금융시장의 상태 전환 특성과 비선형 패턴을 동시에 반영하여 주가 변동성을 더 정확하게 예측할 수 없을까?
•
금융 시장의 변동성은 투자와 리스크 관리에 중요한 요소임
•
GARCH 모델은 변동성 군집성은 설명 가능하지만, 시장 상태 변화와 비선형 패턴 반영에는 한계가 있음
•
머신러닝 모델은 비선형 패턴 학습에 강하지만 금융 시계열의 구조적 특성을 충분히 반영하지 못함
기존 방식의 문제점
•
시계열을 단독으로 사용할 경우 비선형 패턴을 반영하지 못하고 외부 요인의 반영이 어려워 극단적 변동성에 대한 대응력이 부족함.
•
머신러닝을 단독으로 사용할 경우 시계열 특유의 변동성 군집을 반영하지 못하고 금융 데이터의 구조적 특성의 반영이 어려움.
•
기존 시계열 모델은 과거 충격의 크기에 상관 없이 미래 변동성에 미치는 영향력이 항상 일정하다고 가정함. 이와 다르게 실제 시장은 위기 상황에서 과거의 충격이 훨씬 더 빠르고 강하게 전이됨.
핵심 아이디어
•
국면 전환을 반영하는 MRS-GARCH 모델을 구축
•
minimze함수로 초기값을 최적화
•
하이퍼파라미터의 개수를 늘려 더 정확히 예측
•
MRS-GARCH에서 발생한 잔차를 LGBM이 학습
활용된 핵심 기술 또는 이론
•
로그우도법과 해밀턴 필터
•
목적함수와 테일러 2차 근사
기존 방식과의 차별성
•
시계열 모델에 LGBM을 결합하여 비선형 관계를 학습하고 거래량, 기술 지표 등 다양한 피처를 활용함.
•
MRS-GARCH를 통해 국면 변화와 조건부 분산 구조를 먼저 모델링 하여 LGBM의 입력값으로 사용하여 머신러닝을 단독으로 사용할때의 단점을 보완함.
•
MRS 구조를 통해 국면마다 다른 변동성, 지속성 파라미터를 추정하고 이를 LGBM이 학습하게 함으로써 시장의 긴장도에 따라 가변적으로 반응하는 고도화된 예측 시스템을 구축함.
문제 해결 과정
•
전통 모델 GARCH와 제안 모델 Mrs-GARCH의 이론적 배경을 비교분석하고 Colab환경을 활용해 국면별 변동성 예측치를 산출함.
•
잔차보정을 위해 LSTM과 LGBM의 특성 및 적합성을 비교 연구함.
•
MRS-GARCH의 예측값을 LGBM의 입력변수로 결합하여 잔차를 줄이는 하이브리드 모델을 설계하고 개발함.
•
실제 데이터와의 비교를 통해 파라미터들을 수정하고 최종 보정된 모델의 예측력을 기존 모델들과 비교 분석하여 연구의 우수성을 평가함.
최종 사용자
•
금융기관 자산운용가 및 펀드매니저
•
증권사 및 금융공학 연구원
•
개인투자자 및 퀀트 투자자
•
시계열 데이터 연구 학도
기대효과
•
시장의 국면 전환을 반영한 예측을 통해리스크 관리의 정밀도 향상 및 손실 최소화
•
단일 모델이 잡지못한 잔차를 LGBM으로 보정함으로써 변동성 예측의 정확도를 개선
•
통계학적 모델과 머신러닝을 융합함으로써 금융과 IT 융합 모델의 실무적 활용 가능성 증대
참여 정보
팀명
CSZ
수강 교과목
수리과학 캡스톤 디자인1
지도 교수
안재현
참여 개발자
고수빈(수학과), 김채민(수학과), 김현아(수학과), 남시연(수학과)
