• 경영과학
• /
• 제27권3호
• /
• pp.33-41
• /
• 2010

A lot of researches find negative volatility risk premium in options market. We can make a trading profit by exploiting the negative volatility premium. This study proposes negative volatility risk premium hypotheses in the KOSPI 200 stock price index options market and empirically test the proposed hypotheses with intra-day short straddle strategy. This strategy sells both at-the-money call option and at-the-money put option at market open and exits the position at market close. Using MySQL 5.1, we create our database with 1 minute option price data of the KOSPI 200 index options from 2004 to 2009. Empirical results show that negative volatility risk premium exists in the KOSPI 200 stock price index options market. Furthermore, intra-day short straddle strategy consistently produces annual profits except one year.

• 재무관리연구
• /
• 제24권2호
• /
• pp.41-79
• /
• 2007

본 논문은 주가지수 선물과 옵션의 만기일이 주식시장에 어떠한 영향을 미치는가에 대한 분석을 통해 한국주식시장에서 만기일 효과가 존재하는지를 검증한다. 주가지수를 이용한 기존의 논문과는 달리 만기일에 현물 주식시장의 움직임을 개별 종목별로 분석했다는 점에서 본 논문은 차별성을 지닌다. 주가지수는 시장 움직임의 평균으로 개별 종목의 고유한 특성을 반영하지 못하기 때문에 주가지수를 이용한 분석은 만기일 효과를 해석하고 그 원인을 분석하는데 한계를 지니고 있다. 분석 결과 한국주식시장에서 선물 만기일 효과는 분명히 존재하지만, 옵션 만기일 효과는 뚜렷하지 않은 것으로 드러났다. 선물 만기일에 KOSPI 200 지수와 개별 종목은 가격상승 압력이 존재하고, 변동성과 거래량이 증가하며, 만기일 다음날 수익률은 반전하는 경향이 있는 것으로 나타났다. 그러나 비교표본인 NON-KOSPI 200 지수와 개별 종목에서 만기일 효과가 존재한다고 할 만한 증거를 찾지 못했다. 만기일 효과가 시장 전체적으로 나타나는 것처럼 보이지만 KOSPI 200에 속하는 대규모 기업에 한정되며, 장 후반에 집중적으로 나타난다는 사실은 프로그램 매매와 만기일의 결제제도가 만기일 효과의 간접적 원인임을 시사한다. 또한 만기일 다음날 가격이 반전하는 현상이 KOSPI 200에 속하는 대규모 기업에 한정되어 나타나는 사실은 만기일 효과가 새로운 정보의 반영에 의한 정보 효과(information effects)가 아니라 일시적 거래불균형에 의한 유동성 효과(liquidity effects)임을 보여주는 증거가 된다.

• Journal of the Korean Data and Information Science Society
• /
• 제20권6호
• /
• pp.1061-1073
• /
• 2009

주가지수 옵션투자는 과학적인 투자기법이며 다양한 지표 및 투자전략이 개발되어 있다. 본 연구의 목적은 현재 까지 시장에 소개된 다양한 옵션투자 기법들을 적용하여 과거 옵션 데이터를 통해 사후 검증하는데 있다. 옵션 데이터는 2001년 9월부터 2007년 1월까지 실제 증권거래소에서 거래되었던 틱 데이터를 기반으로 하고 있으며 비주얼 베이직을 활용하여 옵션 백 테스팅 모델을 제안하였다. 사후 검증은 틱 데이트를 10분봉으로 변형하여 실증분석 하였으며 옵션에 관한 모든 전략을 모델에 적용시킨 만큼 전략의 유용성을 쉽게 알아 볼 수 있다. 옵션투자는 레버리지가 높아 높은 위험, 높은 이익 구조를 가치는 만큼 시장상황에 맞게 옵션전략을 구사한다면 낮은 위험으로 안정적 수익을 추구할 수 있다.

• 지능정보연구
• /
• 제16권2호
• /
• pp.19-32
• /
• 2010

학계와 금융파생상품 가격결정이나 변동성매매와 같은 실무영역 모두에서 주식시장의 변동성은 중요한 역할을 한다. 본 연구는 GARCH 모형에 기초하여 한국주식시장의 변동성을 정확히 예측함으로써 변동성매매시스템의 성과를 높일 수 있는 새로운 방법을 제시하였다. 특히, 여러 연구 자료에서 밝혀지고 있는 변동성 비대칭성개념을 도입하였다. 최근 새로 개발된 한국주식시장 변동성 지수인 VKOSPI를 변동성 대용값으로 사용한다. VKOSPI는 KOSPI 200 지수옵션의 가격을 이용하여 계산된 값으로서 옵션딜러들의 변동성 예측치를 반영하고 있다. KOSPI 200 옵션시장은 1997년 시작되었으며, 발전을 거듭하여 현재 하루 거래량이 1,000만 계약을 넘어서면서 세계 최고의 지수옵션시장으로 발전하였다. 이러한 옵션시장에 반영된 변동성을 분석하는 것은 투자자들에게 좋은 투자정보를 제공하게 될 것이다. 특히, 변동성 대용값으로 VKOSPI를 사용하면 다른 변동성 대용치를 사용할 때 발생하는 통계적 추정의 문제를 피해 갈 수 있다. 본 연구는 2003년부터 2006년의 KOSPI 200 지수 일별자료를 대상으로 최우도추정방법(MLE)을 이용하여 GARCH 모형을 추정한다. 비대칭 GARCH 모형으로는 Glosten, Jagannathan, Runke의 GJR-GARCH 모형, Nelson의 EGARCH 모형, 그리고 Ding, Granger, Engle의 PARCH모형을 포함하며 대칭 GARCH 모형은 (1, 1) GARCH 모형을 이용한다. 2007년부터 2009년까지의 KOSPI 200 지수 일별자료를 대상으로 반복적 계산과정을 통해 내일의 변동성 예측값과 오르고 내리는 변화방향을 예측하였다. 분석 결과 시장변동성과 예기치 않은 주가변동 사이에는 음의 상관관계가 존재하며, 음의 주가변동은 동일한 크기의 양의 주가변동보다 훨씬 더 큰 변동성의 증가를 가져옴을 알 수 있다. 즉, 한국 주식시장에도 변동성 비대칭성이 존재함을 보여주었다. GARCH 모형을 이용하여 내일의 VKOSPI의 등락방향을 예측하고 이를 이용하여 변동성 매매시스템을 개발하였다. 내일의 변동성이 상승할 것으로 예측되면 스트래들매수전략을 이용하고 반대로 변동성이 하락할 것으로 예측되면 스트래들 매도전략을 이용한다. 변동성의 변화방향성을 맞춘 경우에는 VKOSPI 변동분을 더하고 틀린 경우에는 변동분을 뺀 누적합을 이용하여 변동성매매전략의 총수익을 계산한다. 모형추정용 자료구간의 경우 통계적 기준인 MSPE 기준으로는 PARCH 모형의 적합도가 가장 높고, 예측방향의 적중도를 재는 MCP 기준으로는 EGARCH 모형이 가장 높은 값을 보여주었다. 테스트용 자료구간의 경우에는 PARCH 모형이 모형적합도와 내일의 변동성 등락방향 예측에서 가장 좋은 결과를 보여주었다. 모형추정용 자료구간의 경우 GARCH 모형 전체에서 매매이익을 기록하고 있고 테스트용 자료구간의 경우에는 EGARCH 모형을 제외한 GARCH 모형들이 매매이익을 보여주었다. 본 연구에서 나타난 변동성의 군집과 비대칭성 현상으로부터 변동성에 비선형성이 존재함을 알 수 있었으며, 비선형성에서 좋은 결과를 보이고 있는 인공지능시스템과 비대칭 GARCH 모형을 결합한다면 제안된 변동성매매시스템의 성과를 많이 개선할 수 있을 것으로 판단된다.

• 지능정보연구
• /
• 제22권4호
• /
• pp.177-192
• /
• 2016

기계학습(Machine Learning)은 인공 지능의 한 분야로, 데이터를 이용하여 기계를 학습시켜 기계 스스로가 데이터 분석 및 예측을 하게 만드는 것과 관련한 컴퓨터 과학의 한 영역을 일컫는다. 그중에서 SVM(Support Vector Machines)은 주로 분류와 회귀 분석을 목적으로 사용되는 모델이다. 어느 두 집단에 속한 데이터들에 대한 정보를 얻었을 때, SVM 모델은 주어진 데이터 집합을 바탕으로 하여 새로운 데이터가 어느 집단에 속할지를 판단해준다. 최근 들어서 많은 금융전문가는 기계학습과 막대한 데이터가 존재하는 금융 분야와의 접목 가능성을 보며 기계학습에 집중하고 있다. 그러면서 각 금융사는 고도화된 알고리즘과 빅데이터를 통해 여러 금융업무 수행이 가능한 로봇(Robot)과 투자전문가(Advisor)의 합성어인 로보어드바이저(Robo-Advisor) 서비스를 발 빠르게 제공하기 시작했다. 따라서 현재의 금융 동향을 고려하여 본 연구에서는 기계학습 방법의 하나인 SVM을 활용하여 매매성과를 올리는 방법에 대해 제안하고자 한다. SVM을 통한 예측대상은 한국형 변동성지수인 VKOSPI이다. VKOSPI는 금융파생상품의 한 종류인 옵션의 가격에 영향을 미친다. VKOSPI는 흔히 말하는 변동성과 같고 VKOSPI 값은 옵션의 종류와 관계없이 옵션 가격과 정비례하는 특성이 있다. 그러므로 VKOSPI의 정확한 예측은 옵션 매매에서의 수익을 낼 수 있는 중요한 요소 중 하나이다. 지금까지 기계학습을 기반으로 한 VKOSPI의 예측을 다룬 연구는 없었다. 본 연구에서는 SVM을 통해 일 중의 VKOSPI를 예측하였고, 예측 내용을 바탕으로 옵션 매매에 대한 적용 가능 여부를 실험하였으며 실제로 향상된 매매 성과가 나타남을 증명하였다.