디지털 라이브러리[ 검색결과 ]
ETF 가격 방향성 예측을 위한 그래프 구조 학습 기반 신경망
http://doi.org/10.5626/JOK.2024.51.5.473
상장지수펀드(ETF)는 특정 지수를 추종하는 인덱스 펀드로, 개별 종목에 대한 위험도 및 운용 보수가 낮다는 특징을 가지고 있다. ETF 예측을 위해 다양한 방법들이 개발되었으며 최근 인공지능 기반 기술들이 개발되고 있다. 대표적인 방법은 시계열 기반 인공신경망을 활용하여 ETF의 가격 방향성을 예 측하는 것이다. 이는 ETF의 과거 가격 정보들을 효과적으로 반영하여 ETF의 등락을 예측할 수 있다는 장점이 있다. 하지만 개별 ETF의 과거 정보만 사용할 뿐 서로 다른 ETF 간의 관계를 반영하지 못하는 한계점을 지닌다. 이러한 문제를 해결하기 위해 본 논문에서는 ETF 간의 관계를 반영할 수 있는 모델을 제안한다. 제안 모델은 그래프 구조 학습을 통해 다양한 ETF 간의 관계를 표현하는 그래프를 추론하고, 이를 기반으로 그래프 신경망 모델을 통해 ETF 가격 방향성을 예측한다. 실험을 통해, 제안 모델이 개별 ETF 정보만 사용한 시계열 모델보다 우수한 예측 성능을 보이는 것을 확인하였다.
LSM-tree 기반 Key-value 데이터베이스의 재귀적 컴팩션 기법
http://doi.org/10.5626/JOK.2019.46.9.946
LSM-tree 기반 Key-value 데이터베이스는 데이터 쓰기 연산의 성능에 최적화 된 구조를 가지며, 일반적으로 컴팩션 연산을 통해 LSM-tree의 형태를 유지하며 데이터를 관리한다. 컴팩션 연산은 저장 장치에 기록된 데이터를 메모리로 읽어들여 정렬한 뒤 결과 데이터를 저장 장치로 다시 쓰는 작업을 반복하며, 이러한 동작 패턴은 몇 가지의 문제점을 발생시킨다. 본 논문에서는 이러한 컴팩션 연산이 유발하는 성능 손실 및 쓰기 증폭 현상에 대하여 분석하고, 이를 개선하기 위한 재귀적 컴팩션 기법을 제안한다. 재귀적 컴팩션 기법은 멀티스레드를 활용하여 동시에 여러 컴팩션을 수행하며 읽기 요청 및 가비지 컬렉션을 적절히 수행하여 컴팩션이 유발하는 문제를 완화시킨다. 위 기법을 LSM-tree based Key-value 데이터베이스 중 하나인 Google의 LevelDB에 적용한 뒤 이에 대한 실험 결과를 분석한다.
