KR20240015453A - Method and apparatus for predicting critical state of asset price bubble using improved log periodic power law (lppl) algorithm - Google Patents

Method and apparatus for predicting critical state of asset price bubble using improved log periodic power law (lppl) algorithm Download PDF

Info

Publication number
KR20240015453A
KR20240015453A KR1020220093346A KR20220093346A KR20240015453A KR 20240015453 A KR20240015453 A KR 20240015453A KR 1020220093346 A KR1020220093346 A KR 1020220093346A KR 20220093346 A KR20220093346 A KR 20220093346A KR 20240015453 A KR20240015453 A KR 20240015453A
Authority
KR
South Korea
Prior art keywords
lppl
parameter
parameters
initial
bubble
Prior art date
Application number
KR1020220093346A
Other languages
Korean (ko)
Inventor
안광원
지용구
장한울
김주엽
김진우
Original Assignee
주식회사 길브레스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 길브레스 filed Critical 주식회사 길브레스
Priority to KR1020220093346A priority Critical patent/KR20240015453A/en
Publication of KR20240015453A publication Critical patent/KR20240015453A/en

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00Payment architectures, schemes or protocols
    • G06Q20/02Payment architectures, schemes or protocols involving a neutral party, e.g. certification authority, notary or trusted third party [TTP]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/16Real estate

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Accounting & Taxation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

본 실시예들은 LPPL 모델의 파라미터를 최적화하기 위해, 가격 피크 추출을 통해 초기 LPPL 파라미터를 생성하고, 비선형 최적화 알고리즘인 유전 알고리즘의 진화 전략을 제어하는 하이퍼 파라미터를 조절하고, 하이퍼 파라미터가 개선된 유전 알고리즘을 적용하여 LPPL 파라미터를 최적화한 후 최적화된 LPPL 파라미터를 기반으로 LPPL 모델을 통해 버블 임계 시점을 정확하게 예측하는 자산 버블 임계 예측 방법 및 장치를 제공한다.In these embodiments, in order to optimize the parameters of the LPPL model, initial LPPL parameters are generated through price peak extraction, hyperparameters that control the evolution strategy of the genetic algorithm, which is a nonlinear optimization algorithm, are adjusted, and a genetic algorithm with improved hyperparameters is used. After optimizing the LPPL parameters by applying , we provide an asset bubble criticality prediction method and device that accurately predicts the bubble critical point through the LPPL model based on the optimized LPPL parameters.

Description

개선된 LPPL(Log Periodic Power Law) 알고리즘을 이용한 자산 버블 임계 예측 방법 및 장치 {METHOD AND APPARATUS FOR PREDICTING CRITICAL STATE OF ASSET PRICE BUBBLE USING IMPROVED LOG PERIODIC POWER LAW (LPPL) ALGORITHM}Asset bubble criticality prediction method and device using improved LPPL (Log Periodic Power Law) algorithm {METHOD AND APPARATUS FOR PREDICTING CRITICAL STATE OF ASSET PRICE BUBBLE USING IMPROVED LOG PERIODIC POWER LAW (LPPL) ALGORITHM}

본 발명이 속하는 기술 분야는 LPPL(Log Periodic Power Law) 모델의 초기 파라미터를 추정하고 비선형 방식의 유전자 알고리즘으로 파라미터를 최적화하여 자산 버블 임계 상태를 예측하는 방법 및 장치에 관한 것이다. The technical field to which the present invention belongs relates to a method and device for predicting the asset bubble critical state by estimating the initial parameters of the Log Periodic Power Law (LPPL) model and optimizing the parameters with a non-linear genetic algorithm.

이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.The content described in this section simply provides background information for this embodiment and does not constitute prior art.

금융 자산의 버블 붕괴는 매우 짧은 시간 내에 수조 달러에 달하는 손실을 발생시킬 우려가 있다. 이에 금융자산의 붕괴를 예측하는 것은 이와 관련된 다양한 이해 관계자들에게 영향을 준다. The bursting of the financial asset bubble threatens to cause losses reaching trillions of dollars in a very short period of time. Accordingly, predicting the collapse of financial assets affects various stakeholders involved.

어떤 현상의 임계시점에서의 상태 변화를 붕괴라고 정의했을 때, 다양한 현상들의 정확한 붕괴 시점 예측은 매우 어렵지만 이후의 위기를 효과적으로 처리하기 위한 수단으로서 중요하게 사용될 수 있다. 붕괴 예측을 위한 도구로서 쓰이는 LPPL(Log Periodic Power Law)은 통계물리학에서 처음 개발되었으며, 버블 예측에 유용함이 입증된 바 있다. 이는 붕괴 전 전조현상에서 드러나는 물리적 성질들(super exponential growth + log frequency)에 착안하여 시작되었다. 임계시점이 다가옴에 따라 어떤 현상의 변동성이 빈번해지며, 그 주기는 짧아지게 되는 것에서 아이디어를 얻은 것이다. 이 접근 방식을 활용해, 금융자산의 시계열 가격 데이터를 기반으로 금융위기를 분석할 수 있다. When collapse is defined as a change in the state of a phenomenon at a critical point, it is very difficult to predict the exact collapse time of various phenomena, but it can be used as an important means of effectively handling future crises. LPPL (Log Periodic Power Law), used as a tool for predicting collapse, was first developed in statistical physics and has proven to be useful in predicting bubbles. This was started by focusing on the physical properties (super exponential growth + log frequency) revealed in the precursor phenomenon before collapse. The idea was derived from the fact that as a critical point approaches, the volatility of a certain phenomenon becomes more frequent and the cycle becomes shorter. Using this approach, financial crises can be analyzed based on time series price data of financial assets.

LPPL을 활용해 분석하고자 하는 자산 시장(예컨대, 금융 시장, 부동산 시장, 크립토 시장 등)의 여러 특성에 맞추어 더 개선된 LPPL 알고리즘을 설계할 수 있다.Using LPPL, a more improved LPPL algorithm can be designed to suit the various characteristics of the asset market (e.g., financial market, real estate market, crypto market, etc.) to be analyzed.

"Forecasting Financial Crashes: Revisit to Log-Periodic Power Law ", Kwangwon Ahn, (2018.08.01) “Forecasting Financial Crashes: Revisit to Log-Periodic Power Law “, Kwangwon Ahn, (2018.08.01) "Can government stabilize the housing market? The evidence from South Korea ", Kwangwon Ahn, (2020.07.15) "Can government stabilize the housing market? The evidence from South Korea ", Kwangwon Ahn, (2020.07.15) "Boost and Burst: Bubbles in the Bitcoin Market", Kwangwon Ahn, (2020.06.15) “Boost and Burst: Bubbles in the Bitcoin Market”, Kwangwon Ahn, (2020.06.15)

본 발명의 실시예들은 LPPL 모델의 파라미터를 최적화하기 위해, 가격 피크 추출을 통해 초기 LPPL 파라미터를 생성하고, 비선형 최적화 알고리즘인 유전 알고리즘의 하이퍼 파라미터를 조절하고, 하이퍼 파라미터가 개선된 유전 알고리즘을 적용하여 LPPL 파라미터를 최적화한 후 최적화된 LPPL 파라미터를 기반으로 LPPL 모델을 통해 버블 임계 시점을 정확하게 예측하는 데 주된 목적이 있다.In order to optimize the parameters of the LPPL model, embodiments of the present invention generate initial LPPL parameters through price peak extraction, adjust hyperparameters of a genetic algorithm, which is a nonlinear optimization algorithm, and apply a genetic algorithm with improved hyperparameters. The main purpose is to optimize the LPPL parameters and then accurately predict the bubble critical point through the LPPL model based on the optimized LPPL parameters.

본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.Other unspecified objects of the present invention can be additionally considered within the scope that can be easily inferred from the following detailed description and its effects.

본 실시예의 일 측면에 의하면, 자산 버블 임계 예측 방법에 있어서, LPPL(Log Periodic Power Law) 이론에 따라 복수의 LPPL 파라미터로 LPPL 모델을 정의하는 단계; 상기 LPPL 모델에서 순환 주기 내의 피크를 선정하여 상기 LPPL 모델의 상기 LPPL 파라미터에 적용할 초기 LPPL 파라미터를 산출하는 단계; 상기 초기 LPPL 파라미터를 기반으로 유전 알고리즘을 이용하여 최적화된 LPPL 파라미터를 산출하는 단계; 상기 유전 알고리즘의 진화 전략을 제어하는 하이퍼 파라미터를 조절하는 단계; 및 상기 최적화된 LPPL 파라미터를 적용한 LPPL 모델을 통해 시계열 가격 데이터로부터 버블 붕괴 시점을 산출하는 단계를 포함하는 자산 버블 임계 예측 방법을 제공한다.According to one aspect of the present embodiment, in the asset bubble threshold prediction method, defining an LPPL model with a plurality of LPPL parameters according to LPPL (Log Periodic Power Law) theory; selecting a peak within a circulation period in the LPPL model to calculate an initial LPPL parameter to be applied to the LPPL parameter of the LPPL model; Calculating optimized LPPL parameters using a genetic algorithm based on the initial LPPL parameters; adjusting hyper-parameters that control the evolution strategy of the genetic algorithm; And providing an asset bubble criticality prediction method including calculating the bubble burst point from time series price data through an LPPL model applying the optimized LPPL parameters.

상기 복수의 LPPL 파라미터는 가격 파라미터, 거리 파라미터, 파동 파라미터, 시간 파라미터, 위상 파라미터, 빈도 파라미터, 및 지수 파라미터를 포함하고, 상기 LPPL 모델은 상기 LPPL 이론에 따라 상기 가격 파라미터, 상기 거리 파라미터, 상기 파동 파라미터, 상기 시간 파라미터, 상기 위상 파라미터, 상기 빈도 파라미터, 및 상기 지수 파라미터의 관계식으로 표현될 수 있다.The plurality of LPPL parameters include a price parameter, a distance parameter, a wave parameter, a time parameter, a phase parameter, a frequency parameter, and an exponential parameter, and the LPPL model includes the price parameter, the distance parameter, and the wave parameter according to the LPPL theory. It can be expressed as a relationship between the parameters, the time parameter, the phase parameter, the frequency parameter, and the exponential parameter.

상기 초기 LPPL 파라미터를 산출하는 단계는, 상기 시계열 가격 데이터를 이용하여 상기 순환 주기 내에서 복수의 피크를 갖는 피크 그룹을 검출하고, 현재 시점을 고려하여 상기 복수의 피크에 피크 가중치를 차등적으로 적용하고, 상기 피크 가중치가 적용된 복수의 피크를 스크린하여 가장 큰 값을 갖는 제1 피크 그룹을 선택하고, 상기 제1 피크 그룹을 기반으로 상기 LPPL 모델의 상기 LPPL 파라미터에 적용할 초기 LPPL 파라미터를 산출할 수 있다.The step of calculating the initial LPPL parameter includes detecting a peak group having a plurality of peaks within the circulation period using the time series price data, and differentially applying peak weights to the plurality of peaks in consideration of the current point in time. And, screen the plurality of peaks to which the peak weight is applied, select the first peak group with the largest value, and calculate the initial LPPL parameter to be applied to the LPPL parameter of the LPPL model based on the first peak group. You can.

상기 최적화된 LPPL 파라미터를 산출하는 단계는, 상기 초기 LPPL 파라미터에 개체 집단의 진화 과정을 고려하여 선택, 번식, 변이, 교차를 반복적으로 거쳐 최적화된 값을 도출하는 유전 알고리즘을 적용하여 상기 최적화된 LPPL 파라미터를 산출할 수 있다.The step of calculating the optimized LPPL parameters includes applying a genetic algorithm to the initial LPPL parameters to derive an optimized value through repeated selection, breeding, mutation, and crossing considering the evolutionary process of the population, thereby generating the optimized LPPL parameters. Parameters can be calculated.

상기 초기 LPPL 파라미터를 산출하는 단계는, 상기 피크 가중치가 적용된 복수의 피크를 스크린하여 가장 큰 값을 갖는 제1 피크 그룹을 선택하고, 상기 제1 피크 그룹을 기반으로 상기 LPPL 모델의 상기 LPPL 파라미터에 적용할 제1 초기 LPPL 파라미터를 산출하고, 상기 피크 가중치가 적용된 복수의 피크를 스크린하여 두번째 큰 값을 갖는 제2 피크 그룹을 선택하고, 상기 제2 피크 그룹을 기반으로 상기 LPPL 모델의 상기 LPPL 파라미터에 적용할 제2 초기 LPPL 파라미터를 산출할 수 있다.The step of calculating the initial LPPL parameter includes screening a plurality of peaks to which the peak weight is applied, selecting a first peak group with the largest value, and calculating the LPPL parameter of the LPPL model based on the first peak group. Calculate a first initial LPPL parameter to be applied, screen a plurality of peaks to which the peak weight is applied, select a second peak group with a second largest value, and select the LPPL parameter of the LPPL model based on the second peak group. A second initial LPPL parameter to be applied to can be calculated.

상기 최적화된 LPPL 파라미터를 산출하는 단계는 상기 제1 초기 LPPL 파라미터로부터 개체 집단의 진화를 시작하고, 상기 제2 초기 파라미터를 상기 선택, 상기 번식, 상기 변이, 상기 교차에 일시적으로 적용하여 변경할 수 있다.The step of calculating the optimized LPPL parameters may be performed by starting the evolution of the population of individuals from the first initial LPPL parameters and temporarily applying the second initial parameters to the selection, breeding, mutation, and crossover. .

상기 유전 알고리즘의 진화 전략을 제어하는 하이퍼 파라미터를 조절하는 단계는 상기 제2 초기 파라미터를 이용하여 상기 하이퍼 파라미터를 변경할 수 있다.In the step of adjusting the hyper-parameters that control the evolution strategy of the genetic algorithm, the hyper-parameters may be changed using the second initial parameters.

상기 유전 알고리즘의 진화 전략을 제어하는 하이퍼 파라미터를 조절하는 단계는, 상기 진화 전략에 영향을 주는 개체 집단 옵션, 적합 스케일링 옵션, 선택 옵션, 번식 옵션, 변이 옵션, 교차 옵션, 정지 기준 옵션, 또는 이들의 조합을 변경할 수 있다.The step of adjusting the hyperparameters that control the evolution strategy of the genetic algorithm includes population population options, fitness scaling options, selection options, breeding options, mutation options, crossover options, stopping criteria options, or these that affect the evolution strategy. The combination can be changed.

본 실시예의 다른 측면에 의하면, 자산 버블 임계 예측 장치에 있어서, LPPL(Log Periodic Power Law) 이론에 따라 복수의 LPPL 파라미터로 정의된 LPPL 모델; 상기 LPPL 모델에서 순환 주기 내의 피크를 선정하여 상기 LPPL 모델의 LPPL 파라미터에 적용할 초기 LPPL 파라미터를 산출하는 제1 초기 파라미터 산출부; 상기 초기 LPPL 파라미터를 기반으로 유전 알고리즘을 이용하여 최적화된 LPPL 파라미터를 산출하는 파라미터 최적화부; 상기 유전 알고리즘의 진화 전략을 제어하는 하이퍼 파라미터를 조절하는 하이퍼 파라미터 조절부; 및 상기 최적화된 LPPL 파라미터를 적용한 상기 LPPL 모델을 통해 시계열 가격 데이터로부터 버블 붕괴 시점을 산출하는 버블 붕괴 예측부를 포함하는 자산 버블 임계 예측 장치를 제공한다.According to another aspect of the present embodiment, in the asset bubble threshold prediction device, an LPPL model defined with a plurality of LPPL parameters according to LPPL (Log Periodic Power Law) theory; a first initial parameter calculation unit that selects a peak within a circulation period in the LPPL model and calculates an initial LPPL parameter to be applied to the LPPL parameter of the LPPL model; a parameter optimization unit that calculates optimized LPPL parameters using a genetic algorithm based on the initial LPPL parameters; a hyper-parameter control unit that adjusts hyper-parameters that control the evolution strategy of the genetic algorithm; and a bubble burst prediction unit that calculates a bubble burst point from time series price data through the LPPL model applying the optimized LPPL parameters.

상기 복수의 LPPL 파라미터는 가격 파라미터, 거리 파라미터, 파동 파라미터, 시간 파라미터, 위상 파라미터, 빈도 파라미터, 및 지수 파라미터를 포함하고, 상기 LPPL 모델은 상기 LPPL 이론에 따라 상기 가격 파라미터, 상기 거리 파라미터, 상기 파동 파라미터, 상기 시간 파라미터, 상기 위상 파라미터, 상기 빈도 파라미터, 및 상기 지수 파라미터의 관계식으로 표현될 수 있다.The plurality of LPPL parameters include a price parameter, a distance parameter, a wave parameter, a time parameter, a phase parameter, a frequency parameter, and an exponential parameter, and the LPPL model includes the price parameter, the distance parameter, and the wave parameter according to the LPPL theory. It can be expressed as a relationship between the parameters, the time parameter, the phase parameter, the frequency parameter, and the exponential parameter.

상기 제1 초기 파라미터 산출부는, 상기 시계열 가격 데이터를 이용하여 상기 순환 주기 내에서 복수의 피크를 갖는 피크 그룹을 검출하고, 현재 시점을 고려하여 상기 복수의 피크에 피크 가중치를 차등적으로 적용하고, 상기 피크 가중치가 적용된 복수의 피크를 스크린하여 가장 큰 값을 갖는 제1 피크 그룹을 선택하고, 상기 제1 피크 그룹을 기반으로 상기 LPPL 모델의 상기 LPPL 파라미터에 적용할 초기 LPPL 파라미터를 산출할 수 있다.The first initial parameter calculation unit detects a peak group having a plurality of peaks within the circulation period using the time series price data, and differentially applies peak weights to the plurality of peaks in consideration of the current point in time, By screening a plurality of peaks to which the peak weight is applied, the first peak group with the largest value is selected, and an initial LPPL parameter to be applied to the LPPL parameter of the LPPL model can be calculated based on the first peak group. .

상기 파라미터 최적화부는, 상기 초기 LPPL 파라미터에 개체 집단의 진화 과정을 고려하여 선택, 번식, 변이, 교차를 반복적으로 거쳐 최적화된 값을 도출하는 유전 알고리즘을 적용하여 상기 최적화된 LPPL 파라미터를 산출할 수 있다.The parameter optimization unit may calculate the optimized LPPL parameters by applying a genetic algorithm to the initial LPPL parameters to derive optimized values through repeated selection, breeding, mutation, and crossover in consideration of the evolution process of the population. .

상기 자산 버블 임계 예측 장치는 상기 LPPL 모델에 접근 가능한 제2 초기 파라미터 산출부; 및 상기 제1 초기 파라미터 산출부 및 상기 제2 초기 파라미터 산출부에 연결된 피크 그룹 조절부를 포함할 수 있다. The asset bubble threshold prediction device includes a second initial parameter calculation unit accessible to the LPPL model; and a peak group adjustment unit connected to the first initial parameter calculation unit and the second initial parameter calculation unit.

상기 피크 그룹 조절부는 상기 피크 가중치가 적용된 복수의 피크를 스크린하여 가장 큰 값을 갖는 제1 피크 그룹을 선택하고, 상기 제1 초기 파라미터 산출부는 상기 제1 피크 그룹을 기반으로 상기 LPPL 모델의 상기 LPPL 파라미터에 적용할 제1 초기 LPPL 파라미터를 산출할 수 있다.The peak group adjuster screens the plurality of peaks to which the peak weight is applied and selects the first peak group with the largest value, and the first initial parameter calculation unit selects the LPPL of the LPPL model based on the first peak group. A first initial LPPL parameter to be applied to the parameter may be calculated.

상기 피크 그룹 조절부는 상기 피크 가중치가 적용된 복수의 피크를 스크린하여 두번째 큰 값을 갖는 제2 피크 그룹을 선택하고, 상기 제2 초기 파라미터 산출부는 상기 제2 피크 그룹을 기반으로 상기 LPPL 모델의 상기 LPPL 파라미터에 적용할 제2 초기 LPPL 파라미터를 산출할 수 있다.The peak group adjuster screens a plurality of peaks to which the peak weight is applied and selects a second peak group with a second largest value, and the second initial parameter calculation unit selects the LPPL of the LPPL model based on the second peak group. A second initial LPPL parameter to be applied to the parameter may be calculated.

상기 파라미터 최적화부는 상기 제1 초기 LPPL 파라미터로부터 개체 집단의 진화를 시작하고, 상기 제2 초기 파라미터를 상기 선택, 상기 번식, 상기 변이, 상기 교차에 일시적으로 적용하여 변경하고, 상기 하이퍼 파라미터 조절부는 상기 제2 초기 파라미터를 이용하여 상기 하이퍼 파라미터를 변경할 수 있다.The parameter optimization unit starts the evolution of the population of entities from the first initial LPPL parameter, temporarily applies and changes the second initial parameter to the selection, breeding, mutation, and intersection, and the hyperparameter adjuster The hyper parameter can be changed using the second initial parameter.

상기 하이퍼 파라미터 조절부는, 상기 진화 전략에 영향을 주는 개체 집단 옵션, 적합 스케일링 옵션, 선택 옵션, 번식 옵션, 변이 옵션, 교차 옵션, 정지 기준 옵션, 또는 이들의 조합을 변경할 수 있다.The hyper-parameter control unit may change population options, adaptive scaling options, selection options, breeding options, mutation options, intersection options, stopping criteria options, or a combination thereof that affect the evolution strategy.

본 실시예의 또 다른 측면에 의하면, 컴퓨터에 의해 실행 가능한 컴퓨터 프로그램을 저장하는 컴퓨터 판독 가능한 저장 매체에 있어서, 자산 버블 임계 예측 방법을 실행할 수 있는 컴퓨터 프로그램을 기록한 컴퓨터 판독 가능한 저장 매체를 제공한다.According to another aspect of this embodiment, in a computer-readable storage medium storing a computer program executable by a computer, a computer-readable storage medium storing a computer program capable of executing an asset bubble criticality prediction method is provided.

본 실시예의 또 다른 측면에 의하면, 프로세서에 의해 실행 가능한 컴퓨터 프로그램 명령어들을 포함하는 컴퓨터 판독 가능한 저장 매체에 기록된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램 명령어들이 프로세서에 의해 실행되는 경우에, 자산 버블 임계 예측 방법을 수행하는 것을 특징으로 하는 컴퓨터 프로그램을 제공한다.According to another aspect of the present embodiment, a computer program recorded on a computer-readable storage medium comprising computer program instructions executable by a processor, wherein when the computer program instructions are executed by the processor, a method for predicting asset bubble threshold It provides a computer program characterized in that it performs.

이상에서 설명한 바와 같이 본 발명의 실시예들에 의하면, 가격 피크 추출을 통해 LPPL 모델의 초기 LPPL 파라미터를 생성하고, 비선형 최적화 알고리즘인 유전 알고리즘의 진화 전략을 제어하는 하이퍼 파라미터를 조절하고, 하이퍼 파라미터가 개선된 유전 알고리즘을 적용하여 LPPL 파라미터를 최적화할 수 있는 효과가 있다. As described above, according to embodiments of the present invention, the initial LPPL parameters of the LPPL model are generated through price peak extraction, the hyperparameters that control the evolution strategy of the genetic algorithm, which is a nonlinear optimization algorithm, are adjusted, and the hyperparameters are There is an effect of optimizing LPPL parameters by applying an improved genetic algorithm.

최적화된 LPPL 파라미터를 기반으로 설계된 LPPL 모델을 통해 버블 임계 시점의 예측 정확도를 향상시킬 수 있는 효과가 있다.The LPPL model designed based on optimized LPPL parameters has the effect of improving prediction accuracy at the bubble critical point.

여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급된다.Even if the effects are not explicitly mentioned here, the effects described in the following specification and their potential effects expected by the technical features of the present invention are treated as if described in the specification of the present invention.

도 1은 본 발명의 일 실시예에 따른 자산 버블 임계 예측 장치를 예시한 도면이다.
도 2는 본 발명의 다른 실시예에 따른 자산 버블 임계 예측 방법을 예시한 흐름도이다.
도 3은 본 발명의 다른 실시예에 따른 자산 버블 임계 예측 방법의 LPPL 파라미터를 산출하는 단계를 예시한 흐름도이다.
도 4는 본 발명의 다른 실시예에 따른 자산 버블 임계 예측 방법의 LPPL 파라미터를 최적화하는 단계를 예시한 흐름도이다.
도 5는 본 발명의 다른 실시예에 따른 자산 버블 임계 예측 방법이 산출하는 LPPL 파라미터를 예시한 도면이다.
도 6은 본 발명의 다른 실시예에 따른 자산 버블 임계 예측 방법이 조절하는 하이퍼 파라미터를 예시한 도면이다.
도 7은 본 발명의 다른 실시예에 따른 자산 버블 임계 예측 방법이 도출한 최적화된 LPPL 파라미터를 예시한 도면이다.
도 8은 본 발명의 다른 실시예에 따른 자산 버블 임계 예측 방법이 도출한 최적화된 LPPL 파라미터를 적용한 LPPL 모델의 버블 임계 감지에 대한 상대 오차 결과를 예시한 도면이다.
도 9 내지 도 11은 본 발명의 다른 실시예에 따른 자산 버블 임계 예측 방법이 적용하는 LPPL 모델의 LPPL 파라미터 간에 성능 오차 지표의 민감도를 예시한 도면이다.
도 12 및 도 13은 본 발명의 실시예들을 시뮬레이션한 결과에 따라 자산 버블 임계 예측 정확도를 나타내는 도면이다.
도 14는 본 발명의 실시예들을 실시하는 컴퓨팅 디바이스를 예시한 블록도이다.
Figure 1 is a diagram illustrating an asset bubble threshold prediction device according to an embodiment of the present invention.
Figure 2 is a flowchart illustrating an asset bubble threshold prediction method according to another embodiment of the present invention.
Figure 3 is a flowchart illustrating the step of calculating the LPPL parameter of the asset bubble threshold prediction method according to another embodiment of the present invention.
Figure 4 is a flowchart illustrating the steps of optimizing the LPPL parameter of the asset bubble threshold prediction method according to another embodiment of the present invention.
Figure 5 is a diagram illustrating LPPL parameters calculated by the asset bubble threshold prediction method according to another embodiment of the present invention.
Figure 6 is a diagram illustrating hyper parameters adjusted by the asset bubble threshold prediction method according to another embodiment of the present invention.
Figure 7 is a diagram illustrating optimized LPPL parameters derived by an asset bubble threshold prediction method according to another embodiment of the present invention.
Figure 8 is a diagram illustrating the relative error results for bubble threshold detection of the LPPL model applying the optimized LPPL parameters derived by the asset bubble threshold prediction method according to another embodiment of the present invention.
Figures 9 to 11 are diagrams illustrating the sensitivity of performance error indicators between LPPL parameters of the LPPL model applied by the asset bubble threshold prediction method according to another embodiment of the present invention.
Figures 12 and 13 are diagrams showing asset bubble threshold prediction accuracy according to simulation results of embodiments of the present invention.
Figure 14 is a block diagram illustrating a computing device practicing embodiments of the present invention.

이하, 본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하고, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다.Hereinafter, in describing the present invention, if it is determined that related known functions may unnecessarily obscure the gist of the present invention as they are obvious to those skilled in the art, the detailed description will be omitted, and some embodiments of the present invention will be described. It will be described in detail through exemplary drawings.

LPPL(Log Periodic Power Law) 이론은 임계시점에서의 상태 변화, 즉 붕괴 시점을 알려주는 방법론이다. LPPL 이론은 붕괴 전 전조 현상에서의 물리적 성질에 해당하는 지수적 성장(super exponential growth) 성질과 로그 주파수(log frequency) 성질을 고려한다. LPPL (Log Periodic Power Law) theory is a methodology that informs the state change at a critical point, that is, the point of collapse. LPPL theory considers super exponential growth and log frequency properties, which correspond to the physical properties in the precursor phenomenon before collapse.

지수적 성장 성질은 예컨대, 가격이 매월 5%, 10%, 20%, 40% 등으로 증가하는 현상으로 지수 함수로 표현 가능한다. 내부 참여자들은 긍정적인 피드백(positive feedback)을 동반하여 미래 수익률이 촉진되나 이러한 현상이 지속될 수 없으므로 임계 시점에서 붕괴된다.The exponential growth characteristic is, for example, a phenomenon in which the price increases by 5%, 10%, 20%, 40%, etc. every month, and can be expressed as an exponential function. Internal participants promote future returns with positive feedback, but this phenomenon cannot be sustained, so it collapses at a critical point.

로그 주파수 성질은 임계 시점이 다가올수록 변동(fluctuation)이 빈번해지는 현상을 나타낸다. 내부 참여자들의 매매 사이클(buy-sell cycle)이 빈번해지는 것을 의미한다. The logarithmic frequency property indicates that fluctuations become more frequent as a critical point approaches. This means that the buy-sell cycle of internal participants is becoming more frequent.

LPPL 모델을 통해 금융 위기 등을 예측 가능한 요소로 파악할 수 있고, 내부의 요소들 간의 상호작용으로 인해 체제 불안정성으로 붕괴가 발생하게 된다.Through the LPPL model, financial crises, etc. can be identified as predictable factors, and the interaction between internal factors causes collapse due to system instability.

LPPL 모델을 수학식으로 표현하면 다음과 같다.The LPPL model can be expressed mathematically as follows.

LPPL 모델은 지수적 성장 및 로그 주파수를 고려하여 가격 파라미터(A), 거리 파라미터(B), 파동 파라미터(C), 시간 파라미터(tc), 위상 파라미터(Φ), 빈도 파라미터(ω), 및 지수 파라미터(β)의 관계식으로 표현된다.The LPPL model considers exponential growth and logarithmic frequency to determine the price parameter (A), distance parameter (B), wave parameter (C), time parameter (t c ), phase parameter (Φ), frequency parameter (ω), and It is expressed as a relational expression of the exponent parameter (β).

LPPL 모델은 가격 파라미터와 제1 관계식의 합으로 표현된다. 제1 관계식은 거리 파라미터와 제2 관계식과 제3 관계식의 곱으로 표현된다. 제2 관계식은 시간 파라미터에서 시간을 빼고 지수 파라미터를 적용한다. 제3 관계식은 1과 제4 관계식의 합으로 표현된다. 제4 관계식은 파동 파라미터와 코사인 함수의 곱으로 표현된다. 코사인 함수의 독립 변수로 빈도 파라미터에 로그 함수를 곱하고 위상 파라미터를 더한 값을 적용한다. 로그 함수의 독립 변수로 시간 파라미터에서 시간을 뺀 값을 적용한다.The LPPL model is expressed as the sum of the price parameter and the first relational expression. The first relational expression is expressed as the product of the distance parameter and the second relational expression and the third relational expression. The second relational expression subtracts time from the time parameter and applies the exponential parameter. The third relation is expressed as the sum of the first and fourth relations. The fourth relation is expressed as the product of the wave parameter and the cosine function. As an independent variable of the cosine function, the frequency parameter is multiplied by the logarithmic function and the phase parameter is added. The value obtained by subtracting time from the time parameter is applied as the independent variable of the logarithmic function.

도 1은 본 발명의 일 실시예에 따른 자산 버블 임계 예측 장치를 예시한 도면이다.Figure 1 is a diagram illustrating an asset bubble threshold prediction device according to an embodiment of the present invention.

도 1을 참조하면, 자산 버블 임계 예측 장치(10)는 LPPL 모델(15), 제1 초기 파라미터 산출부(100), 파라미터 최적화부(200), 하이퍼 파라미터 조절부(400), 버블 붕괴 예측부(300)를 포함한다.Referring to FIG. 1, the asset bubble threshold prediction device 10 includes an LPPL model 15, a first initial parameter calculation unit 100, a parameter optimization unit 200, a hyper parameter adjustment unit 400, and a bubble collapse prediction unit. Includes 300.

LPPL 모델(15)는 LPPL(Log Periodic Power Law) 이론에 따라 복수의 LPPL 파라미터로 정의된다. 복수의 LPPL 파라미터는 가격 파라미터, 거리 파라미터, 파동 파라미터, 시간 파라미터, 위상 파라미터, 빈도 파라미터, 및 지수 파라미터를 포함할 수 있다. LPPL 모델은 LPPL 이론에 따라 가격 파라미터, 거리 파라미터, 파동 파라미터, 시간 파라미터, 위상 파라미터, 빈도 파라미터, 및 지수 파라미터의 관계식으로 표현될 수 있다.The LPPL model (15) is defined with a plurality of LPPL parameters according to the Log Periodic Power Law (LPPL) theory. The plurality of LPPL parameters may include a price parameter, a distance parameter, a wave parameter, a time parameter, a phase parameter, a frequency parameter, and an exponential parameter. The LPPL model can be expressed as a relationship between price parameters, distance parameters, wave parameters, time parameters, phase parameters, frequency parameters, and exponential parameters according to LPPL theory.

제1 초기 파라미터 산출부(100)는 LPPL 모델에서 순환 주기 내의 피크를 선정하여 LPPL 모델의 LPPL 파라미터에 적용할 초기 LPPL 파라미터를 산출한다. 제1 초기 파라미터 산출부(100)는 시계열 가격 데이터를 이용하여 순환 주기 내에서 복수의 피크를 갖는 피크 그룹을 검출하고, 현재 시점을 고려하여 복수의 피크에 피크 가중치를 차등적으로 적용하고, 피크 가중치가 적용된 복수의 피크를 스크린하여 가장 큰 값을 갖는 제1 피크 그룹을 선택하고, 제1 피크 그룹을 기반으로 LPPL 모델의 LPPL 파라미터에 적용할 초기 LPPL 파라미터를 산출할 수 있다.The first initial parameter calculation unit 100 selects a peak within a circulation period in the LPPL model and calculates an initial LPPL parameter to be applied to the LPPL parameter of the LPPL model. The first initial parameter calculation unit 100 detects a peak group having multiple peaks within a circulation period using time series price data, differentially applies peak weights to the multiple peaks in consideration of the current time, and applies peak weights to the peaks. By screening a plurality of weighted peaks, the first peak group with the largest value can be selected, and an initial LPPL parameter to be applied to the LPPL parameter of the LPPL model can be calculated based on the first peak group.

파라미터 최적화부(200)는 초기 LPPL 파라미터를 기반으로 유전 알고리즘을 이용하여 최적화된 LPPL 파라미터를 산출한다. 파라미터 최적화부(200)는 초기 LPPL 파라미터에 개체 집단의 진화 과정을 고려하여 선택, 번식, 변이, 교차를 반복적으로 거쳐 최적화된 값을 도출하는 유전 알고리즘을 적용하여 최적화된 LPPL 파라미터를 산출할 수 있다.The parameter optimization unit 200 calculates optimized LPPL parameters using a genetic algorithm based on the initial LPPL parameters. The parameter optimization unit 200 can calculate optimized LPPL parameters by applying a genetic algorithm to the initial LPPL parameters to derive optimized values through repeated selection, breeding, mutation, and crossover in consideration of the evolutionary process of the population. .

하이퍼 파라미터 조절부(400)는 유전 알고리즘의 진화 전략을 제어하는 하이퍼 파라미터를 조절한다.The hyper parameter control unit 400 adjusts hyper parameters that control the evolution strategy of the genetic algorithm.

버블 붕괴 예측부(300)는 최적화된 LPPL 파라미터를 적용한 LPPL 모델을 통해 시계열 가격 데이터로부터 버블 붕괴 시점을 산출한다.The bubble burst prediction unit 300 calculates the bubble burst point from time series price data through an LPPL model applying optimized LPPL parameters.

자산 버블 임계 예측 장치(10)는 LPPL 모델에 접근 가능한 제2 초기 파라미터 산출부(150)를 포함할 수 있다. 자산 버블 임계 예측 장치(10)는 제1 초기 파라미터 산출부(100) 및 제2 초기 파라미터 산출부(150)에 연결된 피크 그룹 조절부(500)를 포함할 수 있다. The asset bubble threshold prediction device 10 may include a second initial parameter calculation unit 150 that can access the LPPL model. The asset bubble threshold prediction device 10 may include a peak group adjustment unit 500 connected to the first initial parameter calculation unit 100 and the second initial parameter calculation unit 150.

피크 그룹 조절부(500)는 피크 가중치가 적용된 복수의 피크를 스크린하여 가장 큰 값을 갖는 제1 피크 그룹을 선택하고, 제1 초기 파라미터 산출부(100)는 제1 피크 그룹을 기반으로 LPPL 모델의 LPPL 파라미터에 적용할 제1 초기 LPPL 파라미터를 산출할 수 있다.The peak group control unit 500 screens a plurality of peaks to which peak weights are applied and selects the first peak group with the largest value, and the first initial parameter calculation unit 100 models the LPPL based on the first peak group. The first initial LPPL parameter to be applied to the LPPL parameter of can be calculated.

피크 그룹 조절부(500)는 피크 가중치가 적용된 복수의 피크를 스크린하여 두번째 큰 값을 갖는 제2 피크 그룹을 선택하고, 제2 초기 파라미터 산출부(150)는 제2 피크 그룹을 기반으로 LPPL 모델의 LPPL 파라미터에 적용할 제2 초기 LPPL 파라미터를 산출할 수 있다.The peak group control unit 500 screens a plurality of peaks to which peak weights are applied and selects the second peak group with the second largest value, and the second initial parameter calculation unit 150 models the LPPL based on the second peak group. A second initial LPPL parameter to be applied to the LPPL parameter of can be calculated.

파라미터 최적화부(200)는 제1 초기 LPPL 파라미터로부터 개체 집단의 진화를 시작하고, 제2 초기 파라미터를 선택, 번식, 변이, 교차에 일시적으로 적용하여 변경하고, 하이퍼 파라미터 조절부(400)는 제2 초기 파라미터를 이용하여 하이퍼 파라미터를 변경할 수 있다.The parameter optimization unit 200 starts the evolution of the population of entities from the first initial LPPL parameters, temporarily applies and changes the second initial parameters for selection, breeding, mutation, and crossover, and the hyperparameter control unit 400 2 Hyper parameters can be changed using the initial parameters.

하이퍼 파라미터 조절부(400)는 진화 전략에 영향을 주는 개체 집단 옵션, 적합 스케일링 옵션, 선택 옵션, 번식 옵션, 변이 옵션, 교차 옵션, 정지 기준 옵션, 또는 이들의 조합을 변경할 수 있다.The hyperparameter control unit 400 may change population options, adaptive scaling options, selection options, breeding options, mutation options, crossover options, stopping criteria options, or combinations thereof that affect the evolution strategy.

도 1에서 예시적으로 도시한 다양한 구성요소들 중에서 일부 구성요소를 생략하거나 다른 구성요소를 추가로 포함할 수 있다. Among the various components illustratively shown in FIG. 1, some components may be omitted or other components may be additionally included.

자산 버블 임계 예측 장치에 포함된 구성요소들이 도 1에서는 분리되어 도시되어 있으나, 복수의 구성요소들은 상호 결합되어 적어도 하나의 모듈로 구현될 수 있다. 구성요소들은 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작한다. 이러한 구성요소들은 하나 이상의 통신 버스 또는 신호선을 이용하여 통신한다.Components included in the asset bubble criticality prediction device are shown separately in FIG. 1, but a plurality of components may be combined and implemented as at least one module. Components are connected to a communication path that connects software modules or hardware modules within the device and operate organically with each other. These components communicate using one or more communication buses or signal lines.

자산 버블 임계 예측 장치는 하드웨어, 펌웨어, 소프트웨어 또는 이들의 조합에 의해 로직회로 내에서 구현될 수 있고, 범용 또는 특정 목적 컴퓨터를 이용하여 구현될 수도 있다. 장치는 고정배선형(Hardwired) 기기, 필드 프로그램 가능한 게이트 어레이(Field Programmable Gate Array, FPGA), 주문형 반도체(Application Specific Integrated Circuit, ASIC) 등을 이용하여 구현될 수 있다. 또한, 장치는 하나 이상의 프로세서 및 컨트롤러를 포함한 시스템온칩(System on Chip, SoC)으로 구현될 수 있다.The asset bubble criticality prediction device may be implemented in a logic circuit using hardware, firmware, software, or a combination thereof, and may also be implemented using a general-purpose or special-purpose computer. The device may be implemented using hardwired devices, field programmable gate arrays (FPGAs), application specific integrated circuits (ASICs), etc. Additionally, the device may be implemented as a System on Chip (SoC) including one or more processors and a controller.

자산 버블 임계 예측 장치는 하드웨어적 요소가 마련된 컴퓨팅 디바이스 또는 서버에 소프트웨어, 하드웨어, 또는 이들의 조합하는 형태로 탑재될 수 있다. 컴퓨팅 디바이스 또는 서버는 각종 기기 또는 유무선 통신망과 통신을 수행하기 위한 통신 모뎀 등의 통신장치, 프로그램을 실행하기 위한 데이터를 저장하는 메모리, 프로그램을 실행하여 연산 및 명령하기 위한 마이크로프로세서 등을 전부 또는 일부 포함한 다양한 장치를 의미할 수 있다.The asset bubble criticality prediction device may be mounted on a computing device or server equipped with hardware elements in the form of software, hardware, or a combination thereof. A computing device or server includes all or part of a communication device such as a communication modem for communicating with various devices or a wired or wireless communication network, a memory for storing data to execute a program, and a microprocessor for executing a program to perform calculations and commands. It can refer to a variety of devices, including:

도 2는 본 발명의 다른 실시예에 따른 자산 버블 임계 예측 방법을 예시한 흐름도이다.Figure 2 is a flowchart illustrating an asset bubble threshold prediction method according to another embodiment of the present invention.

자산 버블 임계 예측 방법은 컴퓨팅 디바이스 또는 자산 버블 임계 예측 장치에 의해 수행될 수 있다.The asset bubble criticality prediction method may be performed by a computing device or an asset bubble criticality prediction apparatus.

도 2을 참조하면, 단계 S210에서 LPPL(Log Periodic Power Law) 이론에 따라 복수의 LPPL 파라미터로 LPPL 모델을 정의하는 단계를 수행할 수 있다.Referring to FIG. 2, in step S210, a step of defining an LPPL model with a plurality of LPPL parameters according to LPPL (Log Periodic Power Law) theory may be performed.

단계 S220에서 LPPL 모델에서 순환 주기 내의 피크를 선정하여 LPPL 모델의 LPPL 파라미터에 적용할 초기 LPPL 파라미터를 산출하는 단계를 수행할 수 있다.In step S220, a peak within the circulation period in the LPPL model may be selected to calculate an initial LPPL parameter to be applied to the LPPL parameter of the LPPL model.

단계 S230에서 초기 LPPL 파라미터를 기반으로 유전 알고리즘을 이용하여 최적화된 LPPL 파라미터를 산출하는 단계를 수행할 수 있다.In step S230, an optimized LPPL parameter may be calculated using a genetic algorithm based on the initial LPPL parameter.

단계 S240에서 유전 알고리즘의 진화 전략을 제어하는 하이퍼 파라미터를 조절하는 단계를 수행할 수 있다.In step S240, a step may be performed to adjust hyperparameters that control the evolution strategy of the genetic algorithm.

단계 S250에서 최적화된 LPPL 파라미터를 적용한 LPPL 모델을 통해 시계열 가격 데이터로부터 버블 붕괴 시점을 산출하는 단계를 수행할 수 있다.In step S250, the time of bubble collapse can be calculated from time series price data through the LPPL model applying the optimized LPPL parameters.

도 3은 본 발명의 다른 실시예에 따른 자산 버블 임계 예측 방법의 LPPL 파라미터를 산출하는 단계를 예시한 흐름도이다.Figure 3 is a flowchart illustrating the step of calculating the LPPL parameter of the asset bubble threshold prediction method according to another embodiment of the present invention.

도 3을 참조하면, 단계 S310에서 시계열 데이터로 날짜 및 가격을 입력받는다. 단계 S320에 반복 변수 i를 초기화한다.Referring to FIG. 3, the date and price are input as time series data in step S310. In step S320, the repetition variable i is initialized.

단계 S330에서 시계열 가격 데이터를 이용하여 순환 주기 내에서 복수의 피크를 갖는 피크 그룹을 검출한다. 단계 S340에서 현재 시점을 고려하여 복수의 피크에 피크 가중치를 차등적으로 적용한다. In step S330, a peak group having multiple peaks within a circulation period is detected using time series price data. In step S340, peak weights are differentially applied to a plurality of peaks considering the current point in time.

단계 S350에서 피크 가중치가 적용된 복수의 피크를 스크린하여 가장 큰 값을 갖는 제1 피크 그룹을 선택한다. 단계 S360에서 제1 피크 그룹을 기반으로 상기 LPPL 모델의 상기 LPPL 파라미터에 적용할 초기 LPPL 파라미터를 산출한다. 주기가 2π인 것을 고려하여 피크 그룹을 기준으로 복수개의 특정 값을 지정한 후 복수개의 파라미터에 관한 방정식의 해를 찾을 수 있다.In step S350, a plurality of peaks to which peak weights are applied are screened and the first peak group with the largest value is selected. In step S360, an initial LPPL parameter to be applied to the LPPL parameter of the LPPL model is calculated based on the first peak group. Considering that the period is 2π, solutions to equations for a plurality of parameters can be found by specifying a plurality of specific values based on the peak group.

단계 S370에서 유전자 알고리즘 기반으로 LPPL 파라미터를 최적화한다. 비선형 알고리즘을 통해 모집단을 재추정한다. 초기 모집단으로 초기 LPPL 파라미터를 적용한다. 재추정하는 과정에서 LPPL 파라미터의 한계 범위를 고려할 수 있다. 각 파라미터들의 변화된 수치(자식 세대의 데이터)가 생성될 때마다 이를 모집단에 합류시킨다. 이후 각 파라미터 벡터에 대해 RMSE를 계산한 후, 이 값이 상위 비율을 고려하여 우수성을 가질 시 이를 다음 세대의 부모 세대로 지정하고, 동일 과정을 반복한다.In step S370, LPPL parameters are optimized based on a genetic algorithm. The population is re-estimated using a non-linear algorithm. Apply the initial LPPL parameters as the initial population. In the process of re-estimation, the limiting range of LPPL parameters can be considered. Whenever changed values of each parameter (child generation data) are generated, they are added to the population. Afterwards, RMSE is calculated for each parameter vector, and if this value has superiority considering the upper ratio, it is designated as the parent generation of the next generation and the same process is repeated.

단계 S380에서 반복 변수가 최대 반복 변수를 넘는지를 판단하고 단계 S390에서 최종적인 LPPL 파라미터를 출력한다.In step S380, it is determined whether the repetition variable exceeds the maximum repetition variable, and in step S390, the final LPPL parameter is output.

초기 LPPL 파라미터를 산출하는 과정에서 피크 가중치가 적용된 복수의 피크를 스크린하여 가장 큰 값을 갖는 제1 피크 그룹을 선택하고, 제1 피크 그룹을 기반으로 LPPL 모델의 LPPL 파라미터에 적용할 제1 초기 LPPL 파라미터를 산출한다. In the process of calculating the initial LPPL parameters, a plurality of peaks to which peak weights are applied are screened to select the first peak group with the largest value, and the first initial LPPL to be applied to the LPPL parameters of the LPPL model based on the first peak group. Calculate parameters.

초기 LPPL 파라미터를 산출하는 과정에서 피크 가중치가 적용된 복수의 피크를 스크린하여 두번째 큰 값을 갖는 제2 피크 그룹을 선택하고, 제2 피크 그룹을 기반으로 LPPL 모델의 LPPL 파라미터에 적용할 제2 초기 LPPL 파라미터를 산출할 수 있다.In the process of calculating the initial LPPL parameters, a plurality of peaks to which peak weights are applied are screened to select a second peak group with the second largest value, and a second initial LPPL to be applied to the LPPL parameters of the LPPL model based on the second peak group. Parameters can be calculated.

도 4는 본 발명의 다른 실시예에 따른 자산 버블 임계 예측 방법의 LPPL 파라미터를 최적화하는 단계를 예시한 흐름도이다.Figure 4 is a flowchart illustrating the steps of optimizing the LPPL parameter of the asset bubble threshold prediction method according to another embodiment of the present invention.

도 4를 참조하면, 단계 S410에서 유전자 알고리즘의 하이퍼 파라미터를 설정한다. 유전 알고리즘의 진화 전략을 제어하는 하이퍼 파라미터를 조절하는 것은 진화 전략에 영향을 주는 개체 집단 옵션, 적합 스케일링 옵션, 선택 옵션, 번식 옵션, 변이 옵션, 교차 옵션, 정지 기준 옵션, 또는 이들의 조합을 변경할 수 있다.Referring to FIG. 4, hyperparameters of the genetic algorithm are set in step S410. Adjusting the hyperparameters that control the evolutionary strategy of a genetic algorithm changes the population options, fitness scaling options, selection options, breeding options, mutation options, crossover options, stopping criteria options, or combinations thereof that affect the evolution strategy. You can.

단계 S420에서 복수의 개체 집단을 생성한다. 단계 S430에서 개체 집단 1을 진화시킨다. 단계 S440에서 마이그레이션을 수행한다. 이후 개체 집단 2를 진화시키고 다시 마이그레이션을 수행한다. 이러한 동작을 반복한다.In step S420, a plurality of entity groups are created. In step S430, population 1 is evolved. Migration is performed in step S440. Afterwards, population population 2 is evolved and migration is performed again. Repeat these actions.

단계 S450에서 엘리트를 추출한다. 단계 S460에서 엘리트 변화 여부를 판단하고, 단계 S470에서 성능 오차 지표 변화 여부를 판단한다. 엘리트 변화 여부 및 성능 오차 지표(예컨대 RMSE) 변화의 결과에 따라 단계를 반복한다.Extract the elite in step S450. In step S460, it is determined whether the elite has changed, and in step S470, whether the performance error index has changed. The steps are repeated depending on whether the elite has changed and whether the performance error index (e.g. RMSE) has changed.

최적화된 LPPL 파라미터를 산출하는 단계는, 초기 LPPL 파라미터에 개체 집단의 진화 과정을 고려하여 선택, 번식, 변이, 교차를 반복적으로 거쳐 최적화된 값을 도출하는 유전 알고리즘을 적용하여 최적화된 LPPL 파라미터를 산출할 수 있다.The step of calculating the optimized LPPL parameters is to calculate the optimized LPPL parameters by applying a genetic algorithm to the initial LPPL parameters to derive optimized values through repeated selection, breeding, mutation, and crossing considering the evolutionary process of the population. can do.

최적화된 LPPL 파라미터를 산출하는 단계는 제1 초기 LPPL 파라미터로부터 개체 집단의 진화를 시작하고, 제2 초기 파라미터를 선택, 번식, 변이, 교차에 일시적으로 적용하여 변경할 수 있다. 유전 알고리즘의 진화 전략을 제어하는 하이퍼 파라미터를 조절하는 단계는 제2 초기 파라미터를 이용하여 하이퍼 파라미터를 변경할 수 있다. 선택, 변이, 교차 과정에서 제2 초기 파라미터의 일부 또는 전부를 적용할 수 있다.The step of calculating the optimized LPPL parameters starts with the evolution of the population of individuals from the first initial LPPL parameters and can be changed by temporarily applying the second initial parameters to selection, breeding, mutation, and crossover. In the step of adjusting the hyper parameters that control the evolution strategy of the genetic algorithm, the hyper parameters can be changed using the second initial parameter. Some or all of the second initial parameters can be applied during selection, mutation, and crossover processes.

도 5는 본 발명의 다른 실시예에 따른 자산 버블 임계 예측 방법이 산출하는 LPPL 파라미터를 예시한 도면이다.Figure 5 is a diagram illustrating LPPL parameters calculated by the asset bubble threshold prediction method according to another embodiment of the present invention.

복수의 LPPL 파라미터는 가격 파라미터(A), 거리 파라미터(B), 파동 파라미터(C), 시간 파라미터(tc), 위상 파라미터(Φ), 빈도 파라미터(ω), 및 지수 파라미터(β)를 포함한다.The plurality of LPPL parameters include a price parameter (A), a distance parameter (B), a wave parameter (C), a time parameter (t c ), a phase parameter (Φ), a frequency parameter (ω), and an exponential parameter (β). do.

가격 파라미터(A)는 임계 시점의 가격, 현재 가격보다 높은 가격을 의미한다. 거리 파라미터(B)는 음수이며, 임계 가격까지의 거리 측정을 의미한다. B는 C가 0에 가까울 때 붕괴 전 시간에서 증가한다. 파동 파라미터(C)는 지수 추세 주변의 파동 크기를 제어한다. 파동은 추세를 압도할 수 없음을 고려하여 설정된다. 시간 파라미터(tc)는 가장 붕괴 가능성이 높은 시간을 의미한다. 위상 파라미터(Φ)는 위상 조정에 관한 파라미터이다. 빈도 파라미터(ω)는 자산 버블 동안의 변동 빈도를 의미한다. 너무 작은 값은 잘못된 파동이고, 너무 큰 값은 랜덤 노이즈 맞추는 것을 고려한다. 지수 파라미터(β)는 멱함수 성장의 지수를 의미한다. 음수이면 무한 임계 가격을 나타내고, 0에 가까운 양수이면 추세 없음을 나타내고, 1에 가까운 양수이면 낮은 위험률을 나타낸다.The price parameter (A) refers to the price at the critical point, the price higher than the current price. The distance parameter (B) is negative and represents a measure of the distance to the threshold price. B increases in the time before collapse when C is close to 0. The wave parameter (C) controls the size of waves around an exponential trend. Waves are set considering that they cannot overpower the trend. The time parameter (t c ) refers to the time when collapse is most likely. The phase parameter (Φ) is a parameter related to phase adjustment. The frequency parameter (ω) refers to the frequency of fluctuations during an asset bubble. A value that is too small is an incorrect wave, and a value that is too large is considered random noise. The exponential parameter (β) refers to the exponent of power law growth. A negative number indicates an infinite critical price, a positive number close to 0 indicates no trend, and a positive number close to 1 indicates a low risk rate.

도 6은 본 발명의 다른 실시예에 따른 자산 버블 임계 예측 방법이 조절하는 하이퍼 파라미터를 예시한 도면이다.Figure 6 is a diagram illustrating hyper parameters adjusted by the asset bubble threshold prediction method according to another embodiment of the present invention.

유전 알고리즘의 진화 전략을 제어하는 하이퍼 파라미터는 진화 전략에 영향을 주는 개체 집단 옵션, 적합 스케일링 옵션, 선택 옵션, 번식 옵션, 변이 옵션, 교차 옵션, 정지 기준 옵션을 포함한다.Hyperparameters that control the evolution strategy of genetic algorithms include population population options, fitness scaling options, selection options, breeding options, mutation options, crossover options, and stopping criterion options that affect the evolution strategy.

개체 집단 옵션은 다양한 데이터 형태로 설정될 수 있고, 생성하는 결정변수(해)의 수를 조절할 수 있다. 적합 스케일링 옵션은 순위, 비례, 상위, 선형 이동을 기준으로 설정될 수 있다. 선택 옵션은 확률분포 선택, 균등 선택, 룰렛 선택, 토너먼트 선택, 엘리트 보존 선택 등을 고려하여 설정될 수 있다. 번식 옵션은 엘리트 수, 다음세대로의 교배 비율 등을 고려하여 설정될 수 있다. 변이 옵션은 가우시안 돌연변이, 균등분포 돌연변이, 특정 값을 바탕으로한 돌연변이 등을 고려하여 설정될 수 있다. 교차 옵션은 랜덤 교배, 한 결정변수 기준 교배, 두 점 기준 교배, 변수에 랜덤 가중치를 두어 교배, 목적함수가 낮은 변수에 가중치를 두어 교배, 산술평균 교배 등을 고려하여 설정될 수 있다. 정지 기준 옵션은 세대수 기준, 시간 기준, 결정한 최적해 기준 등을 고려하여 설정될 수 있다.Population options can be set to various data types, and the number of decision variables (solutions) generated can be adjusted. Adaptive scaling options can be set based on rank, proportional, upward, or linear shift. Selection options can be set considering probability distribution selection, uniform selection, roulette selection, tournament selection, elite preservation selection, etc. Breeding options can be set considering the number of elites, the mating rate to the next generation, etc. Mutation options can be set considering Gaussian mutation, uniform distribution mutation, mutation based on a specific value, etc. Crossing options can be set considering random crossing, crossing based on one decision variable, crossing based on two points, crossing by randomly weighting variables, crossing by weighting variables with low objective functions, crossing by arithmetic mean, etc. The stopping criteria option can be set considering the number of households, time, and determined optimal solution criteria.

도 7은 본 발명의 다른 실시예에 따른 자산 버블 임계 예측 방법이 도출한 최적화된 LPPL 파라미터를 예시한 도면이고, 도 8은 본 발명의 다른 실시예에 따른 자산 버블 임계 예측 방법이 도출한 최적화된 LPPL 파라미터를 적용한 LPPL 모델의 버블 임계 감지에 대한 상대 오차 결과를 예시한 도면이다.Figure 7 is a diagram illustrating the optimized LPPL parameters derived by the asset bubble criticality prediction method according to another embodiment of the present invention, and Figure 8 is a diagram illustrating the optimized LPPL parameters derived by the asset bubble criticality prediction method according to another embodiment of the present invention. This figure illustrates the relative error results for bubble threshold detection of the LPPL model applying LPPL parameters.

최적 적합의 상대 오차 분석을 통해 미국 지수, 일본 지수, 홍콩 지수, 중국 지수에서 버블 붕괴 사례를 정확하게 잡아 낼 수 있음을 확인할 수 있다.Through the relative error analysis of the best fit, it can be confirmed that bubble burst cases can be accurately captured in the US index, Japanese index, Hong Kong index, and Chinese index.

도 9 내지 도 11은 본 발명의 다른 실시예에 따른 자산 버블 임계 예측 방법이 적용하는 LPPL 모델의 LPPL 파라미터 간에 성능 오차 지표의 민감도를 예시한 도면이다.Figures 9 to 11 are diagrams illustrating the sensitivity of performance error indicators between LPPL parameters of the LPPL model applied by the asset bubble threshold prediction method according to another embodiment of the present invention.

RMSE(Root Mean Squared Error)의 민감도 분석을 통해 시간 파라미터(tc), 위상 파라미터(Φ), 빈도 파라미터(ω), 및 지수 파라미터(β)의 상호 관계를 확인한 결과, 빈도 파라미터(ω)의 작은 변동에 높은 민감도를 나타내었다. 이는 LPPL 모델에 유전자 알고리즘을 적용할 필요가 있음을 나타낸다. 빈도 파라미터의 초기 값이 지역적 최소 값에 가까우면 지역 최적화 오류에 빠질 수 있으나 유전자 알고리즘으로 이러한 문제를 극복할 수 있고, 유전자 알고리즘의 하이퍼 파라미터를 조절하여 처리 속도를 향상시킬 수 있다.As a result of confirming the interrelationship between the time parameter (t c ), phase parameter (Φ), frequency parameter (ω), and exponential parameter (β) through sensitivity analysis of RMSE (Root Mean Squared Error), the frequency parameter (ω) It showed high sensitivity to small fluctuations. This indicates the need to apply a genetic algorithm to the LPPL model. If the initial value of the frequency parameter is close to the local minimum, a local optimization error may occur. However, this problem can be overcome with a genetic algorithm, and the processing speed can be improved by adjusting the hyperparameters of the genetic algorithm.

도 12 및 도 13은 본 발명의 실시예들을 시뮬레이션한 결과에 따라 자산 버블 임계 예측 정확도를 나타내는 도면이다.Figures 12 and 13 are diagrams showing asset bubble threshold prediction accuracy according to simulation results of embodiments of the present invention.

미국 지수, 일본 지수, 홍콩 지수, 중국 지수에 대해서 시뮬레이션한 결과를 살펴보면, 순환 주기 내의 피크 검출하고 현재 시점을 고려하여 가중치를 적용하여 초기 파라미터를 추정하고, 하이퍼 파라미터를 조정한 유전자 알고리즘을 이용하여 파라미터를 최적화한 후 이를 기반으로 설계된 LPPL 모델을 통해 예측한 버블 붕괴 시점의 예측 정확도가 향상됨을 확인할 수 있다. 게다가 유전자 알고리즘의 하이퍼 파라미터를 조절하는 방식을 통해 버블 임계 예측을 처리하는 속도를 개선할 수 있다.Looking at the simulation results for the U.S. index, Japanese index, Hong Kong index, and China index, peaks within the cycle are detected, weights are applied considering the current point, initial parameters are estimated, and hyperparameters are adjusted using a genetic algorithm. After optimizing the parameters, it can be confirmed that the prediction accuracy of the bubble collapse time predicted through the LPPL model designed based on this is improved. In addition, the speed of processing bubble threshold prediction can be improved by adjusting the hyperparameters of the genetic algorithm.

도 14는 본 발명의 실시예들을 실시하는 컴퓨팅 디바이스를 예시한 블록도이다.Figure 14 is a block diagram illustrating a computing device practicing embodiments of the present invention.

컴퓨팅 디바이스(1010)는 적어도 하나의 프로세서(1020), 컴퓨터 판독 가능한 저장매체(1030) 및 통신 버스(1070)를 포함한다. Computing device 1010 includes at least one processor 1020, a computer-readable storage medium 1030, and a communication bus 1070.

프로세서(1020)는 컴퓨팅 디바이스(1010)를 동작하도록 제어할 수 있다. 예컨대, 프로세서(1020)는 컴퓨터 판독 가능한 저장 매체(1030)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 컴퓨터 실행 가능 명령어는 프로세서(1020)에 의해 실행되는 경우 컴퓨팅 디바이스(1010)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.The processor 1020 may control the computing device 1010 to operate. For example, the processor 1020 may execute one or more programs stored in the computer-readable storage medium 1030. One or more programs may include one or more computer-executable instructions, which, when executed by processor 1020, may be configured to cause computing device 1010 to perform operations according to example embodiments. there is.

컴퓨터 판독 가능한 저장 매체(1030)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능한 저장 매체(1030)에 저장된 프로그램(1040)은 프로세서(1020)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독한 가능 저장 매체(1030)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 디바이스(1010)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.The computer-readable storage medium 1030 is configured to store computer-executable instructions or program code, program data, and/or other suitable form of information. The program 1040 stored in the computer-readable storage medium 1030 includes a set of instructions executable by the processor 1020. In one embodiment, computer-readable storage medium 1030 includes memory (volatile memory, such as random access memory, non-volatile memory, or a suitable combination thereof), one or more magnetic disk storage devices, optical disk storage devices, It may be flash memory devices, another form of storage medium that can be accessed by computing device 1010 and store desired information, or a suitable combination thereof.

통신 버스(1070)는 프로세서(1020), 컴퓨터 판독 가능한 저장 매체(1040)를 포함하여 컴퓨팅 디바이스(1010)의 다른 다양한 컴포넌트들을 상호 연결한다.Communication bus 1070 interconnects various other components of computing device 1010, including processor 1020 and computer-readable storage medium 1040.

컴퓨팅 디바이스(1010)는 또한 하나 이상의 입출력 장치를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(1050) 및 하나 이상의 통신 인터페이스(1060)를 포함할 수 있다. 입출력 인터페이스(1050) 및 통신 인터페이스(1060)는 통신 버스(1070)에 연결된다. 입출력 장치(미도시)는 입출력 인터페이스(1050)를 통해 컴퓨팅 디바이스(1010)의 다른 컴포넌트들에 연결될 수 있다.Computing device 1010 may also include one or more input/output interfaces 1050 and one or more communication interfaces 1060 that provide an interface for one or more input/output devices. The input/output interface 1050 and communication interface 1060 are connected to the communication bus 1070. Input/output devices (not shown) may be connected to other components of computing device 1010 through input/output interface 1050.

도 2에서는 각각의 과정을 순차적으로 실행하는 것으로 기재하고 있으나 이는 예시적으로 설명한 것에 불과하고, 이 분야의 기술자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 2에 기재된 순서를 변경하여 실행하거나 또는 하나 이상의 과정을 병렬적으로 실행하거나 다른 과정을 추가하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이다.In FIG. 2, each process is described as being executed sequentially, but this is only an illustrative explanation, and those skilled in the art can change the order shown in FIG. 2 and execute it without departing from the essential characteristics of the embodiments of the present invention. Alternatively, it may be applied through various modifications and modifications, such as executing one or more processes in parallel or adding other processes.

본 실시예들에 따른 동작은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능한 매체에 기록될 수 있다. 컴퓨터 판독 가능한 매체는 실행을 위해 프로세서에 명령어를 제공하는 데 참여한 임의의 매체를 나타낸다. 컴퓨터 판독 가능한 매체는 프로그램 명령, 데이터 파일, 데이터 구조 또는 이들의 조합을 포함할 수 있다. 예를 들면, 자기 매체, 광기록 매체, 메모리 등이 있을 수 있다. 컴퓨터 프로그램은 네트워크로 연결된 컴퓨터 시스템 상에 분산되어 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 본 실시예를 구현하기 위한 기능적인(Functional) 프로그램, 코드, 및 코드 세그먼트들은 본 실시예가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있을 것이다.Operations according to the present embodiments may be implemented in the form of program instructions that can be performed through various computer means and recorded on a computer-readable medium. Computer-readable media refers to any media that participates in providing instructions to a processor for execution. Computer-readable media may include program instructions, data files, data structures, or combinations thereof. For example, there may be magnetic media, optical recording media, memory, etc. A computer program may be distributed over networked computer systems so that computer-readable code can be stored and executed in a distributed manner. Functional programs, codes, and code segments for implementing this embodiment can be easily deduced by programmers in the technical field to which this embodiment belongs.

본 실시예들은 본 실시예의 기술 사상을 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.These embodiments are intended to explain the technical idea of the present embodiment, and the scope of the technical idea of the present embodiment is not limited by these examples. The scope of protection of this embodiment should be interpreted in accordance with the claims below, and all technical ideas within the equivalent scope should be interpreted as being included in the scope of rights of this embodiment.

Claims (16)

자산 버블 임계 예측 장치에 의한 자산 버블 임계 예측 방법에 있어서,
LPPL(Log Periodic Power Law) 이론에 따라 복수의 LPPL 파라미터로 LPPL 모델을 정의하는 단계;
상기 LPPL 모델에서 순환 주기 내의 피크를 선정하여 상기 LPPL 모델의 상기 LPPL 파라미터에 적용할 초기 LPPL 파라미터를 산출하는 단계;
상기 초기 LPPL 파라미터를 기반으로 유전 알고리즘을 이용하여 최적화된 LPPL 파라미터를 산출하는 단계;
상기 유전 알고리즘의 진화 전략을 제어하는 하이퍼 파라미터를 조절하는 단계; 및
상기 최적화된 LPPL 파라미터를 적용한 LPPL 모델을 통해 시계열 가격 데이터로부터 버블 붕괴 시점을 산출하는 단계를 포함하는 자산 버블 임계 예측 방법.
In the asset bubble criticality prediction method by the asset bubble criticality prediction device,
Defining an LPPL model with a plurality of LPPL parameters according to Log Periodic Power Law (LPPL) theory;
selecting a peak within a circulation period in the LPPL model to calculate an initial LPPL parameter to be applied to the LPPL parameter of the LPPL model;
Calculating optimized LPPL parameters using a genetic algorithm based on the initial LPPL parameters;
adjusting hyper-parameters that control the evolution strategy of the genetic algorithm; and
An asset bubble criticality prediction method comprising calculating the bubble burst point from time series price data through an LPPL model applying the optimized LPPL parameters.
제1항에 있어서,
상기 복수의 LPPL 파라미터는 가격 파라미터, 거리 파라미터, 파동 파라미터, 시간 파라미터, 위상 파라미터, 빈도 파라미터, 및 지수 파라미터를 포함하고,
상기 LPPL 모델은 상기 LPPL 이론에 따라 상기 가격 파라미터, 상기 거리 파라미터, 상기 파동 파라미터, 상기 시간 파라미터, 상기 위상 파라미터, 상기 빈도 파라미터, 및 상기 지수 파라미터의 관계식으로 표현되는 것을 특징으로 하는 자산 버블 임계 예측 방법.
According to paragraph 1,
The plurality of LPPL parameters include a price parameter, a distance parameter, a wave parameter, a time parameter, a phase parameter, a frequency parameter, and an exponential parameter,
The LPPL model is an asset bubble threshold prediction, characterized in that it is expressed as a relational expression of the price parameter, the distance parameter, the wave parameter, the time parameter, the phase parameter, the frequency parameter, and the exponential parameter according to the LPPL theory. method.
제1항에 있어서,
상기 초기 LPPL 파라미터를 산출하는 단계는,
상기 시계열 가격 데이터를 이용하여 상기 순환 주기 내에서 복수의 피크를 갖는 피크 그룹을 검출하고,
현재 시점을 고려하여 상기 복수의 피크에 피크 가중치를 차등적으로 적용하고,
상기 피크 가중치가 적용된 복수의 피크를 스크린하여 가장 큰 값을 갖는 제1 피크 그룹을 선택하고,
상기 제1 피크 그룹을 기반으로 상기 LPPL 모델의 상기 LPPL 파라미터에 적용할 초기 LPPL 파라미터를 산출하는 것을 특징으로 하는 자산 버블 임계 예측 방법.
According to paragraph 1,
The step of calculating the initial LPPL parameter is,
Detecting a peak group having a plurality of peaks within the circulation period using the time series price data,
Peak weights are differentially applied to the plurality of peaks in consideration of the current point in time,
Screening a plurality of peaks to which the peak weight is applied and selecting the first peak group with the largest value,
An asset bubble threshold prediction method, characterized in that calculating an initial LPPL parameter to be applied to the LPPL parameter of the LPPL model based on the first peak group.
제3항에 있어서,
상기 최적화된 LPPL 파라미터를 산출하는 단계는,
상기 초기 LPPL 파라미터에 개체 집단의 진화 과정을 고려하여 선택, 번식, 변이, 교차를 반복적으로 거쳐 최적화된 값을 도출하는 유전 알고리즘을 적용하여 상기 최적화된 LPPL 파라미터를 산출하는 것을 특징으로 하는 자산 버블 임계 예측 방법.
According to paragraph 3,
The step of calculating the optimized LPPL parameters is,
An asset bubble threshold, characterized in that the optimized LPPL parameters are calculated by applying a genetic algorithm to the initial LPPL parameters to derive optimized values through repeated selection, breeding, mutation, and crossover in consideration of the evolutionary process of the population of individuals. Prediction method.
제4항에 있어서,
상기 초기 LPPL 파라미터를 산출하는 단계는,
상기 피크 가중치가 적용된 복수의 피크를 스크린하여 가장 큰 값을 갖는 제1 피크 그룹을 선택하고,
상기 제1 피크 그룹을 기반으로 상기 LPPL 모델의 상기 LPPL 파라미터에 적용할 제1 초기 LPPL 파라미터를 산출하고,
상기 피크 가중치가 적용된 복수의 피크를 스크린하여 두번째 큰 값을 갖는 제2 피크 그룹을 선택하고,
상기 제2 피크 그룹을 기반으로 상기 LPPL 모델의 상기 LPPL 파라미터에 적용할 제2 초기 LPPL 파라미터를 산출하는 것을 특징으로 하는 자산 버블 임계 예측 방법.
According to clause 4,
The step of calculating the initial LPPL parameter is,
Screening a plurality of peaks to which the peak weight is applied and selecting the first peak group with the largest value,
Calculating a first initial LPPL parameter to be applied to the LPPL parameter of the LPPL model based on the first peak group,
Screening a plurality of peaks to which the peak weight is applied and selecting a second peak group with the second largest value,
An asset bubble threshold prediction method, characterized in that for calculating a second initial LPPL parameter to be applied to the LPPL parameter of the LPPL model based on the second peak group.
제5항에 있어서,
상기 최적화된 LPPL 파라미터를 산출하는 단계는 상기 제1 초기 LPPL 파라미터로부터 개체 집단의 진화를 시작하고, 상기 제2 초기 파라미터를 상기 선택, 상기 번식, 상기 변이, 상기 교차에 일시적으로 적용하여 변경하고,
상기 유전 알고리즘의 진화 전략을 제어하는 하이퍼 파라미터를 조절하는 단계는 상기 제2 초기 파라미터를 이용하여 상기 하이퍼 파라미터를 변경하는 것을 특징으로 하는 자산 버블 임계 예측 방법.
According to clause 5,
The step of calculating the optimized LPPL parameters starts the evolution of the population of individuals from the first initial LPPL parameters, and changes the second initial parameters by temporarily applying the selection, the breeding, the mutation, and the crossing,
The step of adjusting the hyper-parameters that control the evolution strategy of the genetic algorithm is an asset bubble threshold prediction method, characterized in that the hyper-parameters are changed using the second initial parameters.
제3항에 있어서,
상기 유전 알고리즘의 진화 전략을 제어하는 하이퍼 파라미터를 조절하는 단계는, 상기 진화 전략에 영향을 주는 개체 집단 옵션, 적합 스케일링 옵션, 선택 옵션, 번식 옵션, 변이 옵션, 교차 옵션, 정지 기준 옵션, 또는 이들의 조합을 변경하는 것을 특징으로 하는 자산 버블 임계 예측 방법.
According to paragraph 3,
The step of adjusting the hyperparameters that control the evolution strategy of the genetic algorithm includes population population options, fitness scaling options, selection options, breeding options, mutation options, crossover options, stopping criteria options, or these that affect the evolution strategy. An asset bubble criticality prediction method characterized by changing the combination of .
자산 버블 임계 예측 장치에 있어서,
LPPL(Log Periodic Power Law) 이론에 따라 복수의 LPPL 파라미터로 정의된 LPPL 모델;
상기 LPPL 모델에서 순환 주기 내의 피크를 선정하여 상기 LPPL 모델의 LPPL 파라미터에 적용할 초기 LPPL 파라미터를 산출하는 제1 초기 파라미터 산출부;
상기 초기 LPPL 파라미터를 기반으로 유전 알고리즘을 이용하여 최적화된 LPPL 파라미터를 산출하는 파라미터 최적화부;
상기 유전 알고리즘의 진화 전략을 제어하는 하이퍼 파라미터를 조절하는 하이퍼 파라미터 조절부; 및
상기 최적화된 LPPL 파라미터를 적용한 상기 LPPL 모델을 통해 시계열 가격 데이터로부터 버블 붕괴 시점을 산출하는 버블 붕괴 예측부를 포함하는 자산 버블 임계 예측 장치.
In the asset bubble criticality prediction device,
LPPL model defined with multiple LPPL parameters according to Log Periodic Power Law (LPPL) theory;
a first initial parameter calculation unit that selects a peak within a circulation period in the LPPL model and calculates an initial LPPL parameter to be applied to the LPPL parameter of the LPPL model;
a parameter optimization unit that calculates optimized LPPL parameters using a genetic algorithm based on the initial LPPL parameters;
a hyper-parameter control unit that adjusts hyper-parameters that control the evolution strategy of the genetic algorithm; and
An asset bubble criticality prediction device including a bubble burst prediction unit that calculates the bubble burst time from time series price data through the LPPL model to which the optimized LPPL parameters are applied.
제8항에 있어서,
상기 복수의 LPPL 파라미터는 가격 파라미터, 거리 파라미터, 파동 파라미터, 시간 파라미터, 위상 파라미터, 빈도 파라미터, 및 지수 파라미터를 포함하고,
상기 LPPL 모델은 상기 LPPL 이론에 따라 상기 가격 파라미터, 상기 거리 파라미터, 상기 파동 파라미터, 상기 시간 파라미터, 상기 위상 파라미터, 상기 빈도 파라미터, 및 상기 지수 파라미터의 관계식으로 표현되는 것을 특징으로 하는 자산 버블 임계 예측 장치.
According to clause 8,
The plurality of LPPL parameters include a price parameter, a distance parameter, a wave parameter, a time parameter, a phase parameter, a frequency parameter, and an exponential parameter,
The LPPL model is an asset bubble threshold prediction, characterized in that it is expressed as a relational expression of the price parameter, the distance parameter, the wave parameter, the time parameter, the phase parameter, the frequency parameter, and the exponential parameter according to the LPPL theory. Device.
제8항에 있어서,
상기 제1 초기 파라미터 산출부는,
상기 시계열 가격 데이터를 이용하여 상기 순환 주기 내에서 복수의 피크를 갖는 피크 그룹을 검출하고,
현재 시점을 고려하여 상기 복수의 피크에 피크 가중치를 차등적으로 적용하고,
상기 피크 가중치가 적용된 복수의 피크를 스크린하여 가장 큰 값을 갖는 제1 피크 그룹을 선택하고,
상기 제1 피크 그룹을 기반으로 상기 LPPL 모델의 상기 LPPL 파라미터에 적용할 초기 LPPL 파라미터를 산출하는 것을 특징으로 하는 자산 버블 임계 예측 장치.
According to clause 8,
The first initial parameter calculation unit,
Detecting a peak group having a plurality of peaks within the circulation period using the time series price data,
Peak weights are differentially applied to the plurality of peaks in consideration of the current point in time,
Screening a plurality of peaks to which the peak weight is applied and selecting the first peak group with the largest value,
An asset bubble threshold prediction device, characterized in that for calculating an initial LPPL parameter to be applied to the LPPL parameter of the LPPL model based on the first peak group.
제10항에 있어서,
상기 파라미터 최적화부는,
상기 초기 LPPL 파라미터에 개체 집단의 진화 과정을 고려하여 선택, 번식, 변이, 교차를 반복적으로 거쳐 최적화된 값을 도출하는 유전 알고리즘을 적용하여 상기 최적화된 LPPL 파라미터를 산출하는 것을 특징으로 하는 자산 버블 임계 예측 장치.
According to clause 10,
The parameter optimization unit,
An asset bubble threshold, characterized in that the optimized LPPL parameters are calculated by applying a genetic algorithm to the initial LPPL parameters to derive optimized values through repeated selection, breeding, mutation, and crossover in consideration of the evolutionary process of the population of individuals. Prediction device.
제11항에 있어서,
상기 LPPL 모델에 접근 가능한 제2 초기 파라미터 산출부; 및
상기 제1 초기 파라미터 산출부 및 상기 제2 초기 파라미터 산출부에 연결된 피크 그룹 조절부를 포함하며,
상기 피크 그룹 조절부는 상기 피크 가중치가 적용된 복수의 피크를 스크린하여 가장 큰 값을 갖는 제1 피크 그룹을 선택하고,
상기 제1 초기 파라미터 산출부는 상기 제1 피크 그룹을 기반으로 상기 LPPL 모델의 상기 LPPL 파라미터에 적용할 제1 초기 LPPL 파라미터를 산출하고,
상기 피크 그룹 조절부는 상기 피크 가중치가 적용된 복수의 피크를 스크린하여 두번째 큰 값을 갖는 제2 피크 그룹을 선택하고,
상기 제2 초기 파라미터 산출부는 상기 제2 피크 그룹을 기반으로 상기 LPPL 모델의 상기 LPPL 파라미터에 적용할 제2 초기 LPPL 파라미터를 산출하는 것을 특징으로 하는 자산 버블 임계 예측 장치.
According to clause 11,
a second initial parameter calculation unit accessible to the LPPL model; and
It includes a peak group adjustment unit connected to the first initial parameter calculation unit and the second initial parameter calculation unit,
The peak group adjuster screens a plurality of peaks to which the peak weight is applied and selects the first peak group with the largest value,
The first initial parameter calculation unit calculates a first initial LPPL parameter to be applied to the LPPL parameter of the LPPL model based on the first peak group,
The peak group adjuster screens a plurality of peaks to which the peak weight is applied and selects a second peak group with a second largest value,
The second initial parameter calculation unit calculates a second initial LPPL parameter to be applied to the LPPL parameter of the LPPL model based on the second peak group.
제12항에 있어서,
상기 파라미터 최적화부는 상기 제1 초기 LPPL 파라미터로부터 개체 집단의 진화를 시작하고, 상기 제2 초기 파라미터를 상기 선택, 상기 번식, 상기 변이, 상기 교차에 일시적으로 적용하여 변경하고,
상기 하이퍼 파라미터 조절부는 상기 제2 초기 파라미터를 이용하여 상기 하이퍼 파라미터를 변경하는 것을 특징으로 하는 자산 버블 임계 예측 장치.
According to clause 12,
The parameter optimization unit starts the evolution of a population of individuals from the first initial LPPL parameters and changes the second initial parameters by temporarily applying them to the selection, breeding, mutation, and crossover,
The hyper-parameter control unit is an asset bubble threshold prediction device, characterized in that the hyper-parameter is changed using the second initial parameter.
제8항에 있어서,
상기 하이퍼 파라미터 조절부는, 상기 진화 전략에 영향을 주는 개체 집단 옵션, 적합 스케일링 옵션, 선택 옵션, 번식 옵션, 변이 옵션, 교차 옵션, 정지 기준 옵션, 또는 이들의 조합을 변경하는 것을 특징으로 하는 자산 버블 임계 예측 장치.
According to clause 8,
The hyper-parameter control unit is an asset bubble characterized in that it changes a population option, a fitness scaling option, a selection option, a breeding option, a mutation option, a crossover option, a stopping criterion option, or a combination thereof that affects the evolution strategy. Critical prediction device.
컴퓨터에 의해 실행 가능한 컴퓨터 프로그램을 저장하는 컴퓨터 판독 가능한 저장 매체에 있어서,
제1항 내지 제7항 중 한 항에 기재된 방법을 실행할 수 있는 컴퓨터 프로그램을 기록한 컴퓨터 판독 가능한 저장 매체.
A computer-readable storage medium storing a computer program executable by a computer,
A computer-readable storage medium recording a computer program capable of executing the method according to any one of claims 1 to 7.
프로세서에 의해 실행 가능한 컴퓨터 프로그램 명령어들을 포함하는 컴퓨터 판독 가능한 저장 매체에 기록된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램 명령어들이 프로세서에 의해 실행되는 경우에,
제1항 내지 제7항 중 한 항에 기재된 방법을 수행하는 것을 특징으로 하는 컴퓨터 프로그램.
A computer program recorded on a computer-readable storage medium containing computer program instructions executable by a processor, wherein when the computer program instructions are executed by the processor,
A computer program characterized in that it performs the method according to any one of claims 1 to 7.
KR1020220093346A 2022-07-27 2022-07-27 Method and apparatus for predicting critical state of asset price bubble using improved log periodic power law (lppl) algorithm KR20240015453A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220093346A KR20240015453A (en) 2022-07-27 2022-07-27 Method and apparatus for predicting critical state of asset price bubble using improved log periodic power law (lppl) algorithm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220093346A KR20240015453A (en) 2022-07-27 2022-07-27 Method and apparatus for predicting critical state of asset price bubble using improved log periodic power law (lppl) algorithm

Publications (1)

Publication Number Publication Date
KR20240015453A true KR20240015453A (en) 2024-02-05

Family

ID=89904015

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220093346A KR20240015453A (en) 2022-07-27 2022-07-27 Method and apparatus for predicting critical state of asset price bubble using improved log periodic power law (lppl) algorithm

Country Status (1)

Country Link
KR (1) KR20240015453A (en)

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Boost and Burst: Bubbles in the Bitcoin Market", Kwangwon Ahn, (2020.06.15)
"Can government stabilize the housing market? The evidence from South Korea ", Kwangwon Ahn, (2020.07.15)
"Forecasting Financial Crashes: Revisit to Log-Periodic Power Law ", Kwangwon Ahn, (2018.08.01)

Similar Documents

Publication Publication Date Title
US20230252327A1 (en) Neural architecture search for convolutional neural networks
US10885435B2 (en) System and method for training neural networks
KR102170105B1 (en) Method and apparatus for generating neural network structure, electronic device, storage medium
US10762415B2 (en) Information processing apparatus, Ising unit, and information processing apparatus control method
Lu et al. The effects of using chaotic map on improving the performance of multiobjective evolutionary algorithms
Dash et al. Efficient stock price prediction using a self evolving recurrent neuro-fuzzy inference system optimized through a modified differential harmony search technique
US10592629B2 (en) Optimization apparatus and method of controlling the same
Corazza et al. How effective is tabu search to configure support vector regression for effort estimation?
US20220076101A1 (en) Object feature information acquisition, classification, and information pushing methods and apparatuses
Ahmad A comparative analysis of local meshless formulation for multi-asset option models
WO2020091865A1 (en) Finite rank deep kernel learning for robust time series forecasting and regression
Weissenbacher et al. Koopman q-learning: Offline reinforcement learning via symmetries of dynamics
US11977978B2 (en) Finite rank deep kernel learning with linear computational complexity
Jabeen et al. An improved software reliability prediction model by using high precision error iterative analysis method
CN111951008A (en) Risk prediction method and device, electronic equipment and readable storage medium
Xu et al. Removal of salt and pepper noise in corrupted image based on multilevel weighted graphs and IGOWA operator
WO2022182905A1 (en) Stochastic noise layers
Hanifi et al. Advanced hyperparameter optimization of deep learning models for wind power prediction
CA3082617A1 (en) Neural network training
KR20240015453A (en) Method and apparatus for predicting critical state of asset price bubble using improved log periodic power law (lppl) algorithm
US10467119B2 (en) Data-agnostic adjustment of hard thresholds based on user feedback
Prasasti et al. Customer lifetime value and defection possibility prediction model using machine learning: An application to a cloud-based software company
Rotshtein et al. Reliability modeling and optimization using fuzzy logic and chaos theory
KR20200021768A (en) An apparatus for optimizing fluid dynamics analysis and a method therefor
Cervellera et al. Lattice point sets for state sampling in approximate dynamic programming