거시경제 뉴스 감성을 포함한 모델(HARM)은 장기 변동성 예측력에서 HAR 모델보다 우수하다.
거시경제 감성은 SPY 월간 변동성 예측 오차를 최대 30% 감소시킨다.
개별 기업 뉴스 감성은 HAR 모델에 추가해도 예측력 개선 효과가 미미하다.
야간 뉴스 건수를 포함한 모델은 익일 개별 주식 변동성 예측력을 10~15% 향상시킨다.
뉴스 분석 지표는 VIX, EPU보다 장기 예측 측면에서 더 우수한 성과를 보인다.
Opinion
장기 변동성은 경제 전반에 대한 시장 심리의 축적에 의해 영향을 받으며, 이 과정은 뉴스 감성 지표를 통해 효과적으로 포착된다. 반면, 개별 주식의 단기 변동성은 장 마감 후 새롭게 유입되는 정보(야간 뉴스)에 민감하게 반응하며, 이는 과거 수익률 기반 모델로는 설명이 어려운 전이적 리스크를 반영한다.
Core Sell Point
변동성의 장기적 예측에는 거시경제 뉴스 감성이, 단기적 예측에는 야간 기업 뉴스가 유의미한 정보를 제공한다.
"Exploiting News Analytics for Volatility Forecasting"
1. 연구 목적: 뉴스 분석(News Analytics) 데이터, 특히 뉴스 감성(sentiment) 정보가 주식 시장의 실현 변동성(realized volatility) 예측에 얼마나 유용한지 탐색했다.
2. 데이터: RavenPack 뉴스 분석(RPNA) 데이터베이스를 사용하여 미국 거시경제 상황 및 28개 DJIA 기업(+ SPY ETF)에 대한 일별 뉴스 감성 지표와 뉴스 건수 지표를 구축했다. 변동성은 고빈도 거래 데이터를 이용한 실현 커널(Realized Kernel)로 측정했다.
3. 방법론: 전통적인 시계열 변동성 모델인 HAR(Heterogeneous Autoregressive) 모델을 벤치마크로 설정했다. 이 모델에 거시경제 뉴스 감성 지수(HARM), 개별 기업 뉴스 감성 지수(HARF), 또는 야간(overnight) 뉴스 발생 건수 지표(HARMon 등)를 추가하여 예측력을 비교했다. 표본 외(Out-of-sample) 예측 성과는 SFE 및 QLIKE 손실 함수 기준으로 평가했다.
4. 주요 결과 (거시경제 뉴스 감성):
이 연구는 미국 거시경제 전반에 대한 뉴스 기사의 감성을 지수화하여, 이것이 개별 주식(DJIA 28개 기업) 및 시장 전체(SPY ETF)의 미래 변동성을 예측하는 데 유용한지 분석했다.
분석 결과, 거시경제 뉴스 감성 지수를 포함한 변동성 예측 모델(특히 HARM)은 전통적인 HAR 모델보다 예측 정확도가 유의미하게 향상되었다.
이러한 예측력 향상은 예측 기간(horizon)이 길어질수록(예: 5일, 10일, 22일 후) 더욱 두드러지는 특징을 보였다. 월간(22일) 예측의 경우, S&P 500 변동성 예측 오차(MSE 기준)가 HAR 모델 대비 30% 이상 감소하기도 했다.
이는 거시경제 뉴스 감성이 주식 시장 변동성의 느리게 변하는 장기적인 추세(slow-moving component)를 효과적으로 포착하기 때문으로 해석된다. 즉, 단기적인 노이즈보다는 경제 전반에 대한 시장 참여자들의 지속적인 심리가 장기적인 위험 수준을 예측하는 데 더 중요한 정보를 제공하는 것이다.
또한, 이 거시경제 감성 지수는 VIX, EPU(경제 정책 불확실성 지수) 등 다른 알려진 거시경제 및 불확실성 지표들과 비교했을 때에도, 특히 장기 변동성 예측 측면에서 더 우수한 성과를 보였다.
5. 주요 결과 (개별 기업 뉴스):
개별 기업 뉴스 감성 자체는 과거 변동성 정보(HAR 모델의 기본 입력값)에 이미 상당 부분 반영되어 있어, HAR 모델에 추가했을 때 예측력을 크게 높이지 못했다.
하지만, 분석 방식을 바꿔 장 마감 후 다음 날 개장 전까지 야간 시간 동안 발표된 개별 기업 관련 뉴스의 발생 건수(긍정/부정 감성이 아닌, 뉴스 자체의 출현 여부 및 횟수)를 예측 변수로 활용했을 때는 다른 결과가 나타났다.
야간 뉴스 발생 건수(특히 실적 발표 관련 뉴스 'earnings news'와 그 외 뉴스 'nonearnings news'로 구분)를 모델에 포함하자 다음 거래일(1일) 변동성 예측 정확도가 벤치마크 모델 대비 크게 향상되었다. 예측 오차 감소율은 평균 10%~15% 수준에 달했다.
이는 시장이 마감된 동안 새로 발생한 기업 관련 정보가 다음 날 거래 시작 시점의 변동성에 직접적인 영향을 미치기 때문으로 해석된다. 즉, 야간 뉴스는 과거의 가격 움직임만으로는 포착하기 어려운, 단기적이고 급작스러운 변동성 변화(transitory changes)에 대한 중요한 예측 정보를 제공한다.
이 효과는 특히 시장 전체 변동성이 아닌 개별 기업 고유의 변동성(firm-specific variance)을 예측할 때 더욱 뚜렷하게 나타났다.
6. 결론: 뉴스 분석 데이터는 변동성 예측에 유용하다. 특히 거시경제 뉴스 감성은 장기 변동성 예측에 강력한 힘을 가지며, 야간에 발생한 개별 기업 뉴스 건수는 단기(익일) 변동성 예측 개선에 중요하다. 이는 변동성의 장기 추세는 거시적 요인에, 단기적 변화는 기업 관련 정보 유입에 영향을 받는다는 이중 구성 요소(two-component) 관점과 일치한다.
[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.
