• 디지털융복합연구
• /
• 제16권5호
• /
• pp.185-197
• /
• 2018

종목 수가 급증하고 있는 한국 ETF 시장을 분석하여 투자효율성이 어느 정도 인가를 규명하여 ETF 투자자들에게 투자방향을 제시하는 것이 연구목적이다. 연구절차와 방법은 2010년~2018년에 거래된 ETF를 대상으로 국내ETF 및 해외 ETF, 기초자산, 추적배수의 종류별로 수익률 결과 및 변화추이, 상관관계, 회귀분석을 하였다. 연구결과, 국내 ETF의 전체 수익률은 3.51%로서 코스피 상승률 보다 낮았으며, 주식 ETF 수익률도 4.03%로서 코스피 상승률 보다 낮았다. 레버리지 ETF 수익률도 3%이하여서 투자자들이 기대했던 수익률 보다 낮았으며, 채권 ETF와 통화 ETF의 수익률은 1%이하였고, 인버스 ETF 수익률은 마이너스를 보였다. 가장 수익률이 높은 것은 인덱스 ETF였고, 다음은 국내주식 ETF, 레버리지 ETF, 해외 ETF 순이다. 연구기여도는 투자자 입장에서 실제로 달성 가능한 투자효과를 분석하여 ETF를 매입할 때 고려사항을 정립한 데 기여하였고, 향후연구방향은 ETF 자료를 많이 축적해서 ETF 투자방향을 더 정밀하게 제시하고자 한다.

• 서비스연구
• /
• 제9권1호
• /
• pp.51-71
• /
• 2019

상장종목 수와 시가총액이 급증하고 있는 ETF 시장을 분석하여 ETF의 투자 효과를 규명함으로써 투자 방안을 제시하는 것이 연구목적이다. 연구 절차와 방법은 2010년~2018년 기간 동안 거래내역과 거래금액, 시가총액 등 표본을 대상으로 ETF 종류별로 수익률 및 변화추이를 산출하였고, 상관관계와 회귀분석을 실시하였다. 연구결과, ETF 전체수익률은 2.11%, 국내기초시장 ETF 수익률은 2.39%, 주식 ETF 수익률은 2.59%로서 코스피 지수와 코스피200 지수상승률 보다 낮아서 투자자들이 기대했던 수익률 보다 낮았으며, 가장 수익률이 높은 ETF는 인덱스 ETF로서 2.63%를 기록하였고, 다음은 주식 ETF, 해외기초시장 ETF 순으로 나타났다. ETF 투자의 문제점은 전체 ETF와 국내기초시장 ETF의 연간수익률이 2%대로 낮아서 투자자들이 기대하는 5%이상의 수익률에는 미흡하였다. 연구기여도는 실제로 달성 가능한 ETF 투자효과를 분석하여 투자유의사항을 정립한 데 있고, 연구방향은 ETF 자료를 더 많이 축적해서 투자방안을 정밀하게 제시하고자 한다.

• 한국융합학회논문지
• /
• 제12권6호
• /
• pp.9-16
• /
• 2021

과거 주가 데이터와 금융 관련 빅 데이터를 사용해 머신러닝 기법으로 주식시장을 예측하는 연구는 다양하게 있어 왔지만, HTS와 MTS를 통해 거래가 가능한 주가지수 연동 ETF가 생기면서 주가지수를 예측하는 연구가 최근 주목받고 있다. 본 논문에서는 KOSPI 연동 ETF를 거래할 목적으로 KOSPI의 상승 예측을 위한 머신러닝 모델과 하락예측을 위한 모델을 각각 구현한다. 이들 모델은 매개변수의 그리드 탐색을 통해 최적화 된다. 또한 정밀도를 개선해 ETF 거래 수익률을 높일 수 있도록 개별 모델들을 조합한 하이브리드 머신러닝 모델을 제안한다. 예측 모델의 성능은 정확도와 ETF 거래 수익률에 큰 영향을 미치는 정밀도로 평가된다. 하이브리드 상승 예측 모델의 정확도와 정밀도는 72.1 %와 63.8 %이고 하락 예측 모델은 79.8 %와 64.3 %이다. 하이브리드 하락 예측 모델에서 정밀도는 개별 모델보다 최소 14.3 %, 최대 20.5 % 개선되었다. 테스트 기간에 하이브리드 모델은 하락에서 10.49 %, 상승에서 25.91 %의 ETF 거래 수익률을 보였다. 인버스×2와 레버리지 ETF로 거래하면 수익률을 1.5 ~ 2배로 높일 수 있다. 하락예측 머신러닝 모델에 대한 추가 연구로 수익률을 더 높일 수 있을 것으로 기대한다.

• 한국융합학회논문지
• /
• 제10권4호
• /
• pp.1-6
• /
• 2019

신경회로망은 과거 데이터로부터 유용한 정보를 추출해서 주가지수의 이동 방향을 예측하는데 사용되어 왔다. 주가 지수의 상승 또는 하락 방향을 예측하는 기존 연구는 지수의 작은 변화에도 상승이나 하락을 예측하므로 이를 기반으로 지수 연동 ETF를 매매 하면 손실이 발생할 가능성이 높다. 본 논문에서는 ETF 매매 손실을 줄이고 매매 당 일정 이상의 수익을 내기 위한 일별 KOrea composite S0tock Price Index (KOSPI)의 이동 방향을 예측하는 신경회로망 모델을 제안한다. 제안된 모델은 이동 방향 예측을 위해 전일 대비 지수 변동률이 상승(변동률${\geq}{\alpha}$), 하락(변동률${\leq}-{\alpha}$)과 중립($-{\alpha}$<변동률<${\alpha}$)을 표시하는 출력을 갖는다. 예측이 상승이면 레버리지 Exchange Traded Fund (ETF)를, 하락이면 인버스 ETF를 매수한다. 본 논문에서 구현된 신경회로망 모델 중 PNN1의 Hit ratio (HR)은 학습에서 0.720, 평가에서 0.616이다. 평가용 데이터로 ETF 매매를 시뮬레이션하면 수익률은 8.39 ~ 16.32 %를 보인다. 또한 제안된 이동 방향 예측 신경회로망 모델이 주가지수 예측 신경회로망 모델 보다 ETF 매매 성공률과 수익률에서 더 우수하다.

• 한국융합학회논문지
• /
• 제10권1호
• /
• pp.7-12
• /
• 2019

신경회로망은 적합한 수학적 모델에 대한 가정 없이 데이터로부터 유용한 정보를 추출해서 예측에 필요한 입출력 관계를 정의할 수 있어서 주가 예측에 널리 사용되어 왔다. 본 논문에서는 신경회로망 모델을 사용하여 일별 KOrea composite Stock Price Index (KOSPI) 종가를 예측한다. 예측된 종가를 기반으로 KOSPI에 연동해 변동하는 Exchange Traded Funds (ETFs)의 거래를 위한 알파 매매를 제안한다. 본 논문에 제안된 방법으로 KOSPI 예측 신경회로망 모델들을 구현하고 예측 정확도를 평가한다. 구현된 신경회로망 모델(NN1)의 학습 오차(MAPE)는 0.427, 평가 오차는 0.627이다. 평가용 데이터를 사용해 알파 매매를 시뮬레이션하면 수익률은 7.16 ~ 15.29 %를 보인다. 이는 125 거래일 데이터로 거둔 수익률로 제안된 알파 매매가 효과적임을 보인다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2023년도 추계학술발표대회
• /
• pp.5-7
• /
• 2023

본 논문에서는 정보 이론 기반 지표의 힘을 활용하여 전체 그래프 임베딩 방법론의 한 가지인 GL2vec 을 사용하여 임베딩을 생성하고, 이를 바탕으로 상장지수펀드 (ETF, Exchange Traded Fund) 수익률을 예측하는 모형을 생성하고자 하였다. 본 연구는 그래프 구조에 금융 데이터를 내장하고 고급 신경망 기술을 적용하여 예측 정확도를 향상시키는 데에 기여할 수 있음을 확인하였다.

• 한국산업정보학회논문지
• /
• 제24권1호
• /
• pp.23-30
• /
• 2019

딥러닝 네트워크 기반의 알고리즘의 발전으로 인공지능은 전세계적으로 빠른 성장세를 보이고 있다. 그 중 금융은 인공지능이 가장 많이 활용될 분야로 예상되고 있으며 최근 많은 연구가 되고 있다. 기존의 딥러닝을 사용한 재무 전략은 단일 종목에 대한 주가 예측에만 치중되어 있어 변동성에 취약하다. 따라서 본 연구는 딥러닝을 이용하여 펀드 구성 종목을 산출하고 종목들을 분산투자하여 ETF 상품을 구성하는 모델을 제안한다. 실험 결과로 제안하는 모델을 통해 코스피 100 지수를 대상으로 하는 성능을 분석하며 수익률 또는 안정성 측면에서 향상된 결과를 확인하였다.