연구 배경: 변동성 예측은 금융 시장에서 중요하며, 기존 연구는 주로 전통적 모델을 활용함.
분석 방법: 고차원 모델(기계 학습, 모델 평균화)을 사용하여 변동성을 예측하고, 동적 자산 배분 전략을 평가함.
예측 정확도 개선: LASSO 모델이 HAR 모델보다 높은 예측 성능을 보이며, 가장 낮은 예측 오류를 기록함.
변동성 타이밍 포트폴리오 성과: LASSO 기반 포트폴리오가 벤치마크보다 높은 Sharpe 비율과 평균 수익률을 달성함.
주요 예측 변수: VIX, Bid-Ask 스프레드, Google 검색량 등 다양한 금융 및 경제 변수가 변동성 예측에 중요한 역할을 함.
경제적 가치: 변동성 예측을 활용한 자산 배분이 투자 성과를 개선하며, 위험 조정 수익률을 높이는 효과가 있음.
Opinion
본 연구는 기계 학습을 활용한 변동성 예측이 기존의 전통적 모델보다 더 높은 예측력을 가지며, 이를 기반으로 한 변동성 타이밍 전략이 투자 성과를 개선할 수 있음을 입증했다. 특히 LASSO 모델이 가장 높은 예측 성능을 보였으며, 이를 활용한 포트폴리오는 벤치마크 대비 우수한 성과를 기록했다. 연구 결과는 단순한 과거 데이터를 활용한 예측보다, 다양한 금융·경제 변수를 고려한 고차원 모델이 변동성 예측 및 투자 전략 수립에 효과적이라는 점을 시사한다.
Core Sell Point
기계 학습 기반 변동성 예측은 전통적 모델보다 우수한 성과를 보이며, 이를 활용한 변동성 타이밍 전략은 투자 수익률과 위험 조정 성과를 개선할 수 있다.
"Forecasting Stock Market Volatility and Application to Volatility Timing Portfolios"
연구 배경:
주식 시장 변동성은 금융 자산의 중요한 특성으로, 투자 및 거래 결정, 위험 관리, 포트폴리오 배분과 관련된다.
따라서 정확한 변동성 예측은 연구자와 시장 참여자 모두에게 중요하다.
분석 방법:
미국 주식 시장의 변동성을 예측하고 자산 배분 문제를 해결한다.
기존 연구에서 밝혀진 경제 및 금융 지표들을 수집하여 변동성 예측에 활용한다.
고차원 모델(기계 학습 및 모델 평균화)을 사용하여 단기, 중기 및 장기 미국 주식 시장 변동성에 대한 정보 집약적인 예측을 생성한다.
다양한 평가 방법을 사용하여 고차원 모델이 표준 변동성 모델보다 더 나은 예측 성능을 보이는지 검증한다.
변동성 예측을 활용하여 동적 자산 배분 전략(변동성 타이밍 전략)을 구축하고, 그 성과를 평가한다.
모델 신뢰도 집합(MCS), 클라크-웨스트(CW) 테스트, Giacomini-White(GW) 테스트, 아웃오브샘플 R-제곱 등을 사용하여 예측 정확도의 개선을 평가한다.
LASSO, 릿지 회귀, 그래디언트 부스팅 회귀 트리(GBRT), 베이지안 모델 평균화(BMA) 등 다양한 기계 학습 모델을 사용한다.
HAR(Heterogeneous Autoregressive) 모형을 벤치마크 모델로 설정하고 비교한다.
연구결과:
본 연구는 고차원 모델을 활용한 주식 시장 변동성 예측의 정확성과 경제적 가치를 평가하는 데 초점을 맞추고 있다. 벤치마크 모델인 HAR(Heterogeneous Autoregressive) 모델과 비교했을 때, 기계 학습 및 모델 평균화 방법론이 적용된 고차원 모델들이 더욱 우수한 예측 성능을 보인다는 사실을 실증적으로 입증했다. 특히 다음과 같은 주요 결과들이 도출되었다.
1. 예측 정확도 개선:
다양한 평가 지표(MSPE, MAPE, CW 통계량, GW 통계량, 아웃오브샘플 R-제곱)를 사용하여 고차원 모델의 예측 정확도를 평가한 결과, 벤치마크 모델인 HAR 모델에 비해 통계적으로 유의미하게 더 나은 예측 성능을 보였다.
특히, LASSO(Least Absolute Shrinkage and Selection Operator) 모델은 대부분의 예측 기간에서 가장 정확한 예측을 생성하는 것으로 나타났다. LASSO는 모델의 복잡성을 줄이고 과적합을 방지하는 데 효과적인 L1 정규화를 사용하는 특징 선택 방법이다.
LASSO는 가장 낮은 MSPE 및 MAPE 값을 가지며, 모델 신뢰 집합(MCS)에서 1% 수준으로만 나타나 다른 모델보다 예측 성능이 우수함을 시사한다.
2. 변동성 타이밍 포트폴리오 성과 개선:
예측된 변동성을 활용하여 변동성 타이밍 포트폴리오를 구성하고 그 성과를 평가한 결과, 고차원 모델을 기반으로 한 포트폴리오가 벤치마크 모델을 기반으로 한 포트폴리오보다 더 높은 평균 수익률과 Sharpe 비율을 달성했다.
특히, LASSO 모델을 사용하여 변동성을 예측하고 포트폴리오를 구성한 경우가 가장 우수한 성과를 보였다.
LASSO 기반 포트폴리오는 최소 24%에서 최대 42%까지 더 높은 Sharpe 비율을 달성하여 위험 대비 수익률이 우수함을 입증했다.
3. 주요 예측 변수 식별:
고차원 모델에서 중요한 예측 변수를 식별하기 위해 각 모델에 해당하는 변수 중요도 측정을 도입했다.
LASSO 모델에서는 항셍 지수 수익률(HSX) 및 변동성(HSXvol), Bid-Ask 스프레드(BAS), 내재 변동성 지수(VIX, ATMIV), 고수익 채권 스프레드(HYBSpread), Google 검색량 지수(GSV) 등이 주식 변동성과 이론적으로 선형 관계를 가지는 것으로 나타났다.
4. 경제적 가치:
변동성 타이밍 포트폴리오에서 얻을 수 있는 경제적 이득은 변동성 예측의 경제적 가치로 간주될 수 있다.
정확한 변동성 예측은 자산 배분 결정에 도움이 되며, 투자자는 더 나은 위험 조정 수익률을 얻을 수 있다.
요약:
고차원 모델, 특히 LASSO 모델은 주식 시장 변동성을 예측하는 데 유용하며, 이러한 예측을 사용하여 구성된 변동성 타이밍 포트폴리오는 우수한 투자 성과를 제공할 수 있다. 따라서 기계 학습 방법은 변동성 예측과 자산 배분에 효과적으로 활용될 수 있다는 것을 시사하기 시작했다.
[Compliance Note]
· 셀스마트의 모든 게시글은 참고자료입니다. 최종 투자 결정은 신중한 판단과 개인의 책임 하에 이루어져야함을 알려드립니다.
· 게시글의 내용은 부정확할 수 있으며, 매매에 따른 수익과 손실은 거래 당사자의 책임입니다.
· 코어16은 본 글에서 소개하는 종목들에 대해 보유 중일 수 있으며, 언제든 매수 또는 매도할 수 있습니다.