Trade 변동성이 더 큰 자산

마지막 업데이트: 2022년 2월 21일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기
VIX 추이. 출처:네이버

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 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 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.

Trade 변동성이 더 큰 자산

알고리즘 트레이딩 (Algorithmic Trading) – 전략 (22) (옵션의 페어트레이딩과 마켓메이킹의 결합 전략) 옵션의 페어트레이딩(2) 전략에서는 너무 보수적인 전략으로 접근하였기 때문에 원하는 형태의 페어트레이딩 스프레드를 얻지 못했었다. 그 이유는 롱-숏 포지션의 동시 체결을 위해 시장가 주문을 기본으로 하였고, 진입이나 청산시 시장가 주문에도 수익이 발생하도록 스프레드를 계산하였기 때문이다. 즉, 매수 시에는 Ask #1 (매도호가 1) 가격을 기준으로 하였고, […]

알고리즘 트레이딩 (Algorithmic Trading) – 전략 (21) 옵션의 변동성 전략 : Volatility Trading (4) (VKOSPI 와 기초자산의 페어트레이딩)옵션 전략에서 변동성 (Volatility)의 의미는 대단히 크다. 오히려 주가지수 (S) 보다 더 큰 의미를 가질 수도 있다. 언제부턴지는 모르겠지만 변동성의 변화가 주가지수의 변화만큼이나 중요시되어 왔고, 앞으로는 변동성이 더 중요시되는 경향으로 흐르고 있다. 우리는 옵션을 처음 접할 때부터 기초자산 […]

알고리즘 트레이딩 (Algorithmic Trading) – 전략 (20) 옵션의 변동성 전략 : Volatility Trading (3) (내재변동성과 기초자산 수익률 Trade 변동성이 더 큰 자산 관계의 관찰)기초자산의 수익률과 내재변동성과는 어떤 관계가 있을까? 일반적으로 둘의 관계는 음(-)의 상관관계를 갖는다. 주가지수가 올라가면 내재변동성은 감소하고, 주가지수가 내려가면 내재변동성은 증가하는 경향이 있다. 단순히 생각해 보면, 주가지수가 올라가면 콜옵션의 가격도 올라가고, 콜옵션의 가격이 올라가면 내재변동성은 증가한다. 따라서 주가지수가 […]

알고리즘 트레이딩 (Algorithmic Trading) – 전략 (19) 옵션의 변동성 전략 : Volatility Trading (2) (양매수 전략의 특성)기초자산의 변동성을 이용한 옵션 전략은 변동성 차익거래 (Volatility Arbitrage), 변동성 추종 전략 등 매우 다양하다. 변동성과 시간가치를 교환하는 전략으로는 기초자산이 오르던지 떨어지던지 상관없이 변동성만 있으면 수익이 발생하는 모양이라면 모두 가능하다. 이런 모양으로는 포물선 Trade 변동성이 더 큰 자산 형태의 수익구조를 가지는, Straddle, Strangle, Butterfly, […]

알고리즘 트레이딩 (Algorithmic Trading) – 전략 (18) 옵션의 변동성 매매 : Volatility Trading (1) (시간가치의 변화)변동성 (Volatility)은 옵션에서 대단히 중요한 요소 중에 하나이다. 옵션의 가치는 기초자산 가격의 변화뿐만 아니라 기초자산의 변동성에 따라 결정된다. 변동성이 높을 때는 옵션이 행사될 기대감이 높아지므로 옵션의 가치는 상승한다. 따라서 기초자산 가격의 예측을 통한 옵션의 방향성 매매 (Naked or Uncovered Trading) […]

알고리즘 트레이딩 (Algorithmic Trading) – 전략 (17) 옵션의 통계적 차익거래 : Skewness and Kurtosis Trades (3) (확률분포의 변화 관찰)지난 시간에 살펴본 옵션의 확률분포 (SPD : State Price Density)가 시간에 따라 어떻게 변화되는지 관찰해 보았다. 지난 시간에 확인한 SPD는 2012.4.20일 데이터로 아래와 같은 분포를 하고 있었다. 전체적으로는 첨도 (Kurtosis)가 높았으며, 콜옵션 270.0과 풋옵션 267.5의 기대확률이 상대적으로 […]

알고리즘 트레이딩 (Algorithmic Trading) – 전략 (16) 옵션의 통계적 차익거래 : Skewness and Kurtosis Trades (2) (기초자산과 옵션가격의 확률분포 추정 )이전 포스트의 논리를 확인해 보기위해 실제 옵션시장의 데이터를 이용하여 Trade 변동성이 더 큰 자산 기초자산의 확률분포 (HV-SPD)와 옵션의 시장가격 확률분포 (IV-SPD)를 구해 보았다. 시장 데이터는 2012년 4월 20일 11:26:00 ~ 15:00 까지 관찰한 데이터를 이용하였으며, 실시간으로 변화를 관찰한 것이 아니라 […]

알고리즘 트레이딩 (Algorithmic Trading) – 전략 (15) 옵션의 통계적 차익거래 : Skewness and Kurtosis Trades (1) (옵션의 프리미엄과 기대손익과의 관계)이전 포스트에서는 옵션의 행사가별 가격관계를 이용하여 무위험 차익거래 기회가 존재하는지 살펴보았고, 거래가 활발한 등가격 (ATM)에서는 무위험 차익거래 기회가 발생하지 않음을 확인해 보았다. 이번 시간에는 무위험은 아니더라도 유리한 지점을 포착하여 포지션을 진입하는 통계적 차익거래에 대해 살펴보도록 하겠다. […]

알고리즘 트레이딩 (Algorithmic Trading) – 전략 (14) 옵션의 행사가격 차익거래 : Strike Arbitrage (3) 지난 시간에는 옵션의 각 행사가격별로 적정시장가 궤도를 육안으로 확인해서, 장중에 차익거래가 가능한 괴리가 존재하는지 여부를 확인해 보았다. 이번 시간에는 지난 시간에 수집한 로그 파일을 분석하여 옵션의 시장가 괴리 여부를 자세히 분석해 보도록 한다. 로그 파일은 등가격 (ATM), 등가격의 부근 (Near the Money), […]

알고리즘 트레이딩 (Algorithmic Trading) – 전략 (13) 옵션의 행사가격 차익거래 : Strike Arbitrage (2) 지난 시간에 생각해 본 옵션의 행사가격별 차익거래 전략을 분석해 보기위해 데이터를 수집해 보았다. 전 행사가격에 대해 현재가를 스캔하여 차익거래가 가능한 가격 괴리가 실제로 발생하는지 확인해 보았다. 아래 그림은 콜옵션과 풋옵션의 전체 행사가 25개 종목 (2012년 4월 9일 현재)에 대해 실시간으로 현재가를 […]

이 기사는 2022년 02월 07일 07:58 더벨 유료페이지에 표출된 기사입니다.Trade 변동성이 더 큰 자산

글로벌 주식시장이 혼조세를 지속하면서 미국 월가의 공포지수인 변동성지수(VIX: Volatility Index)가 급등하고 있다. 국내 주식시장의 변동성을 담은 대표 상품을 찾기 힘든 가운데 오라자산운용이 설계한 헤지펀드 '오라A'가 두각을 나타내고 있다 .

7일 자산관리(WM)업계에 따르면 오라운용의 오라A펀드(설정액 134억원)는 지난해 연간 수익률이 47.8%로 집계됐다. 2019년 말 설정된 이후 누적 수익률은 지난해 말 기준 90%에 달한다.

국내외 주식시장은 코로나19 팬데믹 사태로 급락한 이후 한동안 급등 추세를 이어갔다. 각국 중앙은행에서 쇼크 완화 차원에서 뭉칫돈을 쏟아붓자 유동성 장세가 이어진 덕이다. 하지만 지난해 들어 코스피와 코스닥은 박스권이 유지됐고 글로벌 증시도 변동성 장세에 들어섰다. 이런 시기에 국내 주식형인 오라A펀드가 50%에 육박한 성과를 냈다.

오라A펀드는 일단 멀티스트래티지(Multi-Strategy) 전략으로 분류되고 있으나 구체적으로는 변동성 전략(Volatility Trading)에 힘을 실은 게 특징이다. 롱숏(Long/Short)과 이벤트드리븐(Event Driven) 전략을 활용하면서도 변동성 전략의 비중을 50% 정도로 높게 유지하고 있다.

변동성 전략 모델을 구현하고자 'VKOSPI200' 지수와 실현 변동성 회귀모델을 개발하는 데 성공했다. 기초자산인 'KOSPI200'의 내재 변동성과 실현 변동성 간의 괴리를 포착하고 수익을 실현하기 위한 시도였다. 변동성 매도 전략에서 델타는 중립, 감마는 마이너스(-), 세타는 플러스(+), 베가는 마이너스(-)의 포지션을 취한다.

결과적으로 기초자산의 가격이 크게 움직이지 않고 시간이 흘러 변동성이 하락하면 이익을 얻는 구조를 확보했다. 오라A펀드의 경우 장기간 변동성이 하락하는 국면에서 가장 높은 수익률을 거둘 수 있고 변동성의 등락이 극대화될수록 수익 창출의 기회가 대폭 늘어나는 셈이다.

VIX 추이. 출처:네이버

연초부터 VIX는 널뛰기를 하고 있다. 다우지수 등락폭이 하루동안 1000포인트를 넘는 등 미국 증시가 롤러코스터를 타면서 시장 불안감이 극심해지고 있기 때문이다. VIX는 지난달 25일 31.16까지 치솟으면서 연초 대비 81% 급등했다. 그러다가 다시 24.35로 하락하며 혼조세를 이어가고 있다.

미국 주식시장과 상관관계가 높은 국내 증시도 변동성이 급격히 확대됐다. 연초를 전후해 코스피와 코스닥 모두 급락세를 보이다가 다시 반등하는 흐름을 유지하고 있다. 국내 헤지펀드 하우스마다 손사래를 치는 구간이지만 오라운용 입장에서는 오히려 이런 변동성 장세가 수익률을 높일 수 있는 시기다.

WM업계 관계자는 "최근 국내 주식의 주가가 급등락을 고수하면서 변동성이 극대화되고 있다"며 "오라운용은 변동성에 따른 베가 리스크와 주가 변화에 따른 감마 리스크를 고려한 트레이딩 전략으로 수익 기회를 노리고 있다"고 말했다. 이어 "기초자산 가격의 방향성보다 가격의 변동성을 예측하는 게 다른 하우스와 차별된 강점"이라고 덧붙였다.

VIX는 시카고옵션거래소(CBOE)에 상장된 스'탠더드앤드푸어스(S&P)500' 지수 옵션의 향후 30일 간 변동성을 수치화한 지표로다. 옵션 투자자가 예상하는 미래 주가 변동성을 드러낸다. 일반적으로 증시가 상승할 때보다 하락할 때 더 큰 변동을 보이기 때문에 '공포지수'로 불린다.

KOASAS

Cited 0 time in Cited 0 time in

본 학위논문은 시장불완전성과 자산가격결정에 관한 세 개의 연구로 구성되어 있다. 첫 번째 연구는 옵션시장의 불완전성에 대한 것으로, 장단기 옵션 가격으로부터 구한 내재 선도 고차적률(moment)이 미래 내재 고차적률의 불편추정치인지 살펴본다. 이는 장기 옵션의 변동성 과잉반응에 대한 기존 연구를 보다 확장한 것으로, 다음과 같은 결과를 도출한다. 장기 옵션 투자자와 단기 옵션 투자자가 평균적으로 2차 적률에 대해 동일한 기대를 가지는 것과 달리, 장기 옵션 투자자는 단기 옵션 투자자에 비해 평균적으로 4차 적률은 높게, 3차 적률은 낮게 평가하는 경향이 있다. 즉, 장기옵션 투자자들은 단기옵션 투자자에 비해 주식수익률의 꼬리위험(tail risk)을 높게 평가하며, 그 중에서도 하락 위험을 더 크게 평가하는 것으로 나타났다. 또한 이러한 선도 3차 적률의 편향성은 내재변동성이 클 때 더욱 두드러졌다. 마지막으로, 왜도 포트폴리오(skewness asset)을 구성함으로써, 선도 3차 적률의 편향성이 옵션투자자에게 경제적으로 유의한 정보임을 확인하였다. 두 번째 연구는 물가연동국채(treasury inflation protected securities) 퍼즐을 통해 한국 국채시장의 불완전성에 대해 살펴본다. 채권시장에서 관측한 명목채권 수익률, 물가상승률, 예상 물가상승률 자료를 이용하여 구한 물가연동국채의 모형가격은 시장에서 관측한 가격보다 평균적으로 상당히 높은 것으로 나타났다. 이러한 결과는 미국 물가연동국채에 대한 기존의 연구결과와 일치하는 것으로, 모형오류(model misspecification)가 없다면 한국 물가연동국채가 시장에서 저평가되어 있음을 의미한다. 이를 보다 자세히 살펴보기 위해 물가연동국채의 시장수익률과 모형수익률 차이를 회귀분석하여 다음과 같은 결과를 발견하였다. 첫째, 모형에서 고려하지 않은 시장유동성 및 물가연동국채의 유동성과 이자수익의 면세효과가 수익률 차이를 설명함으로써, 앞서 관측한 수익률 차이의 일부분은 모형오류에 기인하였음을 보였다. 둘째, Trade 변동성이 더 큰 자산 물가연동국채의 발행물량과 명목국채의 채권대차금액이 수익률 차이를 유의하게 설명함에 따라, 물가연동국채의 총공급 증가에 의한 가격압력과 명목국채시장의 차익거래제약의 용의함이 시장가격에 영향을 미치는 것을 확인하였다. 이에 따라, 물가연동국채의 모형수익률과 시장관측수익률 차이의 일정부분이 모형오류에 기인한다 하더라도 한국 물가연동국채 퍼즐은 여전히 유효하며, 이는 동시에 한국 국채시장의 불완전성이 존재할 수 있음을 시사한다. 세 번째 연구는 Dridi와 Germain모형을 확장하여 공매제약(Short sale constraints)이 자산가격과 투자자의 Trade 변동성이 더 큰 자산 행태에 미치는 영향에 대해 살펴본다. 결과는 다음과 같이 요약된다. 첫째, 공매제약이 있는 경우 정보거래자 전체의 주문 크기는 좋은 정보를 가지고 있을 때는 더욱 커지고 나쁜 뉴스를 가지고 있을 경우에는 더 작아지고, 각 경우에 따른 주문 크기 차이는 제약이 없는 경우에 비해 작아진다. 그러나 개별 정보 거래자의 주문 크기는 공매제약이 없는 경우에 비해 커진다. 둘째, 공매제약이 있는 경우 정보거래자 전체의 주문 크기는 양의 기댓값(매수)을 가진다. 따라서 매도기반 거래(seller initiated trading)가 발생한 경우 공매제약이 없는 경우보다 더 큰 가격하락을 발생시킨다. 이는 매도기반 거래가 매수기반 거래(buyer initiated trading)보다 더 큰 가격 반응을 보인다는 기존의 연구결과(Chordia et al.(2002))와도 일치하는 결과이다. 셋째, 공매제약은 정보거래자의 총 이익을 증가시키고 실현 가격 변동성을 증가시켜, 시장 비효율성을 높인다. 마지막으로, 공매제약은 자산 수익률의 왜도(skewness)를 변화시킨다.

Advisors Kang, Jang Kooresearcher; 강장구researcher Description 한국과학기술원 :경영공학부, Publisher 한국과학기술원 Issue Date 2015 Identifier 325007 Language eng Description

학위논문(박사) - 한국과학기술원 : 경영공학부, 2015.8 ,[v, 99 p. :]

market imperfections; Implied higher moments; Options; TIPS; short sale restrictions; 시장불완전성; 내재 고차모멘트; 옵션; 물가연동국채; 공매제약

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 Trade 변동성이 더 큰 자산 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 Trade 변동성이 더 큰 자산 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 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 do not consider costs incurred Trade 변동성이 더 큰 자산 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