KCI등재
자기부호화기를 통한 수익률곡선 분해 = Application of Autoencoder for Yield Curve Data
저자
발행기관
학술지명
Journal of the Korean Data Analysis Society(Journal of The Korean Data Analysis Society)
권호사항
발행연도
2018
작성언어
-주제어
KDC
310
등재정보
KCI등재
자료형태
학술저널
수록면
275-283(9쪽)
KCI 피인용횟수
1
제공처
This study is an empirical application of deep-learning method in financial data set. Inspired by the traditional principle component analysis for yield curve, the autoencoder method is employed. Data set contains U.S. federal bond daily yields with 11 maturities. Using moving window with 360 data points, experiments using both principle component and autoencoder are repeated on each moving window. Basically, the original 11-dimensional data is reduced to 3-dimension and the resulting 3-dimensional layer is used to reconstruct 11-dimensional data. The mean squared errors are computed in order for comparing the two methods. For autoencoder, single layer, 2-layer, and 3-layer networks are tested. The findings are as follow; (1) principle component performs better comparing to the autoencoders with simple and conservative settings, and (2) performances of autoencoders do not get better along with more or deeper layer structures. Therefore, the paper concludes that non-linear analysis as autoencoder is no better than linear principle component analysis.
더보기본 연구는 딥러닝 기법을 재무 데이터에 적용하는 실증연구이다. 수익률 곡선을 주성분 분석으로 분해하여 면역 전략을 수립하는 전통적인 방법에 착안해, 주성분 분석과 가장 유사한 딥러닝 기법인 자기부호화기를 적용하여 주성분 분석의 결과와 비교하였다. 미국 국채의 11개 만기별 일별 수익률 데이터를 차분한 데이터를 사용하였고, 360개의 데이터를 순차적으로 반복 분석하였다. 각 방법론 별로 11차원의 원 데이터를 3차원으로 축소하여 다시 3차원에서 원래의 차원인 11차원의 데이터로 복원하고 그 복원 값을 원 데이터와 비교하여 평균제곱오차를 구하였다. 자기부호화기의 경우, 11차원에서 3차원으로 바로 축소하는 단층 구조를 비롯하여 2개, 3개의 계층을 삽입한 딥러닝 기법도 적용하여 그 성능을 비교하였다. 분석의 결과 수익률 곡선의 복원오차는 전통적인 주성분 분석이 가장 작았다. 자기부호화기의 계층을 달리한 실험에서는 계층구조의 복잡성과 수익률 곡선의 복원율 사이에는 관계가 없는 것으로 나타났다. 또한 이폭과 같은 파라메터 값에 다양한 설정을 하여 같은 방식의 분석을 반복하였으나 특별히 개선되는 효과는 나타나지 않았다. 이를 통해 볼 때 이자율 시장은 선형모형인 주성분 분석이 자기부호화기에 비해 우월한 방법론이라고 할 수 있다.
더보기분석정보
연월일 | 이력구분 | 이력상세 | 등재구분 |
---|---|---|---|
2026 | 평가예정 | 재인증평가 신청대상 (재인증) | |
2020-01-01 | 평가 | 등재학술지 유지 (재인증) | KCI등재 |
2017-01-01 | 평가 | 등재학술지 유지 (계속평가) | KCI등재 |
2013-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2010-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2008-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2005-01-01 | 평가 | 등재학술지 선정 (등재후보2차) | KCI등재 |
2004-01-01 | 평가 | 등재후보 1차 PASS (등재후보1차) | KCI후보 |
2002-07-01 | 평가 | 등재후보학술지 선정 (신규평가) | KCI후보 |
기준연도 | WOS-KCI 통합IF(2년) | KCIF(2년) | KCIF(3년) |
---|---|---|---|
2016 | 1.26 | 1.26 | 1.15 |
KCIF(4년) | KCIF(5년) | 중심성지수(3년) | 즉시성지수 |
1.05 | 0.98 | 0.956 | 0.4 |
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)