뇌파 분류에 유용한 주성분 특징

박성철(Sungcheol Park),이혜경(Hyekyoung Lee),최승진(Seungjin Choi) 한국정보과학회 2003 한국정보과학회 학술발표논문집 Vol.30 No.1B

EEG-based brain computer interface(BCI) provides a new communication channel between human brain and computer. EEG data is a multivariate time series so that hidden Markov model (HMM) might be a good choice for classification. However EEG is very noisy data and contains artifacts, so useful features are expected to improve the performance of HMM. In this paper we addresses the usefulness of principal component features with hidden Markov model (HMM). We show that some selected principal component features can suppress small noises and artifacts, hence improves classfication performance. Experimental study for the classification of EEG data during imagination of a left, right, up or down hand movement confirms the validity of our proposed method.

SVM을 이용한 시스템트레이딩전략의 선택모형

박성철(Sungcheol Park),김선웅(Sun Woong Kim),최흥식(Heung Sik Choi) 한국지능정보시스템학회 2014 지능정보연구 Vol.20 No.2

KOSPI200 선물 트레이딩을 위해 업계에서는 여러 전략으로 포트폴리오를 구성해서 운용한다. 동일한 전략 모음을 갖고 있더라도 포트폴리오를 어떻게 구성하느냐에 따라 수익은 크게 차이가 난다. 시장 상황에 맞는 전략들로 포트폴리오를 구성하는 것은 오랜 경험과 탁월한 노하우가 있어야하는 어려운 작업이다. 본 논문에서는 SVM을 활용하여 쉽고 빠르게 적절한 전략 포트폴리오를 구성하는 방법을 제시하였다. 본 논문에서 제안한 시스템의 성과는 벤치마킹의 성과와 비교하여 2배 이상의 수익을 내는 것을 확인하였다. 1990.01.03∼2011.11.04 동안의 KOSPI200 데이터 중 이전 80%의 데이터로 학습을 하고 최근 20%의 데이터로 성능을 시험하였다. 각 전략별로 선택여부를 판별하는 SVM모델을 만들고 그 결과를 바탕으로 포트폴리오를 구성하였다. 벤치마킹을 위해 KOSPI200 선물을 2계약 매수한 경우의 수익, 시험 시작 직전 30일간 최고 수익을 낸 2개 전략의 수익, 실제 최고 수익을 낸 전략 2개를 보유했을 때의 수익과 비교하였다. 매매 비용을 반영하지 않을 때는 벤치마킹은 132.2∼510.37pt의 수익을 냈고, 본 시스템은 1072.36∼1140.91pt의 수익을 보여주었다. 그리고 거래비용을 감안하면 벤치마킹은 130.44∼502.41pt의 수익을 냈고, 본 시스템은 706.22pt∼768.95pt의 수익을 나타내었다. 본 논문은 기계학습을 통한 전략 포트폴리오를 구성하는 방안이 유의미하며 실전에 활용할 수 있음을 보여주었다. 이를 바탕으로 여러 전략과 다양한 시장에 적용해서 안정성을 검증하면 견고한 상용 솔루션으로 발전시킬 수 있을 것이다. 그리고 자금관리 기법을 더 반영한다면 수익을 더욱 크게 향상시킬 수 있을 것이다.

KT 통화부가서비스의 BcN 으로의 전환 전략

박성철(Sungcheol Park),김상현(Sanghyun Kim),정순철(SoonChul Jung) 한국통신학회 2008 한국통신학회 학술대회논문집 Vol.2008 No.7

Development of Coupling Bolts for Shipbuilding and Offshore

Sungcheol Park(박성철),Kyunghun Lee(이경훈) 대한기계학회 2020 대한기계학회 춘추학술대회 Vol.2020 No.12

This study was conducted to manufacture a coupling bolt for shipbuilding and marine use with a clamping pressure of 700 bar or higher. An appropriate clamping force was derived based on the mechanical design theory and finite element analysis. For the adapter design, a design of experiment was performed on the length and pitch of the threaded part, and the structural integrity was evaluated. For the flow path shape design, analysis was performed by selecting the flow path length and pitch as design variables. In order to design the rolling process required for thread processing, finite element analysis was performed by setting the indentation amount as a variable to evaluate the shape and rolling load. As a result of manufacturing prototype and performing the fastening and disassembling process, it was possible to obtain product quality that meets the research goals. <그림 본문 참조>

Process Sequence Design in Hot Forging for Manufacturing Housing of Tripod Constant Velocity Joint

Sungcheol Park(박성철),Kyunghun Lee(이경훈) 대한기계학회 2020 대한기계학회 춘추학술대회 Vol.2020 No.12

This study was conducted to develop a housing of tripod constant velocit joint by hot forging. A housing prototype was developed through a non-welding integral hot forging process. The procedure for designing a non-welding integral hot forging dies is as follows. First, the lay-out of the hot forging process in the order of forward extrusion, broker, and finisher is designed. Second, the effective stress, temperature distribution and forging force were analyzed through finite element analysis. Third, hot forging experiment is carried out using the hot forging dies proposed through finite element analysis. Finally, the housing prototype was evaluated for hardness, tensile strength, and dimensional accuracy. <그림 본문 참조>

ICA+OPCA를 이용한 잡음에 강인한 뇌파 분류

박성철(Sungcheol Park),이혜경(Hyekyoung Lee),최승진(Seungjin Choi) 한국정보과학회 2003 한국정보과학회 학술발표논문집 Vol.30 No.2Ⅱ

Electroencephalogram (EEG)-based brain computer interface (BCI)provides a new communication channel between human brain and computer. EEG is very noisy data and contains artifacts. thus the extraction of features that are robust to noise and artifacts is important. In this paper we present a method with employ both independent component analysis (ICA) and oriented principal component analysis (OPCA) for artifact-robust feature extraction.

뇌파 패턴 분류를 위한 PCA와 HMM의 결합

이혜경(Hyekyoung Lee),박성철(Sungcheol Park),최승진(Seungjin Choi) 한국HCI학회 2003 한국HCI학회 학술대회 Vol.2003 No.2

Principal Components Features and HMM for EEG Pattern Recognition

Hyekyoung Lee(이혜경),Sungcheol Park(박성철),Seungjin Choi(최승진) 한국정보과학회 2003 한국정보과학회 학술발표논문집 Vol.2003 No.2

A Study on Ring Rolling Process Design

Kyunghun Lee(이경훈),Sungcheol Park(박성철) 대한기계학회 2021 대한기계학회 춘추학술대회 Vol.2021 No.11

방향성매매를 위한 지능형 매매시스템의 투자성과분석

최흥식(Heung Sik Choi),김선웅(Sun Woong Kim),박성철(Sungcheol Park) 한국지능정보시스템학회 2011 지능정보연구 Vol.17 No.3

방향성(Direction)과 변동성(Volatility)에 대한 분석은 증권투자를 위한 시장분석의 기초가 된다. 변동성분석이 옵션 투자에서 중요하다면 주식이나 주가지수선물투자는 방향성분석에 의하여 투자성과가 결정된다. 기존의 금융분석에서 기계학습을 이용한 방향성에 대한 연구는 주가나 투자위험의 예측을 중심으로 이루어졌으며 최근에 와서야 실전투자를 위한 매매시스템(trading system) 개발에 대한 연구가 이루어지고 있다. 인공지능형 주가예측모형에서는 ANN(artificial neural networks) fuzzy system SVM(Support Vector Machine) 등의 기법이 주로 활용되고 있다. 본 연구에서는 방향성매매를 위한 지능형 기계학습방법 중에서도 패턴인식에서 좋은 성과를 보이고 있는 은닉마코프 모형(Hidden Markov Model)을 이용한다. 실무적으로는 방향성 예측을 위해 주로 주가의 추세분석(Trend Analysis)을 활용한다. 다양한 기술적 지표를 이용한 추세분석에 기반한 시스템트레이딩(System Trading) 기법은 실전투자에서 점차 확대추세에 있다. 본 연구에서는 시스템트레이딩 기법 중 실무에서 많이 이용되는 이동평균교차전략(moving average cross)에 연속 은닉마코프모형을 적용한 지능형 매매시스템을 제안하고 실제 주가자료를 이용한 시뮬레이션 결과를 제시한다. 세계적 선물시장으로 성장한 KOSPI200 선물시장에서 제안된 매매시스템의 장기간의 투자성과를 분석하기 위하여 지난 21년 동안의 KOSPI200 주가지수자료를 실증 분석하였다. 분석결과는 KOSPI200 주가지수선물의 방향성매매에서 제 안된 CHMM기반 지능형 매매시스템이 실전에서 일반적으로 활용되는 시스템트레이딩 기법의 투자성과를 개선할 수 있음을 보여주었다. KOSPI200 index is the Korean stock price index consisting of actively traded 200 stocks in the Korean stock market. Its base value of 100 was set on January 3 1990. The Korea Exchange (KRX) developed derivatives markets on the KOSPI200 index. KOSPI200 index futures market introduced in 1996 has become one of the most actively traded indexes markets in the world. Traders can make profit by entering a long position on the KOSPI200 index futures contract if the KOSPI200 index will rise in the future. Likewise they can make profit by entering a short position if the KOSPI200 index will decline in the future. Basically KOSPI200 index futures trading is a short-term zero-sum game and therefore most futures traders are using technical indicators. Advanced traders make stable profits by using system trading technique also known as algorithm trading. Algorithm trading uses computer programs for receiving real-time stock market data analyzing stock price movements with various technical indicators and automatically entering trading orders such as timing price or quantity of the order without any human intervention. Recent studies have shown the usefulness of artificial intelligent systems in forecasting stock prices or investment risk. KOSPI200 index data is numerical time-series data which is a sequence of data points measured at successive uniform time intervals such as minute day week or month. KOSPI200 index futures traders use technical analysis to find out some patterns on the time-series chart. Although there are many technical indicators their results indicate the market states among bull bear and flat. Most strategies based on technical analysis are divided into trend following strategy and non-trend following strategy. Both strategies decide the market states based on the patterns of the KOSPI200 index time-series data. This goes well with Markov model (MM). Everybody knows that the next price is upper or lower than the last price or similar to the last price and knows that the next price is influenced by the last price. However nobody knows the exact status of the next price whether it goes up or down or flat. So hidden Markov model (HMM) is better fitted than MM. HMM is divided into discrete HMM (DHMM) and continuous HMM (CHMM). The only difference between DHMM and CHMM is in their representation of state probabilities. DHMM uses discrete probability density function and CHMM uses continuous probability density function such as Gaussian Mixture Model. KOSPI200 index values are real number and these follow a continuous probability density function so CHMM is proper than DHMM for the KOSPI200 index. In this paper we present an artificial intelligent trading system based on CHMM for the KOSPI200 index futures system traders. Traders have experienced on technical trading for the KOSPI200 index futures market ever since the introduction of the KOSPI200 index futures market. They have applied many strategies to make profit in trading the KOSPI200 index futures. Some strategies are based on technical indicators such as moving averages or stochastics and others are based on candlestick patterns such as three outside up three outside down harami or doji star. We show a trading system of moving average cross strategy based on CHMM and we compare it to a traditional algorithmic trading system. We set the parameter values of moving averages at common values used by market practitioners. Empirical results are presented to compare the simulation performance with the traditional algorithmic trading system using long-term daily KOSPI200 index data of more than 20 years. Our suggested trading system shows higher trading performance than naive system trading.