• Asia Marketing Journal
• /
• 제14권1호
• /
• pp.53-81
• /
• 2012

묶음제품의 매력도를 증가시키기 위해 소비자들이 번들 오퍼에서의 가격 제시 프레이밍(framing)에 민감하다는 것을 이해할 필요가 있다. 동일 가격을 할인하더라도 묶음제품 요소 중 어느 요소에 가격할인을 표시하느냐에 따라 소비자의 묶음제품에 대한 지각된 매력도를 바꿀 수 있기 때문이다. 선행연구는 더 중요한 제품 요소에 할인이 할당될 때 효용이 증가한다는 주장과 덜 중요한 제품 요소에 할인을 위치시키는 것이 선호를 증가시킨다는 주장을 동시에 보이고 있다. 본 연구는 선행연구를 보완하여 묶음제품 가격 할인 제시 프레이밍효과에 대한 새로운 기제를 제시한다. 그리고 선행연구에서 믹스드(mixed)된 결론을 보이는 이유를 분석하여 밝힌다. 본 연구는 현실적인 번들링 전략 사용 상황을 고려하였으며, 좀 더 리얼한 번들링 세팅을 이용하여 가격 할인 제시 프레이밍 효과를 조사하고, 순수번들 및 혼합번들을 포함한 다양한 묶음제품을 이용하여 품질 불확실성 지각에 따른 조절효과를 분석하였다. 본 연구 결과, 소비자들은 높은 소비 혜택(high consumption benefit)보다 낮은 소비 혜택(low consumption benefit) 요소에 가격 할인을 위치시키는 것을 더 선호하였다. 가격민감성(price sensitivity)이 주요혜택에서는 낮고, 낮은 혜택에서는 높기 때문에 동일 가격이 할인될 때 낮은 혜택을 할인한 매장 제품에 대한 평가가 더 높게 나타났다. 또한 구매 시점에서 품질의 불확실성(perceived uncertainty of product quality)이 높을수록 가격민감성이 혜택 지각에 가지는 효과가 더 커지고 있었다. 본 연구의 공헌은 소비 혜택 지각 및 가격민감성 기제와 지각된 품질 불확실성의 조절효과를 통해 선행연구를 통합하고, 가격 제시 형태의 프레이밍 효과를 명확하게 설명하였다는 점이다.

• 지능정보연구
• /
• 제26권1호
• /
• pp.135-149
• /
• 2020

인공지능을 기반으로 한 다양한 연구들이 현대사회에 많은 변화를 불러일으키고 있다. 금융시장 역시 예외는 아니다. 로보어드바이저 개발이 활발하게 진행되고 있으며 전통적 방식의 단점을 보완하고 사람이 분석하기 어려운 부분을 대체하고 있다. 로보어드바이저는 인공지능 알고리즘으로 자동화된 투자 결정을 내려 다양한 자산배분 모형과 함께 활용되고 있다. 자산배분 모형 중 리스크패리티는 대표적인 위험 기반 자산배분 모형의 하나로 큰 자산을 운용하는 데 있어 안정성을 나타내고 현업에서 역시 널리 쓰이고 있다. 그리고 XGBoost 모형은 병렬화된 트리 부스팅 기법으로 제한된 메모리 환경에서도 수십억 가지의 예제로 확장이 가능할 뿐만 아니라 기존의 부스팅에 비해 학습속도가 매우 빨라 많은 분야에서 널리 활용되고 있다. 이에 본 연구에서 리스크패리티와 XGBoost를 장점을 결합한 모형을 제안하고자 한다. 기존에 널리 사용되는 최적화 자산배분 모형은 과거 데이터를 기반으로 투자 비중을 추정하기 때문에 과거와 실투자 기간 사이의 추정 오차가 발생하게 된다. 최적화 자산배분 모형은 추정 오차로 인해 포트폴리오 성과에서 악영향을 받게 된다. 본 연구는 XGBoost를 통해 실투자 기간의 변동성을 예측하여 최적화 자산배분 모형의 추정 오차를 줄여 모형의 안정성과 포트폴리오 성과를 개선하고자 한다. 본 연구에서 제시한 모형의 실증 검증을 위해 한국 주식시장의 10개 업종 지수 데이터를 활용하여 2003년부터 2019년까지 총 17년간 주가 자료를 활용하였으며 in-sample 1,000개, out-of-sample 20개씩 Moving-window 방식으로 예측 결과값을 누적하여 총 154회의 리밸런싱이 이루어진 백테스팅 결과를 도출하였다. 본 연구에서 제안한 자산배분 모형은 기계학습을 사용하지 않은 기존의 리스크패리티와 비교하였을 때 누적수익률 및 추정 오차에서 모두 개선된 성과를 보여주었다. 총 누적수익률은 45.748%로 리스크패리티 대비 약 5% 높은 결과를 보였고 추정오차 역시 10개 업종 중 9개에서 감소한 결과를 보였다. 실험 결과를 통해 최적화 자산배분 모형의 추정 오차를 감소시킴으로써 포트폴리오 성과를 개선하였다. 포트폴리오의 추정 오차를 줄이기 위해 모수 추정 방법에 관한 다양한 연구 사례들이 존재한다. 본 연구는 추정 오차를 줄이기 위한 새로운 추정방법으로 기계학습을 제시하여 최근 빠른 속도로 발전하는 금융시장에 맞는 진보된 인공지능형 자산배분 모형을 제시한 점에서 의의가 있다.