확인하기 위해 [Figure 10]을 통해 누적수익률 차이를 나타내었고 시간이 지남에 따라 점차 누적수익률의 차이가 커졌으며 최종 적으로 XGB-RP가 리스크패리티 보다 약 5% 수익률 우위를 나타내었다.
[Table 3]와 [Figure 8]으로 비교 분석한 결과는 10개 업종 중 유틸리티 업종을 제외한 9개 업종 모두에서 기존의 리스크패리티보다 추정 오차가 감소되었음을 나타내고 있다. 두 결과를 통해 본 연구에서 제시한 모형이 추정 오차를 줄임에 유효성이 있음을 증명하고 있다. 최적화 자산 배분 모형에 있어 추정 오차를 줄여 안정적인 모형을 설계하였다.
[Table 4]는 두 자산배분 모형이 시뮬레이션 동안 보여준 포트폴리오의 기대수익률, 변동성, 위험조정 수익률 및 누적수익률을 나타낸 표이다. 두 모형의 성과를 비교한 결과는 XGB-RP가수익률 측면인 기대수익률과 누적수익률에서 기존의 방식보다 개선되었음을 보여준다. 하지만 포트폴리오의 변동성에서는 큰 차이를 보이지 않았다.
전통적 자산배분의 한계였던 역사적 데이터로 인한 추정 오차를 기계학습을 통한 예측으로 해결하였다. 또한 추정 기간과 투자 기간의 괴리를 줄여 직관적으로 이해하기 용이하고 추정 오차의 감소로 모형을 안정성을 높였다.
예측성능의 한계로 인해 20일 간격의 리밸런싱을 진행하였고 Moving-window 방식의 학습 구조를 설계해 장기간의 out-of-sample 기간을 정용해 총 154회의 재투자한 결과를 도출하였다. 전통적 방식의 리스크패리티와 비교하였을 때 약 5%의 수익률 상승을 보였고 RMSE는 0.004278에서 0.003785 로 감소시켰다.
[Figure 9]은 XGB-RP와 리스크패리티 모형의 누적수익 률을 비교한 그래프이다. 제안 모형의 기본적인 원리가 리스크패리티를 기반으로 설계하였기 때문에 두 모형 간의 수익률 측면에서는 큰 차이를 보이지 않지만, 재투자가 반복됨에 따라 누적수 익률이 일정 부분 우위를 나타내었다.
003785의 추정 오차 결과를 나타냈다. 평균적 으로 본 연구에서 제안한 XGB-RP가 전통적 방식의 리스크패리티에 비해 낮은 추정 오차를 나타냄으로써 보다 안정적인 자산배분 모형임을 입증하였다.

후속연구

또한, 추정 오차를 줄여 자산배분 모형의 안정성을 올리는 새로운 공분산 추정방법을 제시하였다. 본 사례를 통해 앞으로 있을 다양한 자산배분 연구에 조금이나마 이론적으로 기여할 수 있다고 생각한다.
이후 연구에서는 국내외 다양한 투자 원천들 즉 위험구조가 다른 자산을 포트폴리오 구성으로 활용한다면 자산 배분 측면에서 더 우수한 결과를볼 수 있을 것이다. 본 연구에서는 XGBoost 모형만 제안하였지만 다른 기계학습방법과의 비교를 통해 더 나은 성과를 보이는 모형에 관한 추가적인 연구가 필요하다.
그러나 본 연구에서는 한국 시장을 기반으로 실증 분석하여 포트폴리오의 구성 자산들에서 비슷한 위험구조를 보였다. 이후 연구에서는 국내외 다양한 투자 원천들 즉 위험구조가 다른 자산을 포트폴리오 구성으로 활용한다면 자산 배분 측면에서 더 우수한 결과를볼 수 있을 것이다. 본 연구에서는 XGBoost 모형만 제안하였지만 다른 기계학습방법과의 비교를 통해 더 나은 성과를 보이는 모형에 관한 추가적인 연구가 필요하다.
실제 투자에서 동반될 거래 비용까지 고려하게 된다면 빈번한 리밸런싱으로 인해 비용적 측면에서 문제점을 보일 수 있다. 추후 연구에서 예측 성과를 개선하면서 점차 예측 시점을 늘려간다면 좀 더현실적으로 적용하기 용이한 모형으로 발전할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	로보-어드바이저란 무엇인가?	금융산업 역시 인공지능의 도입을 위해 많은 연구가 진행되고 있으며 금융시장에 로보-어드바이저(Robo-advisor) 를 도입한 금융상품들이 출시되고 있다. 로보-어드바이저란 Robot과 Advisor의 합성어로 재무설계나 투자 결정을 금융 공학적 알고리즘으로 자동화하여 온라인으로 제공하는 투자자문 업자를 지칭한다(Sa et al., 2016).
	포트폴리오의 위험 두 가지는 무엇인가?	포트폴리오의 위험에는 두 가지 종류가 존재 한다. 하나는 체계적 위험(systematic risk)으로 포트폴리오 구성 자산들이 속한 경제 환경에 전체 적으로 영향을 주는 분산 불가능한 위험을 말한다. 다른 하나는 비체계적 위험(unsystematic risk) 으로 각 자산이 가지는 위험을 뜻한다. 비체계적 위험은 위험구조가 다른 자산들에 분산 투자하여 상쇄시키거나 축소, 제거가 가능하다.
	부스팅이란 무엇인가?	XGBoost(eXtreme Gradient Boosting)는 Chen and Guestrin(2016)이 처음 제시하였으며 의사결 정나무(Decision Trees)의 부스팅(boosting) 기법을 개선한 모형이다. 부스팅이란 수많은 약한 분류기를 결합하여 강한 분류기를 만드는 앙상블 (ensemble) 기법의 하나로 약한 트리 분류기를 순차적으로 실행하면서 이전 단계의 오차를 보완하는 방식으로 강한 분류기를 생성한다. 하지만 기존 부스팅 기법은 순차적 학습으로 인해 느리다는 단점을 가진다 XGBoost는 이런 부스팅의 느린 학습속도를 병렬화를 통해 개선하여 데이터 분석 경쟁 플랫폼인 캐글(http://www.

참고문헌 (14)

Black, F. and R. Litterman, "Asset allocation: Combining investor views with market equilibrium", Journal of Fixed Income, Vol1, No.2 (1991), 7-18.

상세보기
Brinson, G. P., "Determinants of portfolio performance", Financial Analysts Journal, Vol51, No.1 (1995), 133-138.

상세보기
Chen, T. and C. Guestrin, "XGBoost: A Scalable Tree Boosting System", 22nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining(2016), 785-794.
Chopra, V. K. and W. T. Ziemba, "The effect of errors in means, variances, and covariances on optimal portfolio choice", Journal of Portfolio Management, Vol.19, No.2(1993), 6-11.

상세보기
Demiguel, V., L. Garlappi and R. Uppal, "Optimal versus naive diversification: How inefficient is the 1/n portfolio strategy?", Review of Financial Studies, Vol.22, No.5(2009), 1915-1953.

상세보기
Hah, D. W., Y. M., Kim and J. J., Ahn, "A study on KOSPI200 direction forecasting using XGBoost model", Journal of the Korean Data And Information Science Society, Vol.30, No.3(2019), 655-669.

상세보기
Kim, S. W., "Robo-Advisor Algorithm with Intelligent View Model", Journal of Intelligence and Information Systems, Vol.25, No.2(2019), 39-55.

원문보기 상세보기
Lee, C. S. and K. B., Lee, "A Sensitivity Analysis of the effects of errors in parameter Estimation on portfolio efficiency", The Korean Journal of Financial Engineering, Vol.1, No.0(2002), 1-13.
Lee, S. H., "Covariance Estimation and the Effect on the Performance of the Optimal Portfolio", Journal of the Korean Operations Research and Management Science Society, Vol.39, No.4(2014), 137-152.

원문보기 상세보기
Markowitz, H. M., "Portfolio selection", Journal of Finance, Vol.7, No.1(1952), p.77-91.

상세보기
Qian, E, "Risk parity portfolios: Efficient portfolios through true diversification, Panagora Asset Management, September(2005).
Roh, T. H., "Integration Model of Econometric Time Series for Volatility Forecasting", Korean Management Consulting Review, Vol.13, No.1(2013), 313-340.
Ru, J. P. and H. J. Shin, "An Option Hedge Strategy Using Machine Learning and Dynamic Delta Hedging", Journal of The Korea Academia-Industrial cooperation Society, Vol.12, No.2(2011), 712-717.

원문보기 상세보기
Sa, J. H., S. H., Hee and G. Y. Gim, "A study on Utilization of Robo-Advisor in Korea", Proceedings of Fall Conference on Korea Society of IT Sercvices(2016), 234-237.

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