[논문]머신러닝을 이용한 철광석 가격 예측에 대한 연구

이우창; 김양석; 김정민; 이충권

doi:10.9723/jksiis.2020.25.2.057

머신러닝을 이용한 철광석 가격 예측에 대한 연구
Forecasting of Iron Ore Prices using Machine Learning 원문보기

한국산업정보학회논문지 = Journal of the Korea Industrial Information Systems Research, v.25 no.2, 2020년, pp.57 - 72

이우창 (계명대학교 경영정보학과) , 김양석 (계명대학교 경영정보학과) , 김정민 (계명대학교 경영정보학과) , 이충권 (계명대학교 경영정보학과)

초록
AI-Helper

철광석의 가격은 여러 국가와 기업들의 수요와 공급에 따라서 높은 변동성이 지속되고 있다. 이러한 비즈니스 환경에서 철광석의 가격을 예측하는 것은 중요해졌다. 본 연구는 머신러닝 기법을 이용하여 철광석이 거래되는 시점으로부터 한 달 전에 철광석 거래가격을 미리 예측하는 모형을 개발하고자 하였다. 예측 모형은 시계열 데이터를 활용한 예측 방법론으로 많이 활용되고 있는 시차분포 모형과 다층신경망 (Multi-layer perceptron), 순환신경망 (Recurrent neural network), 그리고 장단기 기억 네트워크 (Long short-term memory)와 같은 딥 러닝(Deep Learning) 모형을 사용하였다. 측정지표를 통해 개별 모형을 비교한 결과에 따르면, LSTM 모형이 예측 오차가 가장 낮은 것으로 나타났다. 또한, 앙상블 기법을 적용한 모형들을 비교한 결과, 시차분포와 LSTM의 앙상블 모형이 예측오차가 가장 낮은 것으로 나타났다.

Abstract ▼ AI-Helper

The price of iron ore has continued to fluctuate with high demand and supply from many countries and companies. In this business environment, forecasting the price of iron ore has become important. This study developed the machine learning model forecasting the price of iron ore a one month after the trading events. The forecasting model used distributed lag model and deep learning models such as MLP (Multi-layer perceptron), RNN (Recurrent neural network) and LSTM (Long short-term memory). According to the results of comparing individual models through metrics, LSTM showed the lowest predictive error. Also, as a result of comparing the models using the ensemble technique, the distributed lag and LSTM ensemble model showed the lowest prediction.

주제어

표/그림 (17)

그림 Fig. 1 Flowchart of Model Evaluation Process
표 Table 1 Results of the ADF Test
표 Table 2 Results of the Granger Causality Test
그림 Fig. 2 Structure of MLP
표 Table 3 Options of MLP, RNN, and LSTM
그림 Fig. 3 Structure of RNN
그림 Fig. 4 Structure of LSTM
그림 Fig. 5 Structure of LSTM cell
표 Table 4 Results of Measurement of the MLP at Different Number of Hidden Layers and Neurons
표 Table 5 Results of Measurement of the RNN at Different Number of Hidden Layers and Neurons
표 Table 6 Results of Measurement of the LSTM at Different Number of Hidden Layers and Neurons
그림 Fig. 6 Results of Forecasting PIC using DL Model
그림 Fig. 7 Results of Forecasting PIC using MLP Model
표 Table 7 Results of Measurement of the Ensemble
그림 Fig. 8 Results of Forecasting PIC using RNN Model
그림 Fig. 9 Results of Forecasting PIC using LSTM Model
그림 Fig. 10 Results of Forecasting PIC using DL+LSTM Model

AI 본문요약
AI-Helper

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

문제 정의

이러한 비즈니스 환경에서 철광석의 가격을 예측하는 문제가 중요하게 되었다. 따라서 본 연구는 철광석의 가격을 미리 예측하여 철강을 다루는 국가나 기업의 투자위험성을 줄일 수 있는 머신러닝 (Machine learning) 모형을 개발하고자 하였다.
본 연구는 4개의 머신러닝 모형을 이용하여 4개의 측정지표를 기준으로 평가 데이터에서 중국 철광석 가격을 얼마나 정확하게 예측하는지 실험하였다. MLP, RNN 그리고 LSTM의 경우는 노드의 수와 은닉층의 수에 따라 최적의 파라미터를 탐색해 보았다.
본 연구는 머신러닝 모형을 이용하여 중국 철광석 가격이 결정짓게 되는 시점으로부터 한 달 전에 미리 철광석의 가격을 예측하는 머신러닝 모델을 구축하고자 한다. 머신러닝 모형을 훈련 시키고 구축된 모형의 성능을 평가하기 위해서 원본 데이터를 훈련 데이터와 평가 데이터로 나누어 사용하였다.
해당 4개의 알고리즘은 기계학습을 통해 주어진 데이터를 입력받고 결과물을 제시한다는 점에서 모두 머신러닝 모형이라고 할 수 있다. 본 연구는 이러한 기법들을 예측에 적용하여 성과를 비교하고, 서로 다른 모델들을 앙상블 (Ensemble)하여 성과를 개선할 수 있는 방법을 제안하고자 한다.
본 연구에서는 Granger (1969)가 제안한 인과 모형을 사용하여 설명변수와 종속변수 사이의 시계열적 인과성을 알아보고자 하였다. 그레인저 인과관계를 알아보기 위해서는 관측된 계열이 안정성을 가지는지 확인해야 한다.
Table 2에서의 값들은 그레인저 인과관계 검정에 사용되는 F검정통계량과 유의확률이며 만약, 유의확률이 유의수준보다 작다면 설명변수가 종속변수의 시차만큼의 그레인저 인과를 가지지 않을 것이라는 귀무가설을 기각한다. 본 연구에서는 유의수준 10% 하에 각 설명변수 마다 중국 철광석 가격과 그레인저 인과관계가 있는 설명변수들의 최적 시차를 탐색하였다. 설명 변수들이 중국 철광석 가격에 그레인저 인과관계가 있는지 탐색해본 결과, 한ㆍ중ㆍ일 철강재 수출과 관련된 변수에서 중국 철강재 수출량, 일본의 수출량, 한국 H형강 수출량, 한국 철근 수출량은 중국 철광석 가격에 유의한 그레인저 인과관계가 있는 것으로 나타났다.
본 연구에서 사용되는 머신러닝 모형은 시계열 데이터를 활용한 예측 방법론으로 많이 활용되고 있는 시차분포 (Distributed lag: DL) 모형과 MLP (Multi-layer perceptron), RNN (Recurrent neural network), LSTM (Long short-term memory)과 같은 신경망 모형이다. 해당 모형을 통해 철광석이 거래되는 시점으로부터 한 달 전에 철광석 거래가격을 미리 예측하는 모형을 구축하고자 한다. 시차분 포 모형은 이러한 문제를 해결하기 위한 전통적인 통계 모형이다.

제안 방법

본 연구는 4개의 머신러닝 모형을 이용하여 4개의 측정지표를 기준으로 평가 데이터에서 중국 철광석 가격을 얼마나 정확하게 예측하는지 실험하였다. MLP, RNN 그리고 LSTM의 경우는 노드의 수와 은닉층의 수에 따라 최적의 파라미터를 탐색해 보았다. 또한 중국 철광석 가격에 대한 예측 정확도를 높이기 위해 각 모형에서의 최적의 파라미터를 기준으로 4개의 모형을 앙상블 하는 연구를 시도하였다.
이렇게 재구성된 데이터를 사용하여 철광석이 거래되는 시점으로부터 한 달 전에 철광석 거래 가격을 미리 예측하는 모형을 구축한다. 그리고 머신러닝 모형이 학습하지 않은 평가 데이터를 사용하여 모형의 성능을 평가한다.
다음과 같은 이유로 본 연구에서는 한국 철강재 수출량 변수와 철스크랩 가격 변수는 중국 철광석 가격의 설명변수에서 제외하고 분석을 진행하였다. 또한 유의한 그레인저 인과성을 가지는 설명변수들은 각 변수별 최적의 시차에 맞게 과거의 변수들로 재구성하여 총 18개의 설명 변수를 사용하였다.
과거의 데이터를 머신러닝 모형이 학습을 하고 모형이 미래의 중국 철광석 가격을 예측하기 위해서는 연구에서 사용되는 설명변수들이 중국 철광석 가격에 시계열적으로 얼마만큼의 인과성을 가지는지 알아보고 사용 데이터를 인과관계 분석 결과에 따라 설명변수를 과거의 설명변수들로 재구성할 필요가 있다. 따라서 본 연구는 Granger (1969)가 제안한 인과모형을 사용하여 설명변수와 종속변수 사이의 시계열적 인과성을 알아보고 설명변수들을 유의한 그레인저 인과성이 있는 과거의 변수들로 재구성한다. 이렇게 재구성된 데이터를 사용하여 철광석이 거래되는 시점으로부터 한 달 전에 철광석 거래 가격을 미리 예측하는 모형을 구축한다.
따라서 철강을 생산하기위해 철광석을 타국에서 수입하는 데 있어서도 큰 규모를 가지고 있다 (Kim, 2010). 따라서 본 연구는 기존의 연구에 근거하여 중국의 철강 생산량 그리고 중국의 철광석 수입량을 중국 철광석 가격을 설명하는 변수로 설정하였다.
원계열의 자료들을 사용하여 1차적으로 단위 근 검정을 시행한 결과, 원계열의 자료들은 모두 비안정성을 띄는 시계열임을 확인할 수 있었다. 따라서 원계열의 자료들을 1차 차분한 계열의 자료들을 사용하여 ADF 검정을 수행하였다. 그 결과, 본 연구에서 설정한 종속변수인 중국산 철광석 가격과 설명변수로 설정한 한ㆍ중ㆍ일 철강재 수출과 관련된 5개의 변수, 철강 수급과 관련된 2개의 변수, 원자재 경기와 관련된 2개의 변수로 총 10개의 변수들이 유의수준 5%하에 모두 안정성을 가지는 시계열로 나타났다.
다음과 같은 이유로 본 연구에서는 한국 철강재 수출량 변수와 철스크랩 가격 변수는 중국 철광석 가격의 설명변수에서 제외하고 분석을 진행하였다. 또한 유의한 그레인저 인과성을 가지는 설명변수들은 각 변수별 최적의 시차에 맞게 과거의 변수들로 재구성하여 총 18개의 설명 변수를 사용하였다.
MLP, RNN 그리고 LSTM의 경우는 노드의 수와 은닉층의 수에 따라 최적의 파라미터를 탐색해 보았다. 또한 중국 철광석 가격에 대한 예측 정확도를 높이기 위해 각 모형에서의 최적의 파라미터를 기준으로 4개의 모형을 앙상블 하는 연구를 시도하였다. 본 연구의 앙상블 모형은 각 모형으로부터 얻어진 출력값을 평균하여 도출하는 식으로 생성된다.
본 연구는 머신러닝 모형을 이용하여 중국 철광석 가격이 결정짓게 되는 시점으로부터 한 달 전에 미리 철광석의 가격을 예측하는 머신러닝 모델을 구축하고자 한다. 머신러닝 모형을 훈련 시키고 구축된 모형의 성능을 평가하기 위해서 원본 데이터를 훈련 데이터와 평가 데이터로 나누어 사용하였다. 훈련 데이터와 평가 데이터의 비율은 8 대 2의 비율로 설정하였다.
본 연구는 그레인저 인과관계를 이용하여 모형 개발에 적합한 속성을 선택하게 되므로 많은 시차를 사용하는 경우 과적합의 문제가 발생할 수 있어 연구에서 사용하는 시차는 다섯 시차까지 사용하였다. 주어진 시차 내에서 최적의 시차를 선택하는 기준은 AIC (Akaike information criterion)가 최소화되는 방향으로 결정하였으며 설명변수가 종속변수에 대해 유의한 그레인저 인과관계가 있는 시차를 선택하였다.
이러한 주요 원자재의 가격은 주요 국가들의 경제 성장에 따라 장기적으로 유사한 추세를 보이는 경향이 있다 (Nam, 2018). 본 연구는 기존의 연구에 근거하여 원자재 경기에 대해 대표성이 높은 구리 가격과 철광석의 대체품으로 활용되는 철스크랩의 가격을 중국 철광석 가격에 대한 설명변수로 설정하였다.
본 연구는 중국 철광석이 거래되는 시점으로부터 한 달 전에 가격을 미리 예측하는 머신러닝 모형을 구축하였고, 학습하지 않은 평가 데이터를 예측하여 각 모델에서 4개의 측정지표를 통하여 실제값과 예측값에 대한 오차를 비교하였다. 본 연구의 분석 결과를 통하여 다음과 같은 시사점을 제시하고자 한다.
Table 1은 연구에서 사용되는 변수들의 ADF 검정 결과를 종합적으로 보여준다. 본 연구에서는 Table 1의 결과를 반영하여 모든 변수를 1차 차분한 계열의 자료들을 사용하여 분석을 진행하였다.
안정되지않은 시계열 자료를 분석하는 것은 분석 결과를 오도할 수 있기 때문이다 (Lee and Ryu, 2017). 본 연구에서는 시계열 자료의 안정성 확인을 위해 ADF (Augmented dickey-fuller) 단위근 검정을 사용하였다.
본 연구에서는 시차분포, MLP, RNN, 그리고 LSTM을 사용하였다. 이러한 4 가지 머신러닝 모형들은 다양한 분야에서 사용되어왔다.
시차분포 모형에서는 설명변수들의 시차 qj를 결정해야 하는데 본 연구에서는 그레인저 인과성을 가지는 최적의 시차를 사용하였다.
따라서 본 연구는 Granger (1969)가 제안한 인과모형을 사용하여 설명변수와 종속변수 사이의 시계열적 인과성을 알아보고 설명변수들을 유의한 그레인저 인과성이 있는 과거의 변수들로 재구성한다. 이렇게 재구성된 데이터를 사용하여 철광석이 거래되는 시점으로부터 한 달 전에 철광석 거래 가격을 미리 예측하는 모형을 구축한다. 그리고 머신러닝 모형이 학습하지 않은 평가 데이터를 사용하여 모형의 성능을 평가한다.
2%로 1위를 차지하여 전 세계적으로 중국에서 생산된 철강을 많이 소비하는 것으로 나타나 중국 철강은 세계 각 국가의 산업과 경제에 지대한 영향을 미치고 있다 (Liu, 2012; Chu and Kong, 2015). 이에 본 연구에서는 중국 철강의 원재료인 중국 철광석의 가격을 미리 예측할 수 있다면 철강을 다루는 국가나 기업의 투자 위험성을 줄일 수 있을 것이라 판단하였고 중국 철광석 가격을 종속변수로 설정하였다.
본 연구는 그레인저 인과관계를 이용하여 모형 개발에 적합한 속성을 선택하게 되므로 많은 시차를 사용하는 경우 과적합의 문제가 발생할 수 있어 연구에서 사용하는 시차는 다섯 시차까지 사용하였다. 주어진 시차 내에서 최적의 시차를 선택하는 기준은 AIC (Akaike information criterion)가 최소화되는 방향으로 결정하였으며 설명변수가 종속변수에 대해 유의한 그레인저 인과관계가 있는 시차를 선택하였다. Table 2는 그레인저 인과관계 검정을 시행한 결과를 보여준다.

대상 데이터

본 연구에서는 기존의 연구에 근거하여 중국 철광석 가격과 한ㆍ중ㆍ일 철강재 수출과 철강 수급 그리고 원자재 경기와 관련된 9개의 지표들을 수집하였다. 데이터의 기간은 2010년 1월에서 2018년 3월까지의 월별 데이터 총 99개를 수집하였다. 총 10개의 지표들은 KOMIS (Korea mineral resource information service), KOSIS (Korean statistical information service), 중국 국가통계국, Trading Economics 그리고 세계철강협회에서 수집할 수 있었다.
본 연구에서는 기존의 연구에 근거하여 중국 철광석 가격과 한ㆍ중ㆍ일 철강재 수출과 철강 수급 그리고 원자재 경기와 관련된 9개의 지표들을 수집하였다. 데이터의 기간은 2010년 1월에서 2018년 3월까지의 월별 데이터 총 99개를 수집하였다.
데이터의 기간은 2010년 1월에서 2018년 3월까지의 월별 데이터 총 99개를 수집하였다. 총 10개의 지표들은 KOMIS (Korea mineral resource information service), KOSIS (Korean statistical information service), 중국 국가통계국, Trading Economics 그리고 세계철강협회에서 수집할 수 있었다.

데이터처리

시계열 모형의 평가 지표는 MSE (Mean square error), RMSE (Root mean square error), MAE (Mean absolute error) 그리고 MAPE (Mean absolute percentage error)를 사용하였다. MSE는 오차의 제곱 값들의 평균을 나타낸다.

이론/모형

본 연구에서 사용되는 머신러닝 모형은 시계열 데이터를 활용한 예측 방법론으로 많이 활용되고 있는 시차분포 (Distributed lag: DL) 모형과 MLP (Multi-layer perceptron), RNN (Recurrent neural network), LSTM (Long short-term memory)과 같은 신경망 모형이다. 해당 모형을 통해 철광석이 거래되는 시점으로부터 한 달 전에 철광석 거래가격을 미리 예측하는 모형을 구축하고자 한다.

성능/효과

4개의 개별 모형과 11개의 앙상블 모형들의 측정지표들을 종합적으로 비교해보았을 때 시차분포와 LSTM의 앙상블 모형이 본 연구에서 시도한 15개의 모형 중 가장 높은 성능을 보였으며 개별 모형만을 사용한 경우보다 앙상블 모형을 사용하였을 때 더 좋은 예측 성능을 가짐을 검증할 수 있었다. Fig.
4개의 개별 모형을 측정한 결과, 시차분포 모형은 MSE의 값이 42.087, RMSE는 6.487, MAE의 값이 4.803 그리고 MAPE의 값이 6.928%로 나타났다. MLP는 노드의 수가 16 그리고 은닉층의 수가 4일 때 MSE의 값이 50.
해당 4개의 측정지표들은 각 시점별 중국 철광석 가격의 실제값과 머신러닝 모형을 통해 미리 예측된 값에 대하여 오차를 측정하는데 적용된다. 4개의 측정지표들의 값이 낮은 수준으로 유지될수록 머신러닝 모형이 중국 철광석 가격을 정확하게 예측하였다고 볼 수 있다. 본 연구에서 사용한 측정지표들의 식은 (1), (2), (3) 그리고 (4)와 같다.
697%로 나타났다. LSTM은 노드의 수가 16, 은닉층의 수가 2일 때 MSE의 값이 27.196, RMSE는 5.215, MAE는 4.227 그리고 MAPE의 값이 6.242%로 나타나 4개의 개별적인 머신러닝 모형 중에서는 예측 오차가 가장 낮은 것으로 나타났다.
928%로 나타났다. MLP는 노드의 수가 16 그리고 은닉층의 수가 4일 때 MSE의 값이 50.581, RMSE는 7.112, MAE는 5.582 그리고 MAPE의 값이 7.778%로 나타났다. RNN은 노드의 수가 16, 은닉층의 수가 4일 때 MSE의 값이 43.
따라서 원계열의 자료들을 1차 차분한 계열의 자료들을 사용하여 ADF 검정을 수행하였다. 그 결과, 본 연구에서 설정한 종속변수인 중국산 철광석 가격과 설명변수로 설정한 한ㆍ중ㆍ일 철강재 수출과 관련된 5개의 변수, 철강 수급과 관련된 2개의 변수, 원자재 경기와 관련된 2개의 변수로 총 10개의 변수들이 유의수준 5%하에 모두 안정성을 가지는 시계열로 나타났다. Table 1은 연구에서 사용되는 변수들의 ADF 검정 결과를 종합적으로 보여준다.
Nam (2016)은 철광석 가격과 관련성이 높을 것으로 예상되는 거시경제, 원자재 경기, 철강 경기, 철강 수급의 4가지 부문에서 13개 지표를 수집하여 신호 접근법을 통해 중국 철광석 가격의 급등에 대한 조기경보 시스템을 연구하였다. 그 결과, 테스트 기간 동안 10번 중 7번의 확률로 1년 후의 철광석 가격의 위기 발생 유무를 비교적 정확하게 예측했다. 또한 해당 연구에서는 13개의 선행지표 이외에 다수의 선행지표 후보군을 대상으로 연구를 진행하였다면 더욱 높은 수준의 예측 정확도를 얻을 수 있었을 것이라는 시사점을 남겼다.
둘째, 본 연구는 중국 철광석이 거래되는 시점으로부터 한 달 전에 가격을 미리 예측하는 모형을 개발하였고 모형을 통해 나타난 예측값과 실제값에 대한 오차가 낮은 수준인 것으로 나타났다. 시차분포 모형과 LSTM 모형의 앙상블 모형은 MSE의 값이 22.
이렇듯 한국과 일본의 철강 수출은 2000년 이후 중국의 수출입 증가만큼의 성장을 따라가기 어려우나 빠르게 성장해가고 있으며 철강시장에서 어느 정도 영향력을 행사하고 있다 (Liu and Han, 2012). 따라서 본 연구에서는 기존의 연구에 근거하여 한국의 철강재 수출량, 한국의 H형 강 수출량, 철근 수출량 그리고 중국 및 일본의 철강재 수출량이 중국산 철광석 가격에 영향을 미칠 것이라 판단하였고 중국산 철광석 가격을 설명하는 변수로 설정하였다.
748으로 나타나서 중국 철광석의 실제 가격과 예측 가격 간의 오차 제곱에 대한 측정지표 수준이 낮은 것으로 확인되었다. 또한 MAE의 값은 4.013로 나타났는데 이러한 결과는 머신러닝 모형이 거래 시점으로부터 한 달 전에 현재 시점의 중국 철광석 가격을 미리 예측하였을 때 실제값과 예측값이 평균적으로 4.013USB/ton의 오차가 나타남을 시사한다. 또한 모형들 중에서 시차분포 모형과 LSTM 모형의 앙상블 모형의 MAPE는 5.
013USB/ton의 오차가 나타남을 시사한다. 또한 모형들 중에서 시차분포 모형과 LSTM 모형의 앙상블 모형의 MAPE는 5.870%로 나타났는데 이는 평가 데이터에서 머신러닝 모형이 거래 시점으로부터 한 달 전에 중국 철광석 가격을 미리 예측하였을 때 실제값 대비 예측 오차의 비율이 5.860%라는 것을 알 수 있다. 이러한 결과를 종합적으로 보았을 때, 시차분포 모형과 LSTM 모형의 앙상블 모형은 거래 시점으로부터 한 달 전에 중국산 철광석 가격을 미리 예측하였을 때 실제값과 예측값에 대한 오차의 정도가 굉장히 낮은 수준임을 알 수 있다.
본 연구의 결과는 중국 철광석 가격과 관련된 변수들에 대한 과거 데이터를 이용하여 머신러닝 모형을 통해 현재 시점의 중국 철광석 가격을 미리 예측할 수 있음을 시사한다. 이러한 시사점은 철강을 취급하는 국가나 기업의 중국 철광석에 대한 투자 위험성을 줄일 수 있을 것으로 기대된다.
본 연구에서는 유의수준 10% 하에 각 설명변수 마다 중국 철광석 가격과 그레인저 인과관계가 있는 설명변수들의 최적 시차를 탐색하였다. 설명 변수들이 중국 철광석 가격에 그레인저 인과관계가 있는지 탐색해본 결과, 한ㆍ중ㆍ일 철강재 수출과 관련된 변수에서 중국 철강재 수출량, 일본의 수출량, 한국 H형강 수출량, 한국 철근 수출량은 중국 철광석 가격에 유의한 그레인저 인과관계가 있는 것으로 나타났다. 이에 반해 한국 철강재 수출량은 중국 철광석 가격에 유의한 그레인저 인과관계가 없는 것으로 나타났다.
둘째, 본 연구는 중국 철광석이 거래되는 시점으로부터 한 달 전에 가격을 미리 예측하는 모형을 개발하였고 모형을 통해 나타난 예측값과 실제값에 대한 오차가 낮은 수준인 것으로 나타났다. 시차분포 모형과 LSTM 모형의 앙상블 모형은 MSE의 값이 22.546, RMSE는 4.748으로 나타나서 중국 철광석의 실제 가격과 예측 가격 간의 오차 제곱에 대한 측정지표 수준이 낮은 것으로 확인되었다. 또한 MAE의 값은 4.
앙상블 모형에서는 시차분포와 LSTM의 앙상블 모형이 MSE의 값이 22.546, RMSE는 4.748, MAE는 4.013, MAPE는 5.870%로 나타나 연구에서 시도된 앙상블 모형 중 가장 낮은 예측 오차를 보이는 것으로 나타났다.
원계열의 자료들을 사용하여 1차적으로 단위 근 검정을 시행한 결과, 원계열의 자료들은 모두 비안정성을 띄는 시계열임을 확인할 수 있었다. 따라서 원계열의 자료들을 1차 차분한 계열의 자료들을 사용하여 ADF 검정을 수행하였다.
원자재 경기 변수에서는 구리 가격이 중국 철광석 가격에 유의한 그레인저 인과관계가 있는 것으로 나타나 기존의 연구결과와 일치하는 것으로 보였으며, 철스크랩 가격은 중국 철광석 가격에 유의한 그레인저 인과관계가 없는 것으로 나타났다. 이러한 이유를 살펴보았을 때, 먼저 철스크랩은 철강재의 생산 및 가공 과정이나 철강제품의 사용 불능 상태에서 발생한 것을 재수집한 것으로 철광석의 소비 이후에 물량이 확보된다.
860%라는 것을 알 수 있다. 이러한 결과를 종합적으로 보았을 때, 시차분포 모형과 LSTM 모형의 앙상블 모형은 거래 시점으로부터 한 달 전에 중국산 철광석 가격을 미리 예측하였을 때 실제값과 예측값에 대한 오차의 정도가 굉장히 낮은 수준임을 알 수 있다.
하지만 한국의 전체적인 철강재 수출량으로 본다면 경쟁력이 떨어지며 중국 철광석 가격에 미치는 영향력은 미미한 것으로 판단된다. 중국 철강 생산량과 중국 철광석 수입량은 중국 철광석 가격에 유의한 그레인저 인과관계가 있는 것으로 나타났다. 이러한 결과는 기존의 연구와 일치하는 결과를 보이고 있다.
또한 일본과 달리 한국은 H형 강과 철근과 같이 특정한 제품만이 중국 철광석 가격에 영향을 미치는 것으로 나타났다. 중국의 철강 수급과 관련된 변수들은 중국 철광석 가격에 시계열적 인과관계를 가진다는 사실을 알 수 있었고, 원자재 가격의 경우에는 구리 가격이 중국 철광석 가격에 시계열적 인과관계를 가지지만, 철스크랩과 같은 경우에는 시계열적 인과 관계를 가지지 않는 것으로 나타났다.
첫째, 그레인저 인과관계 분석을 통해 중국 철광석 가격에 시계열적 인과관계를 가지는 변수를 탐색할 수 있었다. 해당 분석을 통해 일본과 같은 이웃 국가의 철강재 수출량 변화에 따라 중국 철광석 가격에 변동성이 생긴다는 사실을 알 수 있었다.
첫째, 그레인저 인과관계 분석을 통해 중국 철광석 가격에 시계열적 인과관계를 가지는 변수를 탐색할 수 있었다. 해당 분석을 통해 일본과 같은 이웃 국가의 철강재 수출량 변화에 따라 중국 철광석 가격에 변동성이 생긴다는 사실을 알 수 있었다. 또한 일본과 달리 한국은 H형 강과 철근과 같이 특정한 제품만이 중국 철광석 가격에 영향을 미치는 것으로 나타났다.

후속연구

이러한 시사점은 철강을 취급하는 국가나 기업의 중국 철광석에 대한 투자 위험성을 줄일 수 있을 것으로 기대된다. 또한 본 연구에서 시도한 머신러닝 모형들뿐만 아니라 더 다양하고 성능이 뛰어난 모형들을 사용한다면 중국 철광석 가격을 예측하는 것에 있어서 보다 정확한 예측 결과를 얻을 수 있을 것이라 기대된다.
본 연구의 결과는 중국 철광석 가격과 관련된 변수들에 대한 과거 데이터를 이용하여 머신러닝 모형을 통해 현재 시점의 중국 철광석 가격을 미리 예측할 수 있음을 시사한다. 이러한 시사점은 철강을 취급하는 국가나 기업의 중국 철광석에 대한 투자 위험성을 줄일 수 있을 것으로 기대된다. 또한 본 연구에서 시도한 머신러닝 모형들뿐만 아니라 더 다양하고 성능이 뛰어난 모형들을 사용한다면 중국 철광석 가격을 예측하는 것에 있어서 보다 정확한 예측 결과를 얻을 수 있을 것이라 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	철강은 무엇의 주 소재로 사용되고 있는가?	현대 문명에서는 철강을 이용하여 총, 잠수함과 같은 군사 무기와 철제 농기구를 제작할 수 있었다. 철강은 교량이나 건물, 자동차와 같은 제조업에서 만들어내는 물품들의 주 소재로 사용되고 있다. 이러한 철강은 철광석의 제선, 제강, 압연공정의 과정을 통해 제조되는데 철강을 가공하는 획기적인 기술을 가지고 있지만 국내에서의 철광석 채광이 어려울 경우, 철광석을 수입하게 되는 경우가 발생한다.
	주요 원자재 가격의 변동계수 분석에 따르면 2017년 철광석 가격의 변동계수는 몇 위를 기록하였는가?	주요 원자재 가격의 변동계수 분석에 의하면 2017년 철광석 가격의 변동계수가 2위를 기록하면서 철광석 가격의 변동성이 높은 수준을 유지하고 있는 것으로 나타났다 (Huh, 2018). 이는 철광석 공급 및 원료구매의 위험성이 확대되고 있음을 의미한다.
	주요 원자재 가격의 변동계수 분석에 의하면 2017년 철광석 가격의 변동계수가 2위를 기록하면서 철광석 가격의 변동성이 높은 수준을 유지하고 있는 것으로 나타났는데, 이는 무엇을 의미하는가?	주요 원자재 가격의 변동계수 분석에 의하면 2017년 철광석 가격의 변동계수가 2위를 기록하면서 철광석 가격의 변동성이 높은 수준을 유지하고 있는 것으로 나타났다 (Huh, 2018). 이는 철광석 공급 및 원료구매의 위험성이 확대되고 있음을 의미한다. 이러한 비즈니스 환경에서 철광석의 가격을 예측하는 문제가 중요하게 되었다.

참고문헌 (35)

Chung, E. C., and Lee, C. M. (2018). Determinants of Chonsei Deposit to Housing Sales Price Ratio Based on Rental Housing Market Equilibrium Condition: Focused on Housing Price Volatility, Journal of the Korea Real Estate Analysts Association, 24(4) 5-20.
Choi, H., Moon T., Jung, D. H., and Son, J. E. (2019). Prediction of Air Temperature and Relative Humidity in Greenhouse via a Multilayer Perceptron Using Environmental Factors, Protected Horticulture and Plant Factory, 28(2), 95-103.

원문보기 상세보기
Chu, J. M., and Kong, M. K. (2015). Changes and Implications of Steel Export Structure in Korea, China and Japan, POSRI Issue Report, 2015(9), 1-10.
Granger, C. W. J. (1969). Investigating Causal Relations by Econometric Models and Cross-spectral Methods, Econometrica, 37(3), 424-438.

상세보기
Huh, J. S. (2018). Mid-term Global Iron Ore Market and Purchasing Issue Analysis and Implications, POSRI Issue Report, 2018(8), 1-10.
Hong, H. K. (2009). A Study on the Apartment Price Model using Neural Network Model, Proceedings of the Spring Conference on Korea Society of Industrial Information Systems Research, 220-226, Korea.
Jung, H. J., Yoon, J. S., and Bae S. H. (2017). Traffic Congestion Estimation by Adopting Recurrent Neural Network, Journal of Korea Intelligent Transport Systems, 16(6), 67-78.

원문보기 상세보기
Jang, W., (2018). Factors Determining China's Iron Scrap Export Volume, POSRI Issue Report, 2018(12), 1-9
Kim, K. M., and Kim, D. H. (2018). A Causality Test on Hairtail Prices among Import and Domestic Markets Using a Vector Error Correction Model (VECM), Journal of the Ocean and Polar Research, 40(1), 49-58.
Kim, I. C., and Kim D. Y. (2001). A Study on the Features for Building Korea Digit Recognition System Based on Multilayer Perceptron, Journal of the Korea Industrial Information Systems Research, 6(4), 81-88.
Kim, S. S., and Hong, K. J. (2017). Development and Performance Analysis of Predictive Model for KOSPI 200 Index using Recurrent Neural Networks, Journal of the Korea Industrial Information Systems Research, 22(6), 23-29.

원문보기 상세보기
Kim, H., Tak, H., and Cho, H. G. (2019). Design of Photovoltaic Power Generation Prediction Model with Recurrent Neural Network, Journal of the Korean Institute of Information Scientists and Engineers, 46(6), 506-514.
Kim, M. S. (2010). The Research on Liquidity and Issues of Steel Market in the Construction Industry, M. E. Thesis, Graduate School of Seoul Industry University, Seoul, Korea.
Kang, K., and Kim, C. (1996). ATM Connection Admission Control Scheme Using Multilayer Perceptron, Journal of KISS(A): Computer Systems and Theory, 23(12), 1225-1237.
Lee, W. C., Kim, J. M., and Lee, C. K. (2019a). A Study on the Factors Affecting the Price of Iron Ore, Proceedings of the Spring Conference on The Korea Society Management Information Systems, 102-106, Korea.
Lee, D. G., Sun, Y. G., Kim, S. H., Sim, I., Hwang, Y. M., and Kim, J. Y. (2019b). Comparison of Power Consumption Prediction Scheme Based on Artificial Intelligence, Journal of The Institute of Internet, Broadcasting and Communication, 19(4), 161-167.
Liu, J. (2012). A Comparative Study on the Competitiveness of Chinese Steel Industry against Korea and Japan, Ph. D. Thesis, Graduate School of Dong-Eui University, Busan, Korea.
Lee, B., and Son, W. (2019). A Comparative Analysis of Structural Changes of Korea, China, and Japan in Product Space, Policy References in Korea Institute for International Economic Policy, 19(4), 1-99.
Liu, J., and Han, K. (2012). A Study on the Trade Structure of Steel Industry between China and Japan, Journal of the Korean-Japanese Economic & Management Association, 56(0), 111-127.
Lee, I. N. (2006). The Impact of Raw Material Price Increase on Domestic Prices: An Input-Output Analysis of Price Pass-through, Korea Association Of Public Policy, 21, 61-89.
Lee, S., and Ryu, Y. U. (2017). Industrial Economic Growth and IT Investment: Is Economic Growth an Effect of IT Investment, or a Determinant of Decision-making for IT Investment, Journal of The Information Systems Review, 19(1), 185-202.
Lee, S. M., Sun, Y. G., Lee, J., Lee D., Cho, E. I., Park D. H, Kim, Y. B., Sim, I., and Kim, J. Y. (2019). Short-term Power Consumption Forecasting Based on IoT Power Meter with LSTM and GRU Deep Learning, Journal of The Institute of Internet, Broadcasting and Communication (IIBC) , 19(5), 79-85.
Malanichev, A. G., and Vorobyev P. V. (2011). Forecast of Global Steel Prices, Studies on Russian Economic Development, 22(3), 304-311.

상세보기
Moon, J., Park, S., and Hwang, E. (2019). A Multilayer Perceptron-Based Electric Load Forecasting Scheme via Effective Recovering Missing Data, Journal of the Korea Information Processing Society, 8(2), 67-78.
Makridakis, S., and Winkler R. L. (1983). Averages of Forecasts: Some Empirical Results, Journal of the Management Science, 29(9), 987-996.
Nam, D. Y. (2016). A Study on Early Warning System of Iron Ore Price based on Signal Approach Model, Research in Chinese Studies, 76, 131-149.
Nam, D. Y. (2018). A Study on Early Warning System of China Iron Ore Price Based on AI Models, China Academic Conference, 61, 215-232.
Pustov, A., Malanichev, A., and Khobotilov I. (2013). Long-term Iron Ore Price Modeling: Marginal Costs vs. Incentive Price, Journal of the Resources Policy, 38(4), 558-567

상세보기
Pearson, M. H., Shin, Y., and Smith, R. J. (2001). Bounds Testing Approaches to the Analysis of Level Relationship, Journal of Applied Econometrics, 16, 289-326.

상세보기
Rhee, B. K. (2017). Effect of Economic Sanctions on Trade: Distributed Lag Analysis, Journal of the Korea International Commerce Review, 32(4) 399-413.
Song, H. S. (2017). Comparison of Performance between MLP and RNN Model to Predict Purchase Timing for Repurchase Product, Journal of Information Technology Applications & Management, 24(1), 111-128.

원문보기 상세보기
Silvey, S. D. (1969). Multicollinearity and Imprecise Estimation, Journal of the Royal Statistical Society, 31(3) 539-552.
Shin, S., Lee, M., and Song, S. K. (2018). A Prediction Model for Agricultural Products Price with LSTM Network, Journal of the Korea Contents Association, 18(11), 416-429.

원문보기 상세보기
Wu, J. Q., Wu, J. Q., and Chen, X. B. (2012). Import Iron Ore Price Forecasting based on PSO-SVMs Model, The 7th International Computer Science & Education Conference, Jul, 14-17, Melbourne, VIC, Australia, pp. 32-35.
Won, D. H., and Yang, C. H. (2011). A Study on the Validity of Logistics Collaboration for Steel Exports and Imports-Focused on Trade with China and Japan, Korea Trade Research Association, 36(3), 321-342.

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