"Riding Wavelets: A Method to Discover New Classes of Price Jumps"
연구 목적:
금융 시장에서 발생하는 극단적 가격 변동, 즉 '가격 점프'의 원인을 분석하고 분류하는 새로운 방법을 제안한다. 특히 시스템 내부 요인(내인성)과 외부 충격(외인성)으로 인한 점프를 구분하는 데 중점을 둔다.
기존 연구의 한계:
뉴스 발표 여부나 특정 함수 형태에 의존한 기존 분류 방식은 많은 점프를 설명하지 못하거나 적용 범위가 제한적이었다.
새로운 접근법:
1. 왜 웨이블릿(Wavelet)인가?
* 시간과 빈도 동시 분석: 가격 점프는 짧은 시간에 급격하게 발생하는 비정상적인 신호다. 웨이블릿 변환은 특정 시간대에 어떤 주파수(변동 속도)의 움직임이 나타나는지 동시에 분석하는 데 뛰어나다. 즉, 점프 직전, 직후 등 특정 시점 부근의 빠른 변동과 느린 변동 패턴을 함께 포착할 수 있다.
* 비정상 신호 분석에 적합: 푸리에 변환과 달리, 웨이블릿은 시간적으로 국지적인 특징(local feature)을 잘 잡아내므로, 갑작스러운 점프와 같은 비정상 신호 분석에 더 효과적이다.
2. 분석 대상 데이터:
각 가격 점프가 발생한 시점(t=0)을 중심으로, 그 이전 1시간과 이후 1시간(총 2시간) 동안의 *정규화된 수익률 시계열 데이터**(논문의 x(t))를 사용한다.
* 정규화: 수익률을 해당 시점의 변동성으로 나누어 변동성 자체의 변화 효과를 제거하고 순수한 가격 변동 패턴을 분석한다.
* 점프 방향 일치: 분석의 일관성을 위해 모든 점프 데이터를 점프 발생 시점(t=0)의 수익률 부호와 같아지도록 조정한다(논문의 x̃(t)).
3. 웨이블릿 변환 적용:
* 수익률 시계열 분석 (Wjx(t)): 준비된 수익률 데이터(x̃(t))에 웨이블릿 변환을 적용한다. 이는 다양한 시간 스케일(2^j)에서 가격 움직임의 변화 패턴을 측정하는 웨이블릿 계수를 계산하는 과정이다. 특히, 점프 시점(t=0)에서의 웨이블릿 계수(Wjx̃(0))는 점프 직전후의 가격 변화 특징을 압축적으로 나타낸다.
* 허수 부분(Im Wjx̃(0))은 시간적 비대칭성(예: 점프 직전과 직후의 움직임 패턴 차이)을 측정하는 데 중요하다. (평균 회귀, 추세 등 분석에 활용)
* 변동성 시계열 분석 (Wj2|Wj1x̃|(0)): 수익률 데이터의 절댓값, 즉 변동성(|Wj1x̃(t)|)에도 웨이블릿 변환을 적용한다. 이는 점프 전후의 변동성 변화 패턴, 특히 변동성의 시간 비대칭성을 측정하기 위함이다.
이는 점프가 예측된 것인지(점프 전 변동성 증가, 내인성/예측성) 아니면 갑작스러운 외부 충격인지(점프 후 변동성 증가, 외인성)를 구분하는 핵심 지표인 *'반사성(reflexivity)'**을 정량화한다.
4. 특징 벡터 생성 (Φ(x̃)):
위에서 계산된 다양한 시간 스케일(j)에서의 *수익률 웨이블릿 계수(Wjx̃(0))**와 변동성 웨이블릿 계수(Wj2|Wj1x̃|(0))들을 모두 모아 각 점프를 대표하는 하나의 고차원 '특징 벡터'를 만든다.
* 이 벡터는 해당 점프의 시간 비대칭성, 변동성 비대칭성, 평균 회귀 경향, 추세 등 다양한 특성을 여러 시간 스케일에 걸쳐 종합적으로 담고 있다.
5. 분류 및 분석 (비지도 학습):
수집된 모든 점프의 특징 벡터들을 *주성분 분석(PCA)**과 같은 차원 축소 기법을 적용하여 데이터의 주요 변화 방향(주성분)을 찾는다.
PCA 결과, 상위 주성분들이 각각 *변동성 비대칭성(D1)**, 평균 회귀(D2), 추세(D3)와 같은 의미 있는 특성들과 강하게 연관됨을 발견했다.
이 주성분들을 축으로 하여 각 점프를 2차원 공간에 시각화하고, 데이터가 자연스럽게 군집화되는 패턴을 분석하여 새로운 점프 클래스(예측성, 평균 회귀성 등)를 식별한다. 이 과정은 사전에 정답(label) 없이 데이터 스스로의 패턴에 기반하므로 *비지도 학습** 방식이다.
6. 새로운 접근법의 장점:
* 가정 최소화: 특정 함수 형태(예: 멱함수)를 가정하지 않고 다양한 형태의 점프 패턴을 분석할 수 있다.
* 데이터 기반: 뉴스 유무와 같은 외부 정보에 의존하지 않고, 오직 가격 시계열 데이터 자체의 내재적 특성만으로 점프를 분류한다.
* 다차원적 특징 포착: 변동성 비대칭성 외에도 평균 회귀, 추세 등 점프의 다양한 측면을 동시에 고려하여 더 풍부한 분류가 가능하다.
* 자동화 및 확장성: 웨이블릿 변환과 PCA는 잘 확립된 신호 처리 및 데이터 분석 기법으로, 대규모 데이터셋에 효율적으로 적용하고 다른 분야로 확장하기 용이하다.
요약하자면, 이 새로운 접근법은 웨이블릿 변환을 통해 가격 점프 전후의 수익률 및 변동성 패턴을 다양한 시간 스케일에서 정교하게 포착하고, 이를 특징 벡터로 만들어 비지도 학습 방식으로 분석함으로써, 기존 방법론들이 놓쳤던 가격 점프의 다양한 동역학적 특성과 새로운 분류 기준을 발견하는 것을 가능하게 했다.
주요 발견 (개별 점프):
점프 전후의 *변동성 비대칭성**이 점프 분류의 중요한 특징임을 재확인했다. (기존 연구와 유사)
새롭게 *평균 회귀(mean-reversion)** 특성과 추세(trend) 동조/역행 특성이 점프를 분류하는 중요한 추가 요인임을 발견했다.
이를 통해 기존의 내인성/외인성 분류 외에, *예측성(anticipatory)** 점프, 평균 회귀성 점프, 추세 동조성/역행성 점프 등 새로운 유형의 점프 클래스를 식별했다.
주요 발견 (동시 점프 - Co-jumps):
* 여러 주식이 동시에 점프하는 '동시 점프' 현상을 분석했다.
동시 점프의 크기(참여 주식 수) 분포가 멱함수 법칙(power-law)을 따르는 것을 확인했으며, 이는 점프가 주식 간 *전파(contagion)** 메커니즘을 통해 확산될 수 있음을 시사한다.
놀랍게도, 규모가 큰 동시 점프 중 상당수가 단순히 외부 뉴스 충격 때문이 아니라, *내부적인 요인으로 발생한 하나의 점프가 다른 주식들로 연쇄적인 점프를 유발**하는 내인성 전파 과정의 결과일 수 있다는 증거를 제시했다.
* 이는 큰 동시 점프 내 개별 주식들의 점프 패턴 간 상관관계가 예상보다 약한 경우가 많다는 분석 결과로 뒷받침된다.
결론:
웨이블릿 기반 분석은 가격 점프의 다양한 동역학을 밝혀냈으며, 상당수 가격 점프와 특히 규모가 큰 동시 점프들이 이전에 생각했던 것보다 내부적인 요인과 전파 메커니즘에 의해 발생할 가능성이 높음을 보여준다. 이는 시장 자체의 내재적 불안정성과 관련될 수 있다.
[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.
