[논문]역순 워크 포워드 검증을 이용한 암호화폐 가격 예측

안현; 장백철

doi:10.7472/jksii.2022.23.4.45

역순 워크 포워드 검증을 이용한 암호화폐 가격 예측
An Accurate Cryptocurrency Price Forecasting using Reverse Walk-Forward Validation 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.23 no.4, 2022년, pp.45 - 55

안현 (Graduate School of Information, Yonsei University) , 장백철 (Graduate School of Information, Yonsei University)

초록
AI-Helper

암호화폐 시장의 규모는 날이 갈수록 커져가고 있으며, 대표적인 암호화폐인 비트코인의 경우 시가총액이 500조를 넘어섰다. 이에 따라 암호화폐의 가격을 예측하려는 연구도 많이 이루어졌으며, 이들은 대부분 주식가격을 예측하는 방법론과 유사성을 띄는 연구들이다. 하지만 선행연구를 비춰 봤을 때 주식가격예측과 달리 암호화폐 가격 예측은 머신러닝의 정확도가 우위에 있는 사례가 많다는 점, 개념적으로 주식과 달리 암호화폐는 소유로 인한 수동적 소득이 없다는 점, 통계적으로 시가총액 대비 하루 거래량의 비율을 살펴봤을 때 암호화폐가 주식 대비 최소 3배이상 높다는 점이 도출되었다. 이를 통해 암호화폐 가격 예측 연구에는 주식 가격 예측과 다른 방법론이 적용되어야 함을 본 논문에서 주장하였다. 우리는 기존에 주가 딥러닝 예측에 사용되던 워크 포워드 검증를 응용한 역순 워크 포워드 검증을 제안하였다. 역순 워크 포워드 검증은 워크 포워드 검증과 달리 검증 데이터셋을 테스트 데이터셋에 시계열상으로 바로 앞에 부분으로 고정시켜놓고, 훈련데이터를 훈련 데이터셋에 시계열상으로 바로 앞 부분부터 서서히 훈련 데이터셋의 크기를 늘려가면서 검증에 대한 정확도를 측정한다. 측정된 모든 검증 정확도 중 가장 높은 정확도를 보이는 훈련 데이터셋의 크기에 맞춰서 훈련 데이터를 절삭시킨 뒤 검증 데이터와 합쳐서 실험 데이터에 대한 정확도를 측정하였다. 분석모델로는 로지스틱 회귀분석과 SVM을 사용했으며, 우리가 제안한 역순 워크 포워드 검증의 신뢰성을 위해서 분석 모델 내부적으로도 L1, L2, rbf, poly등의 다양한 알고리즘과 정규화 파라미터를 적용하였다. 그 결과 모든 분석모델에서 기존 연구보다 향상된 정확도를 보임이 확인되었으며, 평균적으로도 1.23%p의 정확도 상승을 보였다. 선행연구를 통해 암호화폐 가격 예측의 정확도가 대부분 50%~60%사이에서 머무르는 걸 감안할 때 이는 상당한 정확도 개선이다.

Abstract ▼ AI-Helper

The size of the cryptocurrency market is growing. For example, market capitalization of bitcoin exceeded 500 trillion won. Accordingly, many studies have been conducted to predict the price of cryptocurrency, and most of them have similar methodology of predicting stock prices. However, unlike stock price predictions, machine learning become best model in cryptocurrency price predictions, conceptually cryptocurrency has no passive income from ownership, and statistically, cryptocurrency has at least three times higher liquidity than stocks. Thats why we argue that a methodology different from stock price prediction should be applied to cryptocurrency price prediction studies. We propose Reverse Walk-forward Validation (RWFV), which modifies Walk-forward Validation (WFV). Unlike WFV, RWFV measures accuracy for Validation by pinning the Validation dataset directly in front of the Test dataset in time series, and gradually increasing the size of the Training dataset in front of it in time series. Train data were cut according to the size of the Train dataset with the highest accuracy among all measured Validation accuracy, and then combined with Validation data to measure the accuracy of the Test data. Logistic regression analysis and Support Vector Machine (SVM) were used as the analysis model, and various algorithms and parameters such as L1, L2, rbf, and poly were applied for the reliability of our proposed RWFV. As a result, it was confirmed that all analysis models showed improved accuracy compared to existing studies, and on average, the accuracy increased by 1.23%p. This is a significant improvement in accuracy, given that most of the accuracy of cryptocurrency price prediction remains between 50% and 60% through previous studies.

주제어

표/그림 (8)

표 (표 1) 기존 암호화폐 가격예측 연구의 분류 (Table 1) Related works of Crypto price prediction
그림 (그림 1) 워크 포워드 검증 방법론 (Figure 1) Walk-forward Validation
표 (표 2) 주식 가격예측 선행연구의 분류 (Table 2) Related works of stock price prediction
표 (표 3) 암호화폐, 한국 주식시장(KOSPI), 미국 주식시장(NASDAQ)거래소의 시가총액 1/2위의 하루 거래량, 시가총 액 그리고 총액 대비 하루 거래량 (Table 3) The Daily trading volume, market capitalization and ratio of daily trading volume per market cap on cryptocurrency, the Korean stock market(KOSPI), and the U.S. stock market(NASDAQ) exchanges.
그림 (그림 2) 역순 워크 포워드 검증 방법론 (Figure 2) Reverse Walk-forward Validation
그림 (그림 3) 훈련 데이터 크기에 따른 검증 정확도(로지스틱 회귀분석) (Figure 3) Validation accuracy on the size of Train data(Logistic regression)
그림 (그림 4) 훈련 데이터 크기에 따른 검증 정확도(Support Vector Machine) (Figure 4) Validation accuracy on the size of Train data(Support Vector Machine)
표 (표 4) 예측 결과 정확도 (Table 4) Predicted Results Accuracy

AI 본문요약
AI-Helper

문제 정의

이러한 암호화폐 가격 데이터만의 특성을 반영하기 위해 우리는 새로운 검증 분할 방법론을 본 논문에서 제안하였다. 본 논문에서 우리는 주가 예측을 포함한 기존 시계열 데이터를 딥러닝을 통해 분석할 때 기용하던 워크 포워드 검증을 응용해서 역순 워크 포워드 검증을 새로 개발하였다. 역순 워크 포워드 검증은 주어진 시계열 데이터 중 학습데이터로 얼마나 오래된 데이터까지 쓸 지를 결정하게 해준다.
본 논문에서는 시계열 데이터 분석으로서 주가 예측 연구와 암호화폐 가격 예측 연구들이 비슷한 방법론, 비슷한 틀 아래 연구되어왔다는 점을 지적하였다. 통계적, 개념적인 비교를 통해 주식과 암호화폐의 차이점을 찾아내었고, 이를 ‘암호화폐 가격변동 경향의 휘발성’이라 명명하였다.
암호화폐 가격예측 연구에 있어서 워크 포워드 검증 방법론이 가진 위의 두 문제점을 개선하기 위해 우리는 워크 포워드 검증 방법론을 응용한 역순 워크 포워드 검증 방법론을 개발하였다. 그림 2에 있는 것처럼 검증 데이터를 실험 데이터의 바로 앞부분으로 고정시키고, 훈련 데이터를 검증 데이터 앞부분에서부터 서서히 늘리는 방식으로 분석을 진행하려 한다.
이러한 암호화폐 가격 데이터만의 특성을 반영하기 위해 우리는 새로운 검증 분할 방법론을 본 논문에서 제안하였다. 본 논문에서 우리는 주가 예측을 포함한 기존 시계열 데이터를 딥러닝을 통해 분석할 때 기용하던 워크 포워드 검증을 응용해서 역순 워크 포워드 검증을 새로 개발하였다.

제안 방법

통계적, 개념적인 비교를 통해 주식과 암호화폐의 차이점을 찾아내었고, 이를 ‘암호화폐 가격변동 경향의 휘발성’이라 명명하였다. 그리고 이러한 휘발성을 분석 방법론에 반영하기 위해 기존 시계열 분석에서 쓰이던 워크 포워드 검증 방법론을 응용한 역순 워크 포워드 검증 방법론을 개발하여 제안하였다. 역순 워크 포워드 검증 방법론은 암호화폐의 가격변동 경향은 시간의 흐름에 따라 바뀐다는 것을 전제로 만들어졌다.
뿐만 아니라 워크 포워드 검증 방법론에서는 시간상으로 가장 예전에 생성된 데이터부터 훈련 데이터로 추가시키면서 학습을 진행했지만, 역순 워크 포워드 검증 방법론의 훈련 데이터는 실험데이터와 시간상 인접한 순으로 데이터를 추가시키면서 학습을 하기에 어느 시점까지의 훈련 데이터가 예측에 도움이 되는지를 이전보다 정확히 알아낼 수 있다. 마지막으로 역순 워크 포워드 검증 방법론은 워크 포워드 검증 방법론과 다르게 하나의 훈련-검증 데이터 쌍을 누적해서 학습하는 것이 아니라, 각 훈련-검증 데이터 쌍의 검증 정확도를 비교하여 최고의 검증 정확도를 보인 훈련-검증 쌍 하나만을 최종 실험 데이터에 대한 정확도 도출에 사용한다. 이를 통해 기존 워크 포워드 검증 방법론과 달리 딥러닝을 이용한 분석뿐만 아니라 전통적 머신러닝을 이용한 분석에도 충분히 이용될 수 있게 되었다.
이에 본 논문에서는, 기존 주식시장의 데이터와 암호화폐 거래데이터의 통계 값 분석을 통해 암호화폐 데이터만의 특성으로 어떤 게 있는지를 가설로서 도출해낸 후, 해당 가설을 기존 방법론에 변용한 뒤 기존 방법론을 적용한 결과와 비교하였다. 통계적 기술과 개념적 분석을 통해 암호화폐의 가격변동의 휘발성이 주식보다 유의미하게 더 크다는 것을 밝혀냈다.

대상 데이터

역순 워크 포워드 검증이 암호화폐 가격예측에 있어서 정확도 향상을 가져오는지를 검정하기 위해 암호화폐의 일종인 이더리움의 1시간단위 가격변동 데이터를 사용하였다. 해당 시각의 가격 데이터부터 5시간 전의 가격데이터까지 독립변인으로 사용하였고, 분석 모델로는 로지스틱 회귀분석과 SVM을 기용하였다.
암호화폐 가격 예측 연구에서는 여전히 전통적 머신러닝이 예측 정확도 측면에 있어서 딥러닝보다 다소 우세하기에 전통적 머신러닝을 분석 기법으로 채용한 것이다. 이로인해 워크 포워드 검증 방법론을 이용한 예측정확도가 베이스라인(Bassline)이 아닌 시계열상으로 선행되는 90%의 데이터를 학습데이터로 한 예측정확도가 베이스라인(Bassline)이 되었다. 전술했듯이 워크 포워드 검증 방법론은 딥러닝에 적용할 것을 전제로 한 방법론이기 때문이다.
8:1:1의 비율로 훈련, 검증, 실험 데이터를 1차적으로 분할하였고, 최종적으로 실험데이터를 검증하기 위해 훈련 데이터와 검증 데이터를 합친 제 2의 훈련 데이터를 추가로 저장해놓았다. 제2의 훈련데이터는 실험데이터의 정확도를 검증하기 위한 학습데이터로 사용된다.

데이터처리

그림 3과 그림 4를 통해 각 모델과 세부 파라미터 값에서 검증 정확도가 최고치인 훈련 데이터 크기를 도출해 냈으며, 해당 크기만큼 절삭시킨 제 2의 훈련 데이터와 절삭시키지 않은 제 2의 훈련 데이터의 실험 데이터에 대한 정확도를 표 4에서 비교해보았다.
새로 개발한 역순 워크 포워드 검증 방법론을 검증하기 위해 로지스틱 회귀분석과 SVM을 분석 기법으로 기용하였으며, 해당 방법론의 정확도 향상이 일반적임을 증명하기 위해 각 분석기법마다 4개의 세부 파라미터 설정값을 실험모델로 채택하였다. 암호화폐 가격 예측 연구에서는 여전히 전통적 머신러닝이 예측 정확도 측면에 있어서 딥러닝보다 다소 우세하기에 전통적 머신러닝을 분석 기법으로 채용한 것이다.
통계적, 개념적인 비교를 통해 주식과 암호화폐의 차이점을 찾아내었고, 이를 ‘암호화폐 가격변동 경향의 휘발성’이라 명명하였다
역순 워크 포워드 검증이 암호화폐 가격예측에 있어서 정확도 향상을 가져오는지를 검정하기 위해 암호화폐의 일종인 이더리움의 1시간단위 가격변동 데이터를 사용하였다. 해당 시각의 가격 데이터부터 5시간 전의 가격데이터까지 독립변인으로 사용하였고, 분석 모델로는 로지스틱 회귀분석과 SVM을 기용하였다.

이론/모형

그림 3은 세부조건을 다양하게 분화시킨 상태에서 훈련 데이터의 크기에 따른 로지스틱 회귀분석 검증 정확도를 나타낸 것이다. 비교의 객관성을 위해 Penalty 파라미터로 L1, L2를 모두 사용했으며, L1 Penalty의 최적화 알고리즘으로는 saga, L2 Penalty의 최적화 알고리즘으로는 sag를 기용하였다. 또한 정규화 강도를 조절하는 C 파라미터로는 L1-saga와 L2-sag에 동일하게 0.

성능/효과

그 결과 총 8개의 실험모델에서 모두 베이스라인(Bassline) 대비 정확도가 상승한 것으로 나타났다. 특히 SVM에서는 최대 1.
암호화폐 가격예측 선행연구는 딥러닝보다 머신러닝이 예측정확도의 측면에 있어서 다소 우세한 상태이고, 역순 워크 포워드 검증의 전신인 워크 포워드 검증이 딥러닝에서만 기용되는 방법론이므로 워크 포워드 검증을 적용한 예측정확도를 베이스라인(bassline)으로 적용하지 않고 훈련 데이터와 검증 데이터를 학습데이터로 사용했을때의 예측정확도를 베이스라인(bassline)으로 정했다. 그 결과, 모든 실험에서 베이스라인(bassline)과 비교했을 때 정확도가 상승하는걸 밝혀냈다.
하지만 역순 워크 포워드 검증 방법론은 검증 데이터를 실험 데이터 바로 앞에 배치시킴으로 인해 검증 데이터와 실험 데이터의 가격변동 경향의 차이를 최소화시켰다. 뿐만 아니라 워크 포워드 검증 방법론에서는 시간상으로 가장 예전에 생성된 데이터부터 훈련 데이터로 추가시키면서 학습을 진행했지만, 역순 워크 포워드 검증 방법론의 훈련 데이터는 실험데이터와 시간상 인접한 순으로 데이터를 추가시키면서 학습을 하기에 어느 시점까지의 훈련 데이터가 예측에 도움이 되는지를 이전보다 정확히 알아낼 수 있다. 마지막으로 역순 워크 포워드 검증 방법론은 워크 포워드 검증 방법론과 다르게 하나의 훈련-검증 데이터 쌍을 누적해서 학습하는 것이 아니라, 각 훈련-검증 데이터 쌍의 검증 정확도를 비교하여 최고의 검증 정확도를 보인 훈련-검증 쌍 하나만을 최종 실험 데이터에 대한 정확도 도출에 사용한다.
역순 워크 포워드 검증 방법론는 기존 역순 워크 포워드 검증 방법론의 암호화폐 연구로의 적용에 있어서 지적된 문제점을 보완할 수 있다. 워크 포워드 검증 방법론의 문제점 중 하나는 훈련 데이터와 검증 데이터가 실험 데이터와 시간대상으로 떨어져 있게 되어서 실험 데이터의 가격변동 경향이 반영되어있지 않을 공산이 크다는 것이었다.
위와 같은 결과를 통해 본 논문은 분석에 있어서 암호화폐 가격데이터와 주가 데이터의 차이를 밝혀냈으며, 역순 워크 포워드 검증의 원리적 범용성을 통해 이전 암호화폐 가격 예측 연구의 정확도를 끌어올리는 긍정적인 요소를 개발했음을 주장한다.
마지막으로 역순 워크 포워드 검증 방법론은 워크 포워드 검증 방법론과 다르게 하나의 훈련-검증 데이터 쌍을 누적해서 학습하는 것이 아니라, 각 훈련-검증 데이터 쌍의 검증 정확도를 비교하여 최고의 검증 정확도를 보인 훈련-검증 쌍 하나만을 최종 실험 데이터에 대한 정확도 도출에 사용한다. 이를 통해 기존 워크 포워드 검증 방법론과 달리 딥러닝을 이용한 분석뿐만 아니라 전통적 머신러닝을 이용한 분석에도 충분히 이용될 수 있게 되었다. 이는 암호화폐 가격 예측에서 전통적 머신러닝 기법이 여전히 의미있는 예측정확도를 보인다는 점에서 더더욱 의미있다.
이에 본 논문에서는, 기존 주식시장의 데이터와 암호화폐 거래데이터의 통계 값 분석을 통해 암호화폐 데이터만의 특성으로 어떤 게 있는지를 가설로서 도출해낸 후, 해당 가설을 기존 방법론에 변용한 뒤 기존 방법론을 적용한 결과와 비교하였다. 통계적 기술과 개념적 분석을 통해 암호화폐의 가격변동의 휘발성이 주식보다 유의미하게 더 크다는 것을 밝혀냈다.
워크 포워드 검증 방법론의 문제점 중 하나는 훈련 데이터와 검증 데이터가 실험 데이터와 시간대상으로 떨어져 있게 되어서 실험 데이터의 가격변동 경향이 반영되어있지 않을 공산이 크다는 것이었다. 하지만 역순 워크 포워드 검증 방법론은 검증 데이터를 실험 데이터 바로 앞에 배치시킴으로 인해 검증 데이터와 실험 데이터의 가격변동 경향의 차이를 최소화시켰다. 뿐만 아니라 워크 포워드 검증 방법론에서는 시간상으로 가장 예전에 생성된 데이터부터 훈련 데이터로 추가시키면서 학습을 진행했지만, 역순 워크 포워드 검증 방법론의 훈련 데이터는 실험데이터와 시간상 인접한 순으로 데이터를 추가시키면서 학습을 하기에 어느 시점까지의 훈련 데이터가 예측에 도움이 되는지를 이전보다 정확히 알아낼 수 있다.
이를 이용하여 선행연구들을 분류하면 표 2와 같다. 후술할 주식 가격예측 선행 연구들을 보면, 암호화폐 가격예측 연구와 방향성/데이터 수집방식/학습모델 구축의 측면에서 선후관계 또는 유사성이 있음을 확인할 수 있다.

후속연구

그림 2에 있는 것처럼 검증 데이터를 실험 데이터의 바로 앞부분으로 고정시키고, 훈련 데이터를 검증 데이터 앞부분에서부터 서서히 늘리는 방식으로 분석을 진행하려 한다. 모든 검증 정확도를 확인 후 가장 검증 정확도가 높게 나오는 훈련-검증 데이터쌍을 훈련 데이터로 선정한 뒤 실험 데이터를 예측할 것이다. 이를 통해 어느 시간대까지 훈련 데이터로 써야 예측 정확도가 높게 나오는지를 알아낼 수 있다.

참고문헌 (21)

Karasu, S., Altan, A., Sarac, Z., & Hacioglu, R., "Prediction of Bitcoin prices with machine learning methods using time series data.", 2018 26th signal processing and communications applications conference (SIU), pp. 1-4. 2018. https://doi.org/10.1109/SIU.2018.8404760
Chen, M., Narwal, N., & Schultz, M., "Predicting price changes in Ethereum", International Journal on Computer Science and Engineering (IJCSE) ISSN, 0975-3397, 2019. http://cs229.stanford.edu/proj2017/final-reports/5244039.pdf
Almasri, E., & Arslan, E., "Predicting cryptocurrencies prices with neural networks.", 2018 6th International Conference on Control Engineering & Information Technology (CEIT), pp. 1-5, 2018. https://doi.org/10.1109/CEIT.2018.8751939
Tandon, S., Tripathi, S., Saraswat, P., & Dabas, C., "Bitcoin price forecasting using lstm and 10-fold cross validation.", 2019 International Conference on Signal Processing and Communication (ICSC), pp. 323-328, 2019. https://doi.org/10.1109/ICSC45622.2019.8938251
Greaves, A., & Au, B., "Using the bitcoin transaction graph to predict the price of bitcoin", 2015. http://snap.stanford.edu/class/cs224w-2015/projects_2015/Using_the_Bitcoin_Transaction_Graph_to_Predict_the_Price_of_Bitcoin.pdf
Huy, N. H., Dao, B., Mai, T. T., & Nguyen-An, K., "Predicting cryptocurrency price movements based on Social Media.", 2019 International Conference on Advanced Computing and Applications (ACOMP), pp. 57-64, 2019. https://doi.org/10.1109/ACOMP.2019.00016
Aggarwal, A., Gupta, I., Garg, N., & Goel, A., "Deep learning approach to determine the impact of socio economic factors on bitcoin price prediction", 2019 Twelfth International Conference on Contemporary Computing (IC3), pp. 1-5, 2019. https://doi.org/10.1109/IC3.2019.8844928
Serafini, G., Yi, P., Zhang, Q., Brambilla, M., Wang, J., Hu, Y., & Li, B. "Sentiment-driven price prediction of the bitcoin based on statistical and deep learning approaches", 2020 International Joint Conference on Neural Networks (IJCNN), pp. 1-8, 2020. https://doi.org/10.1109/IJCNN48605.2020.9206704
Lamon, C., Nielsen, E., & Redondo, E., "Cryptocurrency price prediction using news and social media sentiment.", SMU Data Sci. Rev, 1(3), 1-22, 2017. http://cs229.stanford.edu/proj2017/final-reports/5237280.pdf
Abraham, J., Higdon, D., Nelson, J., & Ibarra, J., "Cryptocurrency price prediction using tweet volumes and sentiment analysis", SMU Data Science Review, 1(3), 1, 2018. https://scholar.smu.edu/datasciencereview/vol1/iss3/1/
McNally, S., "Predicting the price of Bitcoin using Machine Learning", Diss. Dublin, National College of Ireland, 2016. http://norma.ncirl.ie/2496/
Mallqui, Dennys CA, and Ricardo AS Fernandes. "Predicting the direction, maximum, minimum and closing prices of daily Bitcoin exchange rate using machine learning techniques.", Applied Soft Computing Vol. 75, 596-606, 2019. https://doi.org/10.1016/j.asoc.2018.11.038

상세보기
Gong, J., & Sun, S., "A new approach of stock price prediction based on logistic regression model.", 2009 International Conference on New Trends in Information and Service Science, pp. 1366-1371, 2009. https://doi.org/10.1109/NISS.2009.267
MacKinnon, R. K., & Leung, C. K., "Stock price prediction in undirected graphs using a structural support vector machine.", 2015 IEEE/WIC/ ACM International Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT) ,Vol. 1, pp. 548-555, 2015. https://doi.org/10.1109/WI-IAT.2015.189
Cakra, Y. E., & Trisedya, B. D., "Stock price prediction using linear regression based on sentiment analysis.", 2015 international conference on advanced computer science and information systems (ICACSIS), pp. 147-154, 2015. https://doi.org/10.1109/ICACSIS.2015.7415179
Selvin, S., Vinayakumar, R., Gopalakrishnan, E. A., Menon, V. K., & Soman, K. P., "Stock price prediction using LSTM, RNN and CNN-sliding window model.", 2017 international conference on advances in computing, communications and informatics (icacci), pp. 1643-1647, 2017. https://doi.org/10.1109/ICACCI.2017.8126078
Mohan, S., Mullapudi, S., Sammeta, S., Vijayvergia, P., & Anastasiu, D. C., "Stock price prediction using news sentiment analysis.", 2019 IEEE Fifth International Conference on Big Data Computing Service and Applications (BigDataService), pp. 205-208, 2019. https://doi.org/10.1109/BigDataService.2019.00035
Yoon, H. S., "Time Series Data Analysis using WaveNet and Walk Forward Validation. Journal of the Korea Society for Simulation", 30(4), 1-8, 2021. https://doi.org/10.9709/JKSS.2021.30.4.001

원문보기 상세보기
Tran, T. N., & Phuc, D. T., "Grid search of multilayer perceptron based on the walk-forward validation methodology.", International Journal of Electrical and Computer Engineering, 11(2), 1742, 2021. http://doi.org/10.11591/ijece.v11i2.pp1742-1751

상세보기
Borjesson, Lukas, and Martin Singull. "Forecasting financial time series through causal and dilated convolutional neural networks.", Entropy 2020, 22(10), 1094, 2020. http://dx.doi.org/10.3390/e22101094

상세보기
Butt, A., Khemka, G., & Warren, G. J., "What dividend imputation means for retirement savers", Economic Record, 95(309), 181-199, 2019. https://onlinelibrary.wiley.com/doi/abs/10.1111/1475-4932.12468

상세보기

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