검색 상세

딥러닝 모델을 활용한 일별 주가 변동성 예측

Daily Stock Price Volatility Prediction Using a Deep Learing Model

  • 허완 (대학원 보험계리금융공학협동과정 금융공학)

초록/요약

본 연구는 금융 시계열의 뚱뚱한 꼬리(Fat Tail) 현상으로 인해 기존 모델들이 예측에 어려움을 겪는 KOSPI 200 지수의 극단적 일별 변동성(Tail Risk)을 정량화하는 것을 목표로 한다. 이를 위해, 그레인저 인과관계(Granger Causality)로 선별된 미국 시장의 선행 지표들을 입력 변수로 사용하는 퀀타일 트랜스포머 (Quantile Transformer)와, VIX 기반 스트레스 구간의 예측 오차를 학습한 극단값 이론(EVT)을 결합한 하이브리드 아키텍처를 제안한다. 연구 결과, 제안된 모델은 KOSPI 200 일별 변동성의 신뢰도 높은 확률적 범위를 예측했으며, 특히 갑작스러운 위기 상황에서 발생한 3% 이상의 일별 변동성 급등을 EVT 구간을 통해 효과적으로 포착함을 확인했다. 본 모델이 제공하는 다층적 위험 정보는 헤지 및 선행적 VaR 산출 등 실무 리스크 관리의 정확도를 높이며, 나아가 개별 금융기관의 잠재적 손실을 줄여 궁극적으로 시장의 시스템 리스크를 완화하고 금융 안정성에 기여할 수 있다는 점에서 그 의의를 찾을 수 있다.

more

목차

(국문) 초록 ........................................................................................................................... i
ABSTRACT ........................................................................................................................ iii
목차..................................................................................................................................... iv
표 목차................................................................................................................................ vi
그림 목차........................................................................................................................... vii
1 장. 서론 ..............................................................................................................................1
2 장. 이론적 배경 .................................................................................................................5
2.1 금융 시계열의 주요 특성 ....................................................................................6
2.1.1 변동성 군집 현상 (Volatility Clustering) ................................................6
2.1.2 뚱뚱한 꼬리 (Fat Tail)와 레버리지 효과 (Leverage Effect) ..................8
2.1.3 시장 간 정보 전이 효과 (Information Spillover Effect)........................11
2.2 변동성 예측에 관한 선행 연구 고찰 ................................................................13
2.2.1 계량경제학적 접근................................................................................13
2.2.2 딥러닝 기반 접근...................................................................................15
3 장. 연구 방법론 ...............................................................................................................20
3.1 연구 설계 개요 ...................................................................................................21
3.2 데이터 구성 및 변수 선별 .................................................................................23
3.2.1 데이터 구성............................................................................................24
3.2.2 그레인저 인과관계 검정을 통한 변수 선별........................................25
3.3 하이브리드 모델 구축 방법론 ..........................................................................30
3.3.1 꼬리 위험 모델링: 극단값 이론 (EVT)................................................31
3.3.2 피처 엔지니어링 (Feature Engineering)................................................37
3.3.3 퀀타일 트랜스포머 아키텍처...............................................................40
4 장. 분석 결과 ...................................................................................................................43
4.1 예측 및 성능 평가 방법 .....................................................................................43
4.2 분석 결과 종합 ...................................................................................................45
4.2.1 퀀타일 예측의 안정성 및 동적 적응성................................................45
4.2.2 조건부 EVT 모델의 위기 탐지 유효성................................................51
5 장. 결론 ............................................................................................................................54
5.1 시사점 .................................................................................................................54
5.2 연구의 한계 및 향후 연구 방향 ........................................................................58
참고문헌.............................................................................................................................61

more
반출 Meta View 목록