• 재무관리연구
• /
• 제9권2호
• /
• pp.101-147
• /
• 1992

증권거래소(證券去來所)는 시황에 따라 위탁증거금율(委託證據金率)을 탄력적으로 변경 운용함으로써 시장의 수급을 조절하는 등의 시장관리수단의 하나로 이용하여 공정한 시세형성을 기하고자 설립시부터 증권회사로 하여금 매매의 위탁시 위탁증거금을 징수하도록 규정하고 증거금율을 상황에 따라 신축적으로 운용하여 1962년 이후에만도 무려 32회이상 변경하였다. 따라서 문제의 핵심은 위탁증거금징수가 주식시장에서의 과잉투기행위를 근절시키고 주가변동율(株價變動率)(stock volatility)을 감소시켜 공정거래질서(公正去來秩序)를 확보하는데 기여하고 있는지의 여부가 된다. 이 점은 특히 미국(美國)에서 1987년 10월 소위 '검은 월요일(Black Monday)'당시 갑작스러운 주가폭락과 시장체계의 붕괴사태이후 금융시장의 발전을 모색하는 정책당국자들과 학자들사이에 새로운 주목을 받기 시작하였다. Salinger(1989)와 Schwert(1989)는 위탁증거금율(委託證據金率)의 변경과 주가변동율(株價變動率)의 감소와는 아무런 인과관계가 없다고 결론을 내리고 있다. 특히 Schwert는 거래일시중단시책마저도 주가변동율에 별 효과가 없다고 주장하면서 금융공황과 관련된 거래일시중단은 주가변동을 큰 폭으로 증가시켜왔으나 금융공황을 동반하지 않은 기래일시중단은 높은 주가변동율과 무관함을 밝히고 있다. Hardouvelis(1991)는 그러나 위탁증거금율을 상승시키면 주가변동율이 낮아지며, 결과적으로 주가가 본원적가치(本源的價値)로부터 일탈하는 현상도 줄어든다는 사실을 통계적으로 입증하고, 위탁증거금의 징수가 시장을 교란하는 악성투기행위를 억제시키는데 매우 효과적인 정책수단이라고 주장하고 있다. 본 연구는 우리나라 주식시장에서 과잉투기현상을 억제하여 시장의 안정을 확보하는 기능으로서의 위탁증거금제도에 대해 그 경제적 효과여부를 규명하는 실증분석을 행하였다. 이 논문에서는 Schwert(1989)와 Hardouvelis(1991)의 방법을 원용하여 두가지 서로 다른 방법으로 주가변동율을 측정하여 비교하였다. 통계적 기법은 기본적으로 다변량(多變量) 회귀분석법(回歸分析法)을 택하였다. 분석의 결과로 매우 흥미로운 실증상(實證上)의 규칙성(規則性)을 발견하였다. 즉 현금시장(cash market)의 위탁증거금율이 높아지면 실제주가변동율(實際株價變動率)과 초과주가변동율(超過株價變動率)이 감소되고, 또한 유행(流行)의 경우와 마찬가지로 본원적 가치로부터의 괴리가 작아진다. 이 결과에 따르면 위탁증거금의 징수는 그 제도의 취지에 부합되고 있다. 다만 제도운용상의 이유이거나 혹은 우리나라 주식시장의 투자자들이 비합리적인 투자형태를 보임에 따라 그 정책적 효과는 때로 역기능적인 결과로 초래하였다. 그럼에도 불구하고 이 연구결과를 통하여 최소한 주식시장(株式市場)에서 위탁증거금제도는 그 제도적 의의가 여전히 있다는 사실이 확인되었다. 또한 우리나라 주식시장에서 통상 과열투기 행위가 빈번히 일어나 주식시장을 교란시킴으로써 건전한 투자풍토조성에 저해된다는 저간의 우려가 매우 커왔으나 표본 기간동안에 대하여 실증분석을 한 결과 주식시장 전체적으로 볼 때 주가변동율(株價變動率), 특히 초과주가변동율(超過株價變動率)에 미치는 영향이 그다지 심각한 정도는 아니었으며 오히려 우리나라의 주식시장은 미국시장에 비해 주가가 비교적 안정적인 수준을 유지해 왔다고 볼 수 있다.

• 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.

• 지능정보연구
• /
• 제26권2호
• /
• pp.105-129
• /
• 2020

본 연구는 부도위험 예측을 위해 K-IFRS가 본격적으로 적용된 2012년부터 2018년까지의 기업데이터를 이용한다. 부도위험의 학습을 위해, 기존의 대부분 선행연구들이 부도발생 여부를 기준으로 사용했던 것과 다르게, 본 연구에서는 머튼 모형을 토대로 각 기업의 시가총액과 주가 변동성을 이용하여 부도위험을 산정했으며, 이를 통해 기존 방법론의 한계로 지적되어오던 부도사건 희소성에 따른 데이터 불균형 문제와 정상기업 내에서 존재하는 부도위험 차이 반영 문제를 해소할 수 있도록 하였다. 또한, 시장의 평가가 반영된 시가총액 및 주가 변동성을 기반으로 부도위험을 도출하되, 부도위험과 매칭될 입력데이터로는 비상장 기업에서 활용될 수 있는 기업 정보만을 활용하여 학습을 수행함으로써, 포스트 팬데믹 시대에서 주가 정보가 존재하지 않는 비상장 기업에게도 시장의 판단을 모사하여 부도위험을 적절하게 도출할 수 있도록 하였다. 기업의 부도위험 정보가 시장에서 매우 광범위하게 활용되고 있고, 부도위험 차이에 대한 민감도가 높다는 점에서 부도위험 산출 시 안정적이고 신뢰성 높은 평가방법론이 요구된다. 최근 머신러닝을 활용하여 기업의 부도위험을 예측하는 연구가 활발하게 이루어지고 있으나, 대부분 단일 모델을 기반으로 예측을 수행한다는 점에서 필연적인 모델 편향 문제가 존재하고, 이는 실무에서 활용하기 어려운 요인으로 작용하고 있다. 이에, 본 연구에서는 다양한 머신러닝 모델을 서브모델로 하는 스태킹 앙상블 기법을 활용하여 개별 모델이 갖는 편향을 경감시킬 수 있도록 하였다. 이를 통해 부도위험과 다양한 기업정보들 간의 복잡한 비선형적 관계들을 포착할 수 있으며, 산출에 소요되는 시간이 적다는 머신러닝 기반 부도위험 예측모델의 장점을 극대화할 수 있다. 본 연구가 기존 머신러닝 기반 모델의 한계를 극복 및 개선함으로써 실무에서의 활용도를 높일 수 있는 자료로 활용되기를 바라며, 머신러닝 기반 부도위험 예측 모형의 도입 기준 정립 및 정책적 활용에도 기여할 수 있기를 희망한다.