MOCAM Lab은 금융시계열 분석을 위한 통계적·계산적 방법론을 연구하며, 특히 금융변동성 모형화와 리스크 추정에 중점을 두고 있습니다.
GARCH 계열 및 마르코프 전환 GARCH(MS-GARCH) 모형에 순차 중요도 샘플링(SIS)과 지수 틸팅(Exponential Tilting) 기법을 적용, 발생 확률은 낮지만 손실 규모는 큰 극단적 상황의 시뮬레이션을 수행합니다.
이를 바탕으로 위험값(Value-at-Risk, VaR)와 기대초과손실(Expected Shortfall, ES)의 몬테카를로 추정 오차를 줄이는 방법을 연구합니다.
최근에는 입자 필터링(Particle Filtering), 순방향 필터링·역방향 샘플링(FFBS), 몬테카를로 EM 알고리즘을 활용하여 MS-GARCH 모형의 온라인 모수 추론 방법론을 연구합니다.
나아가 마르코프 전환 다중프랙탈(Markov-Switching Multifractal) 변동성 모형으로 연구 범위를 확장하는 한편, MS-GARCH 계열 시계열 모형에서 효율적인 모수 추론을 위한 변분추론(Variational Inference) 방법론을 연구합니다.
MOCAM Lab은 복잡한 확률모형에서 효율적인 표본 생성과 통계적 추론을 수행하기 위한 몬테카를로 방법론(Monte Carlo Methods)를 연구하고 있습니다.
특히 목표 분포로부터 표본을 생성하기 어렵거나 우도함수를 직접 계산하기 어려운 상황에서, 계산 효율성을 높이고 통계적 추론의 정확성과 신뢰성을 확보하는 데 중점을 두고 있습니다.
주요 연구 분야 중 하나는 병렬 마르코프 연쇄 몬테카를로(Parallel MCMC) 방법론으로, 목표 분포의 구조를 고려한 상태공간 분할 및 병렬화, 분할 영역 가중치 추정을 통해 샘플링 효율을 높이는 방법을 연구합니다.
이와 함께, 우도함수 계산이 난해 확률모형을 위한 근사 베이지안 계산(Approximate Bayesian Computation, ABC) 기법을 다룹니다.
시뮬레이션 데이터와 관측 데이터를 대조해 사후분포를 근사하는 과정에서 발생하는 계산 병목을 해소하고, 샘플링 효율성과 추론의 신뢰성을 동시에 높이는 데 집중하고 있습니다.
MOCAM Lab은 공간 및 시공간 현상에 대한 통계적 모형화와 시뮬레이션 기반 분석을 연구하며, 특히 공간적 의존성과 시간에 따른 변화, 공간 내 개체의 이동 및 상호작용을 반영한 방법론에 중점을 두고 있습니다.
기존 연구에서는 조건부 자기회귀(Conditional Autoregressive, CAR) 모형과 베이지안 계층모형(Bayesian Hierarchical Model)을 활용하여 공간적·시간적 자기상관성을 갖는 랜덤효과를 모형화하고, 지역별 위험도를 추정하여 위험도 지도를 구축하는 방법을 연구해 왔습니다.
최근에는 보행자 동역학(Pedestrian Dynamics) 분야에서 셀룰러 오토마타(Cellular Automata, CA) 모형을 기반으로 보행자의 이동 및 대피 과정을 시뮬레이션하고, 장애물과 경로 정보가 대피 시간에 미치는 영향을 연구하고 있습니다.
이러한 연구를 질병 위험도 지도 작성, 환경 위험 분석, 지역별 위험도 평가뿐만 아니라 보행자 이동 분석 및 대피 시뮬레이션 등 다양한 분야에 적용하고 있습니다.
MOCAM Lab은 점과정(Point Processes)의 효율적인 시뮬레이션과 통계적 추론을 위한 계산 방법론을 연구합니다.
기존 연구에서는 국소안정 점과정의 기댓값을 효율적으로 추정하기 위한 적응적 중요도 샘플링(Adaptive Importance Sampling)을 개발하였습니다.
이를 통해 점과정의 강도와 공간 요약통계량 등 주요 특성을 보다 효율적으로 추정할 수 있는 계산 방법론을 제시합니다.
최근에는 다봉성 공간 강도 구조를 갖는 비균질 깁스 점과정(Inhomogeneous Gibbs Point Process)으로 연구를 확장하고 있습니다.
특히 공간적 상호작용 구조를 고려한 영역 분할과 병렬 MCMC 기법을 활용하여 국소적 반발성과 전역적 군집성이 공존하는 공간에 효율적인 알고리즘을 연구하고 있습니다.