Trade 변동성이 더 큰 자산

마지막 업데이트: 2022년 1월 22일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기
김진웅 NH투자증권 100세 시대연구소장
현 NH WM마스터즈 수석전문위원

Trade 변동성이 더 큰 자산

[팍스넷뉴스 공도윤 WM부장] 불확실성에 대한 경계감이 높아지며 주식시장이 요동치고 있다. 우크라이나발 지정학적 리스크, 계속되는 오미크론 변이 확산세, 원자재 가격 상승, 선진국 통화정책 불확실성 등 다양한 경제·정치적 변수들이 쏟아져 나오며 변동성을 높이고 있다.

변동성 높은 주식시장을 마주하는 투자자의 모습은 여럿이다. 가격 변동성이 큰 장세를 노려 곱버스와 같은 레버리지 상품으로 화끈한(?) 투자를 하는 이가 있는 반면 현금보유로 잠시 쉬어가는 투자를 하는 이가 있다. 불확실성이 높은 장이다보니 전문가들의 조언도 제각각이다. 저평가된 주식을 매매해 보유하라는 조언 속에, 변동성을 노려 미국 성장주를 노리는 것도 전략이 될 수 있다는 제안도 있다. 인플레이션에 Trade 변동성이 더 큰 자산 대비해 금과 같은 현물에 투자하거나 주식시장에서 돈을 빼고 안전자산으로 이동해야 한다는 조언은 다소 뻔한 이야기처럼 들린다. 그래도 하나하나 들여다보면 다 맞는 말이지 않을까.

고객의 돈을 대신 운용하는 자산운용업계는 지금의 장을 어떻게 바라보고 있을까. 아무래도 그들은 좀 더 신중한 태도를 가질 수밖에 없다. 일단 '변동성'이 최대 리스크라는 점을 염두하고 최대한 손실을 줄여 안정적이면서 꾸준히 수익을 올릴 수 있는 방법으로 포트폴리오를 손보고 있다. 주식 운용에 강점을 가진 운용사들은 부동산과 같은 대체투자자산의 비중을 늘리고, 추가 수익률을 올리는 액티브 운용보다는 '인컴(이자나 배당수익)'형 투자로 안정적 소득을 얻을 수 있는 전략에 무게 중심을 뒀다. 주식과 역의 상관관계를 가진 자산을 보유해 변동성 부담을 낮추고, 이왕이면 배당이 높은 기업의 주식을 보유해 지수 하락의 충격을 완화하겠다는 전략이다. 최근 상장 수가 늘고 있는 '리츠'도 좋은 상품이다. 한 운용사는 리츠를 이용한 ETF 출시를 준비하고 있다.

다만 운용사의 운용전략과 실제 출시되는 상품과는 차이가 있다. 올해 신규 상장한 ETF를 보면 메타버스, 수소·전기차, 희토류, ESG, 차이나커창판 등 테마형 상품이 대부분이다. 현재 주식시장 온도와는 사뭇 달라보인다. 아는 사람들은 알겠지만 지난해부터 상장을 준비해온 펀드들이 이제야 하나둘 Trade 변동성이 더 큰 자산 시장에 등장하는 탓이다. 불과 몇달만에 급격히 바뀐 시장 분위기에 금융회사도 당황하긴 마찬가지다. 소위 '신상'이라 하는 것들은 남보다 앞선 투자로 높은 수익률을 올릴 것 처럼 '반짝' 거리지만 실제 자산을 꾸준히 안정되게 불려주는 상품은 나중에 두각을 드러내기 마련이다. 결국 시장을 이기는 투자, 장기간 수익률을 높여줄 투자상품을 선택하는 일은 온전히 투자자의 몫이다. 늘 그렇듯 금융회사는 소비자에게 모든 것을 알려주진 않는다.

은퇴 후 활력 있는 삶을 위해 투자는 계속돼야 한다

김진웅 NH투자증권 100세 시대연구소장 현 NH WM마스터즈 수석전문위원

김진웅 NH투자증권 100세 시대연구소장
현 NH WM마스터즈 수석전문위원

보통 최빈사망연령(한 해 사망 빈도가 가장 많은 연령)이 90세에 도달했을 때를 ‘100세 시대’로 정의한다. 이미 2019년 우리나라는 최빈사망연령이 90세를 넘어서면서 ‘100세 시대’에 들어섰다. 환영할 만한 일이지만 ‘장수(長壽)’로 인한 걱정거리도 있다. 바로 은퇴 생활 기간의 증가다. 60세에 은퇴하고 80세까지 산다고 했을 때, 20년의 은퇴 생활 기간이 100세까지 살면 두 배인 40년으로 늘어난다. 그만큼 은퇴 생활에 훨씬 더 많은 돈이 들어갈 수밖에 없다. 그런데 저금리 상황이 지속하면서 자산을 모으기도 운용하기도 쉽지 않다. 수익률을 올리기 위해서 투자가 필요한데 은퇴 후에는 운용 기간 제약이 있으므로 주식 등 변동성이 큰 자산은 줄이고 안전자산을 늘려가라고 한다. ‘진퇴양난(進退兩難)’이다. 은퇴 후 자산 관리에 새로운 변화가 필요해 보인다.

100세 시대 관점에서 보면 오래 살 수 있게 된 만큼 투자할 시간과 기회가 좀 더 주어졌다고 할 수 있다. 실제 NH투자증권이 50~65세 고객을 대상으로 설문조사를 실시한 결과, 응답자의 98.4%가 은퇴 이후에도 생활비 마련을 위해 금융 투자를 계획하고 있다고 답변했고, 평균 투자 금액은 3억2000만원에 달하는 것으로 나타났다. 은퇴자산의 안전성 측면을 고려한다면 투자 원칙을 더욱더 철저하게 지켜 혹시 모를 투자 실패로 조기에 은퇴 자산이 소진될 가능성을 낮춰야 할 것이다. 은퇴 후 투자에 대한 세 가지 원칙을 소개한다.

첫째, 안정적인 현금흐름을 우선하는 투자가 돼야 한다. 은퇴 후 자산을 운용하는 목적은 일차적으로는 은퇴 생활에 필요한 현금흐름을 만들기 위함이다. 연금을 통해 안정적인 현금흐름이 확보돼 있다면 좀 더 편안한 투자가 가능하다. 따로 준비된 연금이 부족하다면 배당주나 리츠를 활용해 주기적으로 배당이 발생하는 금융 투자 Trade 변동성이 더 큰 자산 상품을 활용하는 것이 좋다.

금융 시장이 예상과 다르게 흘러가더라도 생활비 조달에 문제가 없도록 2~3년치에 해당하는 금액은 국공채나 정기예금과 같이 안전성이 높은 상품 중심으로 운용하자.

안정적 현금흐름 우선하고 분산투자하라

둘째, 성장성이 높은 산업이나 기업에 Trade 변동성이 더 큰 자산 장기 투자를 하자. 시간에 제약이 있는 은퇴 자산이라고 해서 시간에 쫓기는 투자를 하면 변동성을 감내하기 힘들다. 성장이 기대되는 기업도 기본적으로 주가의 상승과 하락을 반복하면서 성장할 수밖에 없다. 따라서 산업이나 기업이 충분히 성장할 만큼 그에 맞는 투자 기간이 필요하다. 장수로 투자의 시간이 더 주어졌으니 5년 뒤, 10년 뒤 성장의 결과를 기대하며 장기 투자를 실천한다면 단기 투자보다 손실 위험은 줄이면서 만족할 만한 투자 성과를 얻게 될 것이다.

셋째, 수익률의 변동성을 줄일 수 있도록 분산투자를 해야 한다. 은퇴 후 투자는 더욱더 그러하다. 같은 금액을 투자하더라도 변동성을 낮추면 투자 성과를 올릴 수 있다. 그러나 개인 투자자가 개별종목 투자를 하면서 다양한 리스크를 고려한 분산투자를 하기는 쉽지 않다. 따라서 ETF(Exchange Traded Fund·상장지수펀드)나 펀드와 같이 알아서 분산투자가 되는 상품을 적극적으로 활용하되 적립식으로 투자 시기를 분산해 가격 분산도 함께 이뤄지도록 하자. 최근에는 해외투자도 활성화되고 있으니 다양한 국가와 자산군에 골고루 투자하기를 추천한다.

장기 투자를 직접 실천하고 투자의 성과를 경험해본 사람이라면 투자에 가장 필요한 요소는 결국 시간이라는 사실에 대부분 공감할 것이다. 지나고 나면 그리 길지 않은 시간도 그 순간에는 너무 길게 느껴지기 때문에, 또는 투자 성과를 빨리 내고 싶은 조급함 때문에 투자에 실패하는 경우가 많다.

시간의 힘을 믿고 원칙을 지키는 투자를 하다 보면 오히려 생각보다 이른 시일 내에 성공 투자를 경험해 볼 수도 있다. 길어진 수명만큼 투자의 기회가 주어졌다. 이 기회를 잘 활용하면 장수 리스크로 인한 은퇴 자산의 부족 문제를 얼마든지 극복할 수 있다. 은퇴 후에도 투자는 계속돼야만 하는 이유다.

금융 변동성: 정의, 측정 방법, 크립토에서 사용하는 방법

금융 변동성: 정의, 측정 방법, 크립토에서 사용하는 방법

유동성은 크립토 미디어에서 매일 듣는 용어 중 하나이지만 종종 오해의 소지가 발생합니다. 이 블로그 글에서 변동성의 정의, 측정 방법, 그리고 분석 및 거래를 사용하는 방법을 검토하고자 합니다.

변동성 설명

쉽게 설명하자면 가격 변동성은 일정 기간 동안 기격의 상승과 하락을 측정하는 척도입니다. 변동성 자산의 경우 가격 변동이 큽니다(알트코인과 유사) 변동성이 낮은 자산은 가격이 보다 안정적입니다(예: 안정적 코인).

변동성은 거래자에게 좋을 수도 나쁠 수도 있습니다.

변동성은 높은 수익률을 올릴 수 있는 기회를 제공합니다. 가격이 큰 폭으로 상승할 수 있습니다. 모든 크립토 자산을 주요 화폐 통화와 비교해 보십시오. 변동성이 높으면 자산을 낮은 가격에 구매할 수 있으며, 높은 가격이 되면 판매할 수 있습니다.

변동성은 손실을 증가시킵니다. 가격이 급격히 하락하여 큰 손실을 볼 수도 있습니다. 가격 변동폭이 커질수록 감정의 기복이 심해집니다. 가격이 하락할 때는 두려움이 커지고 상승할 때는 욕심이 생기게 마련입니다.

변동성은 매우 중요한 개념이지만 이를 설명하는 우세한 이론은 없습니다. 합리적인 관점에서 보면 가격은 기본적인 시장 정보에 반응해야 합니다. 그러나 실제로는 행태적 요소와 감정이 더 큰 역할을 합니다. 가격 책정 구조가 아직 초기 단계인 크립토 자산의 경우에 특히 그렇습니다.

변동성 측정 방법

변동성은 실제 가격보다는 수익률에 관한 것입니다. 재무 수학에서 변동성은 보통 수익률의 표준 편차로 정의됩니다.

실제 분포도는 다를 수 있지만 수익률은 정규 분포를 따르는 것으로 가정합니다. 정규 분포에서 측정 범위 68%는 1개의 표준편차 내, 측정 범위 95%는 2개의 표준편차 내에 분포합니다.

이것은 시장에서 어떤 의미인가?

5% 30일 변동성(비트코인의 현재 값), 해당 기간의 20일(예: 68%)인 경우 다음 영업일의 가격은 5% 미만(1개의 표준편차)의 차이가 있어야 합니다. 해당 기간의 약 28일(예: 95%)에 일일 가격 차이는 10%(2개의 표준편차) 미만이어야 합니다. 실제로 수익률은 항상 정규분포의 범위를 갖는 것은 아니지만 여전히 유용한 근사값입니다.

역사적 및 내재 변동성이 있습니다.

역사적 변동성 – 특정 기간 동안 과거의 자산 가격을 기반으로 하는 변동성(일반적으로 최근 30일 또는 90일) 이미 실현된 실제 거래 가격을 기반으로 하기 때문에 "실현" 또는 "실제" 변동성이라고도 부릅니다. 이것은 과거의 가격 변동 정보를 보여줍니다.

내재 변동성 – 옵션 및 기타 시장 거래 파생 상품의 현재 가격에서 파생된 자산의 변동성. 변동성(σ)을 산출하려면 자산의 현재 가격과 기타 입력을 옵션 가격 결정 모델에 연결해야 합니다(예: 블랙–숄즈). 이와 같이 금융 파생 상품의 가격에 반영된 예상 변동성으로 이해할 수 있습니다.

필요한 정보를 완벽하게 수집한다면 내재 변동성은 실제 변동성의 완벽한 예측 변수가 됩니다. 물론 Trade 변동성이 더 큰 자산 이것은 결코 가능하지 않습니다.

시장 예측에서 변동성을 이용하는 방법

왜 중요한가? 사용자는 당사의 플랫폼에 대한 시장 분석가로서 과거의 변동성과 추세를 고려해야 합니다.

변동성을 파악하고 이해하는 것이 최고 및 최저 가격 범위에 대한 질문에서 특히 중요합니다. 시장에 영향을 주는 주요 뉴스가 없다면 자산은 평균 변동성 내에서 움직일 것입니다. 중요한 사건이 발생하지 않을 것이라고 생각하면 극단의 가치를 선택할 필요가 없습니다. 자산이 하루에 ±1% 이동하고, 다음 며칠 동안 ±3% 이동하지 않을 가능성이 있습니다. 그러한 움직임은 비교적 자주 발생하지 않습니다.

고려해야 할 몇 가지 아이디어와 주시 항목을 소개합니다.

낮은 변동성. 주문서 금액이 균형 상태이면 거래량이 동일하게 유지되는 경우 가격은 크게 변하지 않을 것입니다. 매도자 또는 구매자가 갑자기 증가하면 가격이 급격하게 변할 수 있습니다.

높은 변동성. 대량 주문은 가격 변동의 요인이며, 거래 활동이 거의 없는 비유동자산은 일반적으로 유동성이 높습니다.

변동성 감소. 낮은 변동성과 변동성 감소는 가격이 상승할 때 강세 시장에서 일반적입니다. 변동성이 계속 감소한다면 강세 전환의 신호일 수 있습니다.

변동성 증가. 변동성은 변동성이 낮은 기간 이후에는 증가하고 변동성이 큰 기간 이후에는 감소하는 경향이 있습니다.

변동성은 위험과 동일하지 않습니다. 위험 측정 기준으로 사용되지만 역사적 변동성은 빈번하지 않은 시장 상황(예: 세계 경제 침체) 또는 예전에 발생한 적이 없는 시장 상황을 반영하지 않습니다(예: 비트코인 51% 공격).

변동성 및 레버리지

일반적으로 변동성이 낮은 자산은 유동성이 큽니다. 예: 거래가 진행되고 매도와 구매가 더 쉬워집니다. 이러한 자산의 경우 레버리지를 보다 쉽게 이용할 수 있습니다. 예를 들어 대부분의 주식 중개인은 3:1 레버리지를 제공할 수 있습니다. 많은 통화 거래 플랫폼(은행이 사용하는 실제 포렉스)은 100:1 이상의 레버리지를 제공할 수 있습니다.

낮은 변동성 자산을 위한 레버리지

레버리지는 투자자가 그다지 관심을 갖지 않는 자신을 더욱 매력적으로 만들 수 있습니다. 모든 조건이 동일하다면 변동성이 높으면 투자자의 잠재적인 수익이 높아집니다. 물론 위험도도 높습니다. 이동 범위가 ±0.3%인 주요 통화(EUR/USD, USD/JPY, 등)와 같은 더욱 안정적인 자산은 레버리지를 추가하여 더욱 매력적인 투자 상품으로 만들 수 있습니다. 이와 같이 투자자는 주식과 비교하여 단기 수익을 창출할 수 있습니다.

변동성이 높은 자산에 대한 레버리지

주의 사항 변동성 자산에 대한 높은 레버리지는 신중히 고려해야 합니다. 100:1의 레버리지를 사용하면 1% 이동으로 전체 예치금을 잃을 수 있습니다. 그렇다면 변동이 심한 크립토 시장에서 1% 이동이란.

변동성을 위한 데이터 소스

많은 자산에 대해 역사적 및 내재 변동성을 확인할 수 있으며 분석에 도움이 될 수 있습니다. 몇 가지 Trade 변동성이 더 큰 자산 데이터 소스에 대한 요약 정보를 소개합니다.

크립토 자산

BTC/USD

● 30일 연간 BitMEX 변동성(참조: 1년 기간 수의 제곱근으로 나누어 해당 기간의 변동성 산출).

ETH/USD

Bitfinex는 모든 거래에 대해 7일 변동성을 연 단위로 산출합니다. 기타 크립토 자산의 경우 기존의 역사적 변동성 추정치가 없지만 엑셀 프로그램에서 직접 계산할 수 있습니다. 더 많은 정보가 필요하시면 의견을 남겨 주십시오.

기존 자산

기존 자산의 경우 역사적 변동성 외에도 시카고 보드 옵션 거래소(CBOE)Trade 변동성이 더 큰 자산 에서 내재 변동성을 찾을 수 있습니다.

S&P 500 변동성

역사적 변동성: S&P 500 1개월 실현 변동성 지수 - 일일 수익보다 "일일 기준"으로 주어진다는 점에 유의하십시오.

내재 변동성: VIX, 언론이 자주 인용하는 악명 높은 "공포 지수"입니다. 연 단위로 환산한 백분율로 표시합니다. 숫자 18은 연간 ±18%의 변동을 의미합니다. 특정 기간의 변동성을 산출하려면 해당 기간 일수의 제곱근으로 나눕니다. 주간 변동성은 √52 또는 7.211 으로 나눕니다. VIX = 18 은 매주 ±2.4%의 변동을 의미합니다.

개별 주식의 변동성

역사적 변동성: 10, 20, 30일 Cboe VIX - Apple, Amazon, Google, Goldman Sachs, IBM. VIX와 마찬가지로 연 단위로 환산한 백분율로 주어지기 때문에 필요한 기간 수의 제곱근으로 나눕니다(예: 매주 √52 또는 매일 √365).

Trade 변동성이 더 큰 자산

ETF (상장지수펀드, Exchange traded funds)는 미국 및 해외 주요 주식 거래소에 상장되어 Trade 변동성이 더 큰 자산 주식처럼 거래가 가능한 지수 연동형 펀드(Index Fund) 입니다. 특정 주가지수의 수익률을 추종하도록 설계된 펀드로서 주식처럼 실시간으로 거래 가능합니다.

ETF의 종류

ETF의 종류 목록표입니다.
Unit Investment
Company
완벽하게 지수를 복제하는 방식, 추종하는 지수에 속한 모든 종목을 편입
The Open-Ended
Company
추종하는 지수에 속한 모든 종목을 편입하지 않고, Representative Sampling 을 통해 펀드에 반영

ETF의 특징

주식처럼 실시간 매매

개별 주식 종목처럼 HTS와 유선을 통해 시세조회가 가능하며 실시간으로 거래가 가능합니다.

다양한 투자 대안과 전략

ETF는 다양한 주식, 채권, 원자재, 부동산, 통화 지수를 추종하며 투자자들은 다양하게 분산된 펀드 및 특정섹터에 집중된 펀드 등을 선택할 수 있습니다. ETF를 통해 마진 레버리지, 옵션 헷지, 공매, 매수 후 보유 등의 전략 이용이 가능합니다.

일반 펀드에 비해 상대적으로 낮은 수수료

일반 펀드보다 저렴한 주식 수수료로 거래 가능하며 환매기간 및 수수료 없이 매매가 가능합니다.

분산투자 효과로 개별주식 리스크 제거

ETF는 개별 종목이 아닌 시장 전체에 투자하는 상품으로서 개별종목의 리스크를 제거함으로써 분산투자의 효과를 누릴 수 있으며, 개별종목에 비해 변동성이 낮은 것이 특징입니다.

배당소득까지 PLUS

ETF 포트폴리오 내 기초 주식 및 채권의 배당소득은 펀드 주주들에게 분배되고 있습니다. ETF는 주식을 보유한 펀드를 매수하는 거래이기 때문에 추가적으로 배당수익을 얻을 수 있으며, 펀드에 따라 분기별 또는 월별로 배당금을 지급하고 있습니다.

ETF 투자 유의사항

ETF의 리스크

주식형 ETF는 주식형 뮤추얼펀드와 유사한 리스크를 내제하고 있으며, 채권형 ETF는 채권형 뮤추얼 펀드와 유사한 리스크를 내제하고 있습니다. 수익률은 시장 및 경제 환경 등의 여러 요인에 의해 변동 가능합니다.

환율변동의 영향

ETF는 해외 주식과 같이 해당 시장 통화로 거래되고 있습니다. 따라서 해당 통화의 가치하락(원화상승) 시에는 환차손이 반영되어 수익률에 영향을 미치게 되고, 해당 통화의 가치상승(원화하락) 시에는 추가 수익을 얻을 수 있습니다.

복리효과(이동평균 하락), Roll Over에 의한 괴리(단절된 선물가격을 추종하며 발생하는 시차), 콘탱고/백워데이션에 의한 추적오차, 운용상 문제로 인한 오차가 발생하여 기초자산 가격과의 괴리율이 발생할 수 있습니다.

주식시장의 주가 수익률에 나타나는 변동성은 투자 위험의 척도로서 재무관리의 이론적 모형에서뿐만 아니라 포트폴리오 최적화, 증권의 가격 평가 및 위험관리 등 투자 실무 영역에서도 매우 중요한 역할을 하고 있다.변동성은 주가 수익률이 평균을 중심으로 얼마나 큰 폭의 움직임을 보이는가를 판단하는 지표로서 보통 수익률의 표준편차로 측정한다. 관찰 가능한 표준편차는 과거의 주가 움직임에서 측정되는 역사적 변동성(historical volatility)이다. 역사적 변동성이 미래의 주가 수익률의 변동성을 예측하려면 변동성이 시간 불변적(time-invariant)이어야 한다. 그러나 대부분의 변동성 연구들은 변동성이 시간 가변적(time-variant)임을 보여주고있다. 이에 따라 시간 가변적 변동성을 예측하기 위한 여러 계량 모형들이 제안되었다. Engle(1982)은 변동성의시간 가변적 특성을 잘 반영하는 변동성 모형인 Autoregressive Conditional Heteroscedasticity(ARCH)를 제안하였으며, Bollerslev(1986) 등은 일반화된 ARCH(GARCH) 모형으로 발전시켰다. GARCH 모형의 실증 분석 연구들은 실제 증권 수익률에 나타나는 두터운 꼬리 분포 특성과 변동성의 군집현상(clustering)을 잘 설명하고 있다. 일반적으로 GARCH 모형의 모수는 가우스분포로부터 추출된 자료에서 최적의 성과를 보이는 로그우도함수에대한 최우도추정법에 의하여 추정되고 있다. 그러나 1987년 소위 블랙먼데이 이후 주식 시장은 점점 더 복잡해지고 시장 변수들이 많은 잡음(noise)을 띠게 됨에 따라 변수의 분포에 대한 엄격한 가정을 요구하는 최우도추정법의 대안으로 인공지능모형에 대한 관심이 커지고 있다. 본 연구에서는 주식 시장의 주가 수익률에 나타나는 변동성의 예측 모형인 GARCH 모형의 모수추정방법으로 지능형 시스템인 Support Vector Regression 방법을 제안한다. SVR은 Vapnik에 의해 제안된 Support Vector Machines와 같은 원리를 회귀분석으로 확장한 모형으로서 Vapnik의 e-insensitive loss function을 이용하여 비선형 회귀식의 추정이 가능해졌다. SVM을 이용한 회귀식 SVR은 두터운 꼬리 분포를 보이는 주식시장의 변동성과 같은 관찰치에서도 우수한 추정 성능을 보인다. 2차 손실함수를 사용하는 기존의 최소자승법은 부최적해로서 추정 오차가 확대될 수 있다. Vapnik의 손실함수에서는 입실론 범위내의 예측 오차는 무시하고 큰 예측 오차만 손실로 처리하기 때문에 구조적 위험의 최소화를 추구하게 된다. 금융 시계열 자료를 분석한 많은 연구들은 SVR의 우수성을 보여주고 있다. 본 연구에서는 주가 변동성의 분석 대상으로서 KOSPI 200 주가지수를 사용한다. KOSPI 200 주가지수는 한국거래소에 상장된 우량주 중 거래가 활발하고 업종을 대표하는 200 종목으로 구성된 업종 대표주들의 포트폴리오이다. 분석 기간은 2010년부터 2015년까지의 6년 동안이며, 거래일의 일별 주가지수 종가 자료를 사용하였고 수익률 계산은 주가지수의 로그 차분값으로 정의하였다. KOSPI 200 주가지수의 일별 수익률 자료의 실증분석을 통해 기존의 Maximum Likelihood Estimation 방법과 본 논문이 제안하는 지능형 변동성 예측 모형의 예측성과를 비교하였다. 주가지수 수익률의 일별 자료 중 학습구간에서 대칭 GARCH 모형과 E-GARCH, GJR-GARCH와 같은 비대칭 GARCH 모형에 대하여 모수를 추정하고, 검증 구간 데이터에서 변동성 예측의 성과를 비교하였다. 전체 분석기간 1,487일 중 학습 기간은 1,187일, 검증 기간은 300일 이다. MLE 추정 방법의실증분석 결과는 기존의 많은 연구들과 비슷한 결과를 보여주고 있다. 잔차의 분포는 정규분포보다는 Student t분포의 경우 더 우수한 모형 추정 성과를 보여주고 있어, 주가 수익률의 비정규성이 잘 반영되고 있다고 할 수있다. MSE 기준으로, SVR 추정의 변동성 예측에서는 polynomial 커널함수를 제외하고 linear, radial 커널함수에 서 MLE 보다 우수한 예측 성과를 보여주었다. DA 지표에서는 radial 커널함수를 사용한 SVR 기반의 지능형GARCH 모형이 가장 우수한 변동성의 변화 방향에 대한 방향성 예측력을 보여주었다. 추정된 지능형 변동성모형을 이용하여 예측된 주식 시장의 변동성 정보가 경제적 의미를 갖는지를 검토하기 위하여 지능형 변동성거래 전략을 도출하였다. 지능형 변동성 거래 전략 IVTS의 진입규칙은 내일의 변동성이 증가할 것으로 예측되면 변동성을 매수하고 반대로 변동성의 감소가 예상되면 변동성을 매도하는 전략이다. 만약 변동성의 변화 방향이 전일과 동일하다면 기존의 변동성 매수/매도 포지션을 유지한다. 전체적으로 SVR 기반의 GARCH 모형의투자 성과가 MLE 기반의 GARCH 모형의 투자 성과보다 높게 나타나고 있다. E-GARCH, GJR-GARCH 모형의경우는 MLE 기반의 GARCH 모형을 이용한 IVTS 전략은 손실이 나지만 SVR 기반의 GARCH 모형을 이용한IVTS 전략은 수익으로 나타나고 있다. SVR 커널함수에서는 선형 커널함수가 더 좋은 투자 성과를 보여주고 있다. 선형 커널함수의 경우 투자 수익률이 +526.4%를 기록하고 있다. SVR 기반의 GARCH 모형을 이용하는IVTS 전략의 경우 승률도 51.88%부터 59.7% 사이로 높게 나타나고 있다. 옵션을 이용하는 변동성 매도전략은 방향성 거래전략과 달리 하락할 것으로 예측된 변동성의 예측 방향이틀려 변동성이 소폭 상승하거나 변동성이 하락하지 않고 제자리에 있더라도 옵션의 시간가치 요인 때문에 전체적으로 수익이 실현될 수도 있다. 정확한 변동성의 예측은 자산의 가격 결정뿐만 아니라 실제 투자에서도 높은수익률을 얻을 수 있기 때문에 다양한 형태의 인공신경망을 활용하여 더 나은 예측성과를 보이는 변동성 예측모형을 개발한다면 주식시장의 투자자들에게 좋은 투자 정보를 제공하게 될 것이다.

Volatility in the stock market returns is a measure of investment risk. It plays a central role in portfolio optimization, asset pricing and risk management as well as most theoretical financial models. Engle(1982) presented a pioneering paper on the stock market volatility that explains the time-variant characteristics embedded in the stock market return volatility. His model, Autoregressive Conditional Heteroscedasticity (ARCH), was generalized by Bollerslev(1986) as GARCH models. Empirical studies have shown that GARCH models describes well the fat-tailed return distributions and volatility clustering phenomenon appearing in stock prices. The parameters of the GARCH models are generally estimated by the maximum likelihood estimation (MLE) based on the standard normal density. But, since 1987 Black Monday, the stock market prices have become very complex and shown a lot of noisy terms. Recent studies start to apply artificial intelligent approach in estimating the GARCH parameters Trade 변동성이 더 큰 자산 as a substitute for the MLE. The paper presents SVR-based GARCH process and compares with MLE-based GARCH process to estimate the parameters of GARCH models which are known to well forecast stock market volatility. Kernel functions used in SVR estimation process are linear, polynomial and radial. We analyzed the suggested models with KOSPI 200 Index. This index is constituted by 200 blue chip stocks listed in the Korea Exchange. We sampled KOSPI 200 daily closing values from 2010 to 2015. Sample observations are 1487 days. We used 1187 days to train the suggested GARCH models and the remaining 300 days were used as testing data. First, symmetric and asymmetric GARCH models are estimated by MLE. We forecasted KOSPI 200 Index return volatility and the statistical metric MSE shows better results for the asymmetric GARCH models such as E-GARCH or GJR-GARCH. This is consistent with the documented non-normal return distribution characteristics with fat-tail and leptokurtosis. Compared with MLE estimation process, SVR-based GARCH models outperform the MLE methodology in KOSPI 200 Index return volatility forecasting. Polynomial kernel function shows exceptionally lower forecasting accuracy. We suggested Intelligent Volatility Trading System (IVTS) that utilizes the forecasted volatility results. IVTS entry rules are as follows. If forecasted tomorrow volatility will increase then buy volatility today. If forecasted tomorrow volatility will decrease then sell volatility today. If forecasted volatility direction does not change we hold the existing buy or sell positions. IVTS is assumed to buy and sell historical volatility values. This is somewhat unreal because we cannot trade historical volatility values themselves. But our simulation results are meaningful since the Korea Exchange introduced volatility futures contract that traders can trade since November 2014. The trading systems with SVR-based GARCH models show higher returns than MLE-based GARCH in the testing period. And trading profitable percentages of MLE-based GARCH IVTS models range from 47.5% to 50.0%, trading profitable percentages of SVR-based GARCH IVTS models range from 51.8% to 59.7%. MLE-based symmetric S-GARCH shows +150.2% return and SVR-based symmetric S-GARCH shows +526.4% return. MLE-based asymmetric E-GARCH shows -72% return and SVR-based asymmetric E-GARCH shows +245.6% return. MLE-based asymmetric GJR-GARCH shows -98.7% return and SVR-based asymmetric GJR-GARCH shows +126.3% return. Linear kernel function shows higher trading returns than radial kernel function. Best performance of SVR-based IVTS is +526.4% and that of MLE-based IVTS is +150.2%. SVR-based GARCH IVTS shows higher trading frequency. This study has some limitations. Our models are solely based on SVR. Other artificial intelligence models are needed to search for better performance. We Trade 변동성이 더 큰 자산 do not consider costs incurred in the trading process including brokerage commissions and slippage costs. IVTS trading performance is unreal since we use historical volatility values as trading objects. The exact forecasting of stock market volatility is essential in the real trading as well as asset pricing models. Further studies on other machine learning-based GARCH models can give better information for the stock market investors.


0 개 댓글

답장을 남겨주세요