• 지능정보연구
• /
• 제25권2호
• /
• pp.39-55
• /
• 2019

최근 은행과 증권회사를 중심으로 다양한 로보어드바이저 금융상품들이 출시되고 있다. 로보어드바이저는 사람 대신 컴퓨터가 포트폴리오 자산배분에 대한 투자 결정을 실행하기 때문에 다양한 자산배분 알고리즘이 활용되고 있다. 본 연구에서는 대표적 로보어드바이저 알고리즘인 블랙리터만모형의 강점을 살리면서 객관적 투자자 전망을 도출할 수 있는 지능형 전망모형을 제안하고 이를 내재균형수익률과 결합하여 최종 포트폴리오를 도출하는 로보어드바이저 자산배분 알고리즘을 새로이 제안하며, 실제 주가자료를 이용한 실증분석 결과를 통해 전문가의 주관적 전망을 대신할 수 있는 지능형 전망모형의 실무적 적용 가능성을 보여주고자 한다. 그동안 주가 예측에서 우수한 성과를 보여주었던 기계학습 방법 중 SVM 모형을 이용하여 각 자산별 기대수익률에 대한 예측과 예측 확률을 도출하고 이를 각각 기대수익률에 대한 투자자 전망과 전망에 대한 신뢰도 수준의 입력변수로 활용하는 지능형 전망모형을 제안하였다. 시장포트폴리오로부터 도출된 내재균형수익률과 지능형 전망모형의 기대수익률, 확률을 결합하여 최종적인 블랙리터만모형의 최적포트폴리오를 도출하였다. 주가자료는 2008년부터 2018년까지의 132개월 동안의 8개의 KOSPI 200 섹터지수 월별 자료를 분석하였다. 블랙리터만모형으로 도출된 최적포트폴리오의 결과가 기존의 평균분산모형이나 리스크패리티모형 등과 비교하여 우수한 성과를 보여주었다. 구체적으로 2008년부터 2015년까지의 In-Sample 자료에서 최적화된 블랙리터만모형을 2016년부터 2018년까지의 Out-Of-Sample 기간에 적용한 실증분석 결과에서 다른 알고리즘보다 수익과 위험 모두에서 좋은 성과를 기록하였다. 총수익률은 6.4%로 최고 수준이며, 위험지표인 MDD는 20.8%로 최저수준을 기록하였다. 수익과 위험을 동시에 고려하여 투자 성과를 측정하는 샤프비율 역시 0.17로 가장 좋은 결과를 보여주었다. 증권계의 애널리스트 전문가들이 발표하는 투자자 전망자료의 신뢰성이 낮은 상태에서, 본 연구에서 제안된 지능형 전망모형은 현재 빠른 속도로 확장되고 있는 로보어드바이저 관련 금융상품을 개발하고 운용하는 실무적 관점에서 본 연구는 의의가 있다고 판단된다.

• 응용통계연구
• /
• 제30권2호
• /
• pp.243-257
• /
• 2017

본 논문에서는 옵션의 가격을 결정하기 위해 사용될 수 있는 몇 가지 근사적인 방법들을 수치적으로 비교하였다. 헤르미트 다항식 계열의 Edgeworth 확장과 A-type Gram-Charlier 방법, C-type Gram-Charlier 방법, normal inverse gaussian (NIG) 분포를 이용하는 방법, 그리고 비선형 회귀를 이용한 점근적 근사방법이 그것이다. 이 방법들을 위험중립 확률측도 하에서 수익률의 분포함수를 근사하여 옵션가격을 계산하는 방식과 옵션의 근사가격식을 먼저 구하고 모수를 추정하여 가격을 계산하는 두 가지 방식을 사용하여 비교하였다. 모의실험에서는 확률변동성 모형에서 많이 사용되는 Heston 모형과 레비확률과정에서 좋은 적합도를 보이는 NIG 모형을 이용하여 자료를 생성하였고, 실제 자료로는 KOSPI200 콜옵션을 이용하였다. 모의실험과 실제 자료분석의 결과, 근사적 가격식을 먼저 구하는 방식이 좀 더 우수한 성능을 보였고 그 가운데 A-type Gram-Charlier와 비선형 회귀를 이용한 점근적 근사방법이 좋은 성능을 보였으며, 분포함수를 추정하여 옵션가격을 계산하는 경우 NIG분포를 이용하는 것이 상대적으로 좋은 결과를 보였다.