생몰정보
소속
직위
직업
활동분야
주기
서지
국회도서관 서비스 이용에 대한 안내를 해드립니다.
검색결과 (전체 1건)
원문 있는 자료 (1) 열기
원문 아이콘이 없는 경우 국회도서관 방문 시 책자로 이용 가능
목차보기더보기
표제지
목차
제1장 서론 7
제2장 EMD 방법론 10
2.1. EMD 방법론 10
2.2. EMD 알고리즘을 통한 고유진동함수 추출 12
2.3. 고유진동함수 통합 및 예측 17
제3장 실증분석 20
3.1. 코스피 지수(KOSPI)를 이용한 EMD 알고리즘의 적용 20
3.2. 고유진동함수 통합 및 예측 23
3.3. 예측력 비교 28
제4장 결론 31
참고문헌 32
국문초록 33
ABSTRACT 34
Table 3.1. Variance, correlation and mean period of each IMFs and residue 23
Table 3.2. Descriptive statistics of high frequency, low frequency and residue 26
Table 3.3. Variance, correlation and mean period of high frequency, low frequency and residue 27
Table 3.4. Three forecasting strategies 28
Table 3.5. RMSEs of the forecasting strategies 29
Figure 2.1. Simulation data 12
Figure 2.2. Upper envelope and lower envelope 13
Figure 2.3. Intrinsic mode functions 16
Figure 2.4. Forecasting process 17
Figure 2.5. Forecasting flow 18
Figure 3.1. Time series plot of daily KOSPI from July 2010 to July 2015 20
Figure 3.2. Result of extracting IMFs by EMD 22
Figure 3.3. Scree plot of cumulative energy 25
Figure 3.4. Grouping - high frequency, low frequency, trend[원문불량;p.19] 25
Figure 3.4. Plot of high frequency, low frequency and residue group 26
초록보기 더보기
본 논문에서는 시간-진동수 영역에서 시계열을 여러 특정 성분으로 분해하는 방법인 경험적 모드 분해법(Empirical Mode Decomposition)을 시계열 예측에 응용한다. 특히, 시계열의 해석과 예측력을 높이기 위하여 경험적 모드 분해법으로 생성된 IMF들은 누적에너지에 따라 고주파수와 저주파수 및 추세 성분으로 각각 구분되어 통합되어 사용되었다. 시계열의 미래 예측은 각 성분들에 적합한 ARIMA 및 지수평활법을 적용한 후 통합한 값을 사용하였다. 본 논문에서 제시된 방법의 효율성을 살펴보기 위하여 한국 코스피 지수를 분석하였으며 그 분석결과를 기존의 시계열 분석기법과 비교하였다.
원문구축 및 2018년 이후 자료는 524호에서 직접 열람하십시요.
도서위치안내: / 서가번호:
우편복사 목록담기를 완료하였습니다.
* 표시는 필수사항 입니다.
* 주의: 국회도서관 이용자 모두에게 공유서재로 서비스 됩니다.
저장 되었습니다.
로그인을 하시려면 아이디와 비밀번호를 입력해주세요. 모바일 간편 열람증으로 입실한 경우 회원가입을 해야합니다.
공용 PC이므로 한번 더 로그인 해 주시기 바랍니다.
아이디 또는 비밀번호를 확인해주세요