컨테이너 가상화 환경에서 네트워크 I/O 성능 문제 해결을 위한 재현 실험 및 분석

최흥식(Heungsik Choi),이경운(Kyungwoon Lee ),유혁(Hyuck Yoo) 한국통신학회 2017 한국통신학회 학술대회논문집 Vol.2017 No.1

커널 수준의 메모리 최적화를 통한 가상 스위치 포워딩 성능 향상 기법

최흥식(Heungsik Choi),이경운(Kyoungwoon Lee),유혁(Hyuck Yoo) 한국정보과학회 2017 한국정보과학회 학술발표논문집 Vol.2017 No.06

커널 레벨의 메모리 최적화를 통한 가상 스위치 포워딩 성능 향상 기법

최흥식(Heungsik Choi),이경운(Kyoungwoon Lee),유혁(Chuck Yoo) 한국정보과학회 2018 정보과학회논문지 Vol.45 No.6

가상 스위치는 리눅스 커널 네트워크 스택을 이용하여 복수의 가상머신 또는 컨테이너에 네트워크 자원을 활용할 수 있도록 한다. 또한, 가상머신이 동작하는 클라우드 수요 상승에 따라 많은 종류의 가상 스위치가 등장했고, 여러 가지 기능들을 제공하고 있다. 하지만 기존의 가상 스위치와 리눅스 커널네트워크 스택의 비효율적인 처리 방식으로 인하여 높은 대역폭을 요구 사항의 경우 만족할 수 없다. 이러한 문제를 해결하기 위해 기존의 커널 네트워크 스택이 아닌 유저 영역의 독자적 네트워크 스택을 이용한 해결방식으로 다양한 연구들이 진행됐지만, 재구현 오버헤드, 견고함(Robustness) ・보안성(Security) 및 과도한 메모리 사용 등 여러 가지 문제가 존재한다. 따라서 본 논문은 커널 영역의 최적화를 통해 효율적인 네트워크 처리를 도모하며 기존 연구 방식의 한계도 동시에 극복하기 위한 기법을 제시한다. 그리고, 실험 평가 및 향후 연구 진행 방향을 제시한다. A virtual switch enables network resources to be utilized by a wide range of virtual machines or containers. Many types of virtual switches have been developed to offer a variety of functions. However, due to the inefficient processing of existing virtual switches and the Linux networking stack, current high bandwidth requirements cannot be met. To solve this problem, various studies have been carried out to propose a method using a unique networking stack in a user-level rather than an existing kernel. However, various problems still exist such as reimplementation overhead, relatively low security, excessive memory usage, etc. This paper proposes kernel-level optimization techniques to improve network processing of the kernel networking stack as well as to overcome the limitations of existing techniques.

외국인 거래정보를 이용한 트레이딩시스템의 성과분석

김선웅(Sunwoong Kim),최흥식(Heungsik Choi) 한국경영과학회 2015 經營 科學 Vol.32 No.4

It is a familiar Wall Street adage that “It takes volume to make prices move.” Numerous researches have found the positive correlation between trading volume and price changes. Recent studies have documented that informed traders have strong influences on stock market prices through their trading with distinctive information power. Ever since 1992 capital market liberalization in Korea, it is said that foreign investors make consistent profits with their superior information and analytical skills. This study aims at whether we can make a profitable trading strategy by using the foreign investors’ trading information. We analyse the relation between the KOSPI index returns and the foreign investors trading volume using GARCH models and VAR models. This study suggests the profitable trading strategies based on the documented relation between the foreign investors’ trading volume and KOSPI index returns. We simulate the trading system with the real stock market data. The data include the daily KOSPI index returns and foreign investors’ trading volume for 2001~2013. We estimate the GARCH and VAR models using 2001~2011 data and simulate the suggested trading system with the remaining out-of-sample data. Empirical results are as follows. First, we found the significant positive relation between the KOSPI index returns and contemporaneous foreign investors’ trading volume. Second, we also found the positive relation between the KOSPI index returns and lagged foreign investors’ trading volume. But the relation showed no statistical significance. Third, our suggested trading system showed better trading performance than B&H strategy, especially trading system 2. Our results provide good information for uninformed traders in the Korean stock market.

XGBoost를 활용한 리스크패리티 자산배분 모형에 관한 연구

김영훈(Younghoon Kim),최흥식(HeungSik Choi),김선웅(SunWoong Kim) 한국지능정보시스템학회 2020 지능정보연구 Vol.26 No.1

인공지능을 기반으로 한 다양한 연구들이 현대사회에 많은 변화를 불러일으키고 있다. 금융시장 역시 예외는 아니다. 로보어드바이저 개발이 활발하게 진행되고 있으며 전통적 방식의 단점을 보완하고 사람이 분석하기 어려운 부분을 대체하고 있다. 로보어드바이저는 인공지능 알고리즘으로 자동화된 투자 결정을 내려 다양한 자산배분 모형과 함께 활용되고 있다. 자산배분 모형 중 리스크패리티는 대표적인 위험 기반 자산배분 모형의 하나로 큰 자산을 운용하는 데 있어 안정성을 나타내고 현업에서 역시 널리 쓰이고 있다. 그리고 XGBoost 모형은 병렬화된 트리 부스팅 기법으로 제한된 메모리 환경에서도 수십억 가지의 예제로 확장이 가능할 뿐만 아니라 기존의 부스팅에 비해 학습속도가 매우 빨라 많은 분야에서 널리 활용되고 있다. 이에 본 연구에서 리스크패리티와 XGBoost를 장점을 결합한 모형을 제안하고자 한다. 기존에 널리 사용되는 최적화 자산배분 모형은 과거 데이터를 기반으로 투자 비중을 추정하기 때문에 과거와 실투자 기간 사이의 추정 오차가 발생하게 된다. 최적화 자산배분 모형은 추정 오차로 인해 포트폴리오 성과에서 악영향을 받게 된다. 본 연구는 XGBoost를 통해 실투자 기간의 변동성을 예측하여 최적화 자산배분 모형의 추정 오차를 줄여 모형의 안정성과 포트폴리오 성과를 개선하고자 한다. 본 연구에서 제시한 모형의 실증 검증을 위해 한국 주식시장의 10개 업종 지수 데이터를 활용하여 2003년부터 2019년까지 총 17년간 주가 자료를 활용하였으며 in-sample 1,000개, out-of-sample 20개씩 Moving-window 방식으로 예측 결과값을 누적하여 총 154회의 리밸런싱이 이루어진 백테스팅 결과를 도출하였다. 본 연구에서 제안한 자산배분 모형은 기계학습을 사용하지 않은 기존의 리스크패리티와 비교하였을 때 누적수익률 및 추정 오차에서 모두 개선된 성과를 보여주었다. 총 누적수익률은 45.748%로 리스크패리티 대비 약 5% 높은 결과를 보였고 추정오차 역시 10개 업종 중 9개에서 감소한 결과를 보였다. 실험 결과를 통해 최적화 자산배분 모형의 추정 오차를 감소시킴으로써 포트폴리오 성과를 개선하였다. 포트폴리오의 추정 오차를 줄이기 위해 모수 추정방법에 관한 다양한 연구 사례들이 존재한다. 본 연구는 추정 오차를 줄이기 위한 새로운 추정방법으로 기계학습을 제시하여 최근 빠른 속도로 발전하는 금융시장에 맞는 진보된 인공지능형 자산배분 모형을 제시한 점에서 의의가 있다. Artificial intelligences are changing world. Financial market is also not an exception. Robo-Advisor is actively being developed, making up the weakness of traditional asset allocation methods and replacing the parts that are difficult for the traditional methods. It makes automated investment decisions with artificial intelligence algorithms and is used with various asset allocation models such as mean-variance model, Black-Litterman model and risk parity model. Risk parity model is a typical risk-based asset allocation model which is focused on the volatility of assets. It avoids investment risk structurally. So it has stability in the management of large size fund and it has been widely used in financial field. XGBoost model is a parallel tree-boosting method. It is an optimized gradient boosting model designed to be highly efficient and flexible. It not only makes billions of examples in limited memory environments but is also very fast to learn compared to traditional boosting methods. It is frequently used in various fields of data analysis and has a lot of advantages. So in this study, we propose a new asset allocation model that combines risk parity model and XGBoost machine learning model. This model uses XGBoost to predict the risk of assets and applies the predictive risk to the process of covariance estimation. There are estimated errors between the estimation period and the actual investment period because the optimized asset allocation model estimates the proportion of investments based on historical data. these estimated errors adversely affect the optimized portfolio performance. This study aims to improve the stability and portfolio performance of the model by predicting the volatility of the next investment period and reducing estimated errors of optimized asset allocation model. As a result, it narrows the gap between theory and practice and proposes a more advanced asset allocation model. In this study, we used the Korean stock market price data for a total of 17 years from 2003 to 2019 for the empirical test of the suggested model. The data sets are specifically composed of energy, finance, IT, industrial, material, telecommunication, utility, consumer, health care and staple sectors. We accumulated the value of prediction using moving-window method by 1,000 in-sample and 20 out-of-sample, so we produced a total of 154 rebalancing back-testing results. We analyzed portfolio performance in terms of cumulative rate of return and got a lot of sample data because of long period results. Comparing with traditional risk parity model, this experiment recorded improvements in both cumulative yield and reduction of estimated errors. The total cumulative return is 45.748%, about 5% higher than that of risk parity model and also the estimated errors are reduced in 9 out of 10 industry sectors. The reduction of estimated errors increases stability of the model and makes it easy to apply in practical investment. The results of the experiment showed improvement of portfolio performance by reducing the estimated errors of the optimized asset allocation model. Many financial models and asset allocation models are limited in practical investment because of the most fundamental question of whether the past characteristics of assets will continue into the future in the changing financial market. However, this study not only takes advantage of traditional asset allocation models, but also supplements the limitations of traditional methods and increases stability by predicting the risks of assets with the latest algorithm. There are various studies on parametric estimation methods to reduce the estimated errors in the portfolio optimization. We also suggested a new method to reduce estimated errors in optimized asset allocation model using machine learning. So this study is meaningful in that it proposes an advanced artificial intelligence asset allocation model for the fast-developing financial markets.

항공제품의 인증을 위한 인증계획서 관련법 현황 및 개선방안 연구

박혜지(Hyeji Park),김하정(Hajeong Kim),최흥식(Heungsik Choi) 항공우주시스템공학회 2023 항공우주시스템공학회 학술대회 발표집 Vol.2023 No.10

항공기등, 장비품 및 부품의 인증 신청자는 감항당국에 제품이 항공법규, 기술기준 기타 규정 등에 충족함을 입증하기 위한 인증계획서를 인증 신청 시 작성 및 제출하여야 한다. 인증계획서는 신청자와 감항당국 간의 협의를 통해 각자의 업무 및 역할을 명확히 하며, 제품에 적용되는 인증기준, 주요 인증일정, 적합성입증방법, 합치성검사계획 등을 수립함으로써 효율적인 인증과제 수행을 위해 사용되는 과제관리 도구이다. 본 논문에서는 우리나라와 미국의 인증계획서 관련 규정 및 지침을 상호 비교 분석함으로써 인증계획서의 최신 동향을 확인하고 국내 항공안전 향상 및 항공산업 성장에 기여할 수 있도록 규정적인 개선사항을 제안하였다.