홈게시글서비스요금제소개

"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.