• 경영과정보연구
• /
• 제33권5호
• /
• pp.249-260
• /
• 2014

본 연구는 우리나라의 코스닥시장을 대상으로 기업고유변동성과 주식수익률에 영향을 미치는 것으로 알려진 기업규모, 장부가/시장가, 주가순이익비율, 주가순자산비율, 주가현금흐름비율, 주가매출액비율, 거래회전율 등과 같은 기업특성변수들과 어떤 특징을 보이는 지를 우선적으로 알아보았다. 또한 실현범위변동성 및 기업고유변동성을 이용하여 주식에 투자할 경우 이들 변동성의 크기 따라 분류된 포트폴리오 간에 투자성과에 있어서 어떠한 차이를 보이는 지에 대해서도 살펴보았다. 분석결과에 따르면 기업고유변동성과 주가순이익비율, 주가순자산비율, 주가현금흐름비율, 주가매출액비율 거래회전율 등은 CAPM, FF-3요인 모형 둘 다 기업고유변동성이 높은 포트폴리오 일수록 기업특성변수들은 통계적으로 유의하게 높아지는 경향을 보였다. 즉, 기업고유변동성은 이들 기업특성변수들과 양(+)의 관계를 가지는 것으로 나타났다. 또한, 거래전략을 1/1/1, 즉, 포트폴리오 구성기간 1개월, 구성한 후 기다리는 기간을 1개월, 성과측정 기간 1개월로 정해서 실현범위변동성과 기업고유변동성이 주식의 기대수익률과 어떤 관계를 가지는 지에 대해 분석을 수행하였는데, 실현범위변동성과 기업고유변동성은 주식수익률과 체계적으로 양(+)의 관계를 가진다는 흥미로운 사실을 발견하였다.

• 재무관리연구
• /
• 제26권2호
• /
• pp.181-201
• /
• 2009

This study is on the forecasting performance analysis of range volatility estimators(Parkinson, Garman and Klass, and Rogers and Satchell) relative to historical one using two-scale realized volatility estimator as a benchmark. American sub-prime mortgage loan shock to Korean stock markets happened in sample period(January 2, 2006~March 10, 2008), so the structural change somewhere within this period can make a huge influence on the results. Therefore sample was divided into two sub-samples by May 30, 2007 according to Zivot and Andrews unit root test results. As expected, the second sub-sample was much more volatile than the first sub-sample. As a result of forecasting performance analysis, Rogers and Satchell volatility estimator showed the best forecasting performance in the full sample and relatively better forecasting performance than other estimators in sub-samples. Range volatility estimators showed better forecasting performance than historical volatility estimator during the period before the outbreak of structural change(the first sub-sample). On the contrary, the forecasting performance of range volatility estimators couldn't beat that of historical volatility estimator during the period after this event(the second sub-sample). The main culprit of this result seems to be the increment of range volatility caused by that of intraday volatility after structural change.

• 응용통계연구
• /
• 제32권1호
• /
• pp.69-81
• /
• 2019

본 논문에서는 딥러닝을 이용한 이변량 장기종속시계열(long-range dependent time series) 예측을 고려하였다. 시계열 데이터 예측에 적합한 LSTM(long short-term memory) 네트워크를 이용하여 이변량 장기종속시계열을 예측하고 이를 이변량 FARIMA(fractional ARIMA) 모형인 FIVARMA 모형과 VARFIMA 모형과의 예측 성능을 실증 자료 분석을 통해 비교하였다. 실증 자료로는 기능적 자기공명 영상(fMRI) 및 일일 실현 변동성(daily realized volatility) 자료를 이용하였으며 표본외 예측(out-of sample forecasting) 오차 비교를 통해 예측 성능을 측정하였다. 그 결과, FIVARMA 모형과 VARFIMA 모형의 예측값에는 미묘한 차이가 존재하며, LSTM 네트워크의 경우 초매개변수 선택으로 복잡해 보이지만 계산적으로 더 안정되면서 예측 성능도 모수적 장기종속시계열과 뒤지지 않은 좋은 예측 성능을 보였다.