선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 시스템 트레이딩을 이용하여 선물시장에서 거래빈도를 조절함으로써 손실 최소화에 따른 수익률 관리를 가능토록 하는 헤지펀드 투자전략을 제시한다. 헤지펀드 전략 중 하나인 시스템 트레이딩은 기술적 분석을 기반으로 한 매매기법이다.
- 본 연구에서는 선물거래 시 위험을 관리하면서 자산운용이 가능한 투자전략 모형을 개발하였다. <그림 3>은 본 연구의 제안모형으로 3단계를 거쳐 투자전략이 수립되는 과정을 보여주고 있다.
- 이를 위해 거래 기간의 패턴 예측이 필요하며, 본 연구에서 거래 기간은 미래 시점이기 때문에 과거패턴의 모양을 인식하여 거래규칙을 적용하는 방법을 사용하였다. 즉, 추출된 랜덤패턴들의 과거 패턴모양을 거래시점의 과거 패턴모양과 비교하여 가장 유사한 랜덤패턴에서 생성된 거래규칙을 적용하는 것이다. 두 패턴의 유사도 비교를 위해 2절에서 설명했던 DTW 알고리즘을 이용하였다.
- 본 연구에서는 손실 최소화를 통한 수익률 관리가 가능한 헤지펀드 투자전략을 제시하였다. 선물시장 분석을 위해 15개의 기술적 지표를 이용하여 연관성 규칙을 생성하고 이를 거래규칙으로 전환하여 사용하였다.
- 본 연구는 일반적인 주식시장에서 주가의 패턴을 고려한 전략을 제시하였다. 최근 9.
제안 방법
- 이 기법은 시뮬레이션을 통해 실제 효과를 검증할 수 있으며, 일정기간의 모의테스트를 통해 검증된 시스템에 의해 철저히 거래자 개인의 감정을 배제한 채 시스템의 신호에 의해 거래하는 전략을 의미하며, 객관적 거래, 계량화, 검증이 가능하다(김상수 외, 2008). 본 연구에서의 투자전략은 다양한 기술적 지표를 이용하여 연관성 규칙(association rule)을 생성하고 이를 거래 규칙(trading rule)으로 전환하는 과정을 통해 수립된다. 한편 연관성 규칙은 기술적 지표의 개수와 개별 지표들의 구간값의 조합으로 생성되며, 조합에 따라 거래확률을 조정함으로써 위험관리가 가능한 투자전략을 수립하는데 사용된다.
- 본 연구에서는 15개의 주요 기술적 지표( 참고)를 중심으로 분석을 수행하였으며, 이 지표들은 특정 가격범위 안에서 진동하는 성질을 가진 오실레이터 지표이다.
- 이는 유용한 입력변수를 찾아내고 입력변수 간 다양한 교호작용 즉, 두 개 이상의 변수가 결합하여 목표변수에 어떻게 영향을 주는지 찾아내기 위함이다. 각 랜덤패턴에서 주가의 상승과 하락을 목표변수(종속변수)로, 기술적 지표들을 예측변수(독립변수)로 구분하며, 엔트로피 분리기준 하나의 부모마디로부터 자식마디들이 형성될 때, 예측변수의 선택과 범주의 병합 기준을 의미함으로 자식마디를 형성하는 최상위 독립변수 5개를 선택하였다. 따라서 의사결정나무를 이용한 변수 선택 과정을 통해 무작위로 추출된 랜덤패턴마다 5개의 유용한 기술적 지표들이 선택된다.
- 실제 매매에서 초기에 적용될 거래규칙과 적용시점을 결정하는 것은 중요하다. 이를 위해 거래 기간의 패턴 예측이 필요하며, 본 연구에서 거래 기간은 미래 시점이기 때문에 과거패턴의 모양을 인식하여 거래규칙을 적용하는 방법을 사용하였다. 즉, 추출된 랜덤패턴들의 과거 패턴모양을 거래시점의 과거 패턴모양과 비교하여 가장 유사한 랜덤패턴에서 생성된 거래규칙을 적용하는 것이다.
- UI에서 패턴추출은 훈련기간에서 랜덤패턴을 추출하고 의사결정나무분석을 통해 기술적 지표들을 추출한다. 이때 지표들은 의사결정나무분석에서 분리기준으로 사용된 엔트로피를 기준으로 가장 유용한 지표를 순위별로 추출된 것이다.
- 위험 회피형 시나리오를 선택하여 매매를 할 때, (+) 수익률이 발생하면 이산화 개수를 1단위 증가시켜 최소단위의 거래빈도를 증가시키고 (−) 수익률이 발생하면 이산화 개수 1단위와 리덕트 개수 1단위를 감소시켜 거래빈도를 큰 폭으로 낮추는 전략을 적용하였다.
- 이 지표들의 순위는 리덕트 방법에 영향을 미치는데, 예를 들어 3개의 리덕트 방법을 사용할 경우 지표들의 순위로 3위까지의 기술적 지표들이 사용된다. 시뮬레이션은 10개의 과거 랜덤패턴들과 거래시작시점(검증기간의 시작시점)의 과거 패턴 간의 유사도에 의해 랜덤패턴을 결정하고 이 랜덤패턴의 규칙을 검증기간에 사용한다. 시나리오 선택은 위험 선호형(risk taker), 위험 중립형(risk neutral), 위험 회피형(risk aversion) 세 가지로 구분하였다.
- 시뮬레이션은 10개의 과거 랜덤패턴들과 거래시작시점(검증기간의 시작시점)의 과거 패턴 간의 유사도에 의해 랜덤패턴을 결정하고 이 랜덤패턴의 규칙을 검증기간에 사용한다. 시나리오 선택은 위험 선호형(risk taker), 위험 중립형(risk neutral), 위험 회피형(risk aversion) 세 가지로 구분하였다. 재무에서 정의된 위험 선호, 위험 중립, 위험 회피는 투자자의 위험회피도에 따라 결정되는 것이며 위험 중립은 수익률의 표준편차로 정의된 위험에 관계없이 수익률만 극대화하는 것을 의미한다.
- 본 연구에서 위험 중립형이 위험 회피형과 위험 선호형이 이산화 수와 리덕트 수가 조절되는 것과는 달리 고정적인 이산화 수와 리덕트 수를 사용한다는 것은 위험 중립형을 buy and hold 전략처럼 사용하여 위험 회피형과 위험 선호형의 대조군으로 사용된다는 것을 의미한다. 3개 시나리오의 거래 시뮬레이션 시 시나리오별 이산화 수와 리덕트 수의 조절을 위해 3등분위 이산화, 4개의 리덕트로 생성된 거래규칙을 거래시작시점에 동일하게 사용하였다. 3등분위와 4개의 리덕트는 시뮬레이션 시 중립적인 기초값이며, 시나리오에 의해 등분위와 리덕트의 수가 조절되기 때문에 초기값의 셋팅은 큰 의미를 가지고 있지 않다.
- 본 연구에서 제시한 투자전략의 성과를 분석하기 위해 3가지 시나리오에 따른 거래 시뮬레이션을 수행하였다. <표 7>은 시나리오에 따른 거래시뮬레이션의 수익률 및 거래횟수와 샤프지수를 보여주고 있다.
- 본 연구에서는 손실 최소화를 통한 수익률 관리가 가능한 헤지펀드 투자전략을 제시하였다. 선물시장 분석을 위해 15개의 기술적 지표를 이용하여 연관성 규칙을 생성하고 이를 거래규칙으로 전환하여 사용하였다. 기술적 지표값을 이산화하여 구간을 결정하고 리덕트 방법으로 선택된 기술적 지표의 조합을 이용하여 거래규칙을 생성하였다.
- 선물시장 분석을 위해 15개의 기술적 지표를 이용하여 연관성 규칙을 생성하고 이를 거래규칙으로 전환하여 사용하였다. 기술적 지표값을 이산화하여 구간을 결정하고 리덕트 방법으로 선택된 기술적 지표의 조합을 이용하여 거래규칙을 생성하였다. 생성된 거래규칙의 적용을 위한 투자시점 의사결정을 위해 DTW 알고리즘을 사용하여 패턴인식을 수행하였다.
- 생성된 거래규칙의 적용을 위한 투자시점 의사결정을 위해 DTW 알고리즘을 사용하여 패턴인식을 수행하였다. 실증분석에서는 실제 거래에 적합한 제약조건으로 거래비용과 슬리피지를 반영한 수익률을 산출하였다. 총 10개의 랜덤패턴을 5개의 검증 구간에 적용시킨 시뮬레이션 결과에서 3 가지 시나리오 전략은 의미 있는 결과를 보여주었다.
- 68%의 위험 중립형에 비해 높은 수익률을 보였으며, 성과분석을 위한 샤프지수 측정결과 본 연구에서 제안하는 전략의 우수성을 검증할 수 있었다. 특히 본 연구에서 제안한 거래확률에 의한 손실 최소화 전략과 연관성 규칙에 의해 생성된 거래규칙을 사용하는 투자전략은 서로 독립적으로 적용된다. 또한 손실 최소화 전략은 다른 투자전략에도 접목할 수 있고 그 확장성 면에서 의미하는 바가 크며, 특히 금융시장에서 투자전략을 개발할 때 유용하게 사용될 것으로 사료된다.
대상 데이터
- Lee 외(2010)의 연구에서 24개의 기술적 지표들 가운데, 5개의 유용한 기술적 지표들을 선택하여 거래에 사용했을 때 우수한 결과를 보였다. 이에 본 연구에서도 동일하게 5개의 5개의 기술적 지표를 선택하였다.
- 실증분석을 위한 데이터는 30분 빈도의 KOSPI 200 연결선물지수가 사용되었다. 30분 빈도 데이터는 Lee 외 (2010)의 연구에서 다른 빈도 데이터보다 우수한 빈도 데이터로 밝혀졌다.
- 30분 빈도 데이터는 Lee 외 (2010)의 연구에서 다른 빈도 데이터보다 우수한 빈도 데이터로 밝혀졌다. 전체 실험기간은 2000년 6월 8일부터 2010년 6월 10일이다. 전체기간에서 훈련기간은 2000년 6월 8일부터 2007년 12월 13일이며, 검증기간은 2009년 3월 12일부터 2010년 6월 10일이다.
- 전체 실험기간은 2000년 6월 8일부터 2010년 6월 10일이다. 전체기간에서 훈련기간은 2000년 6월 8일부터 2007년 12월 13일이며, 검증기간은 2009년 3월 12일부터 2010년 6월 10일이다. 실증분석에서 1회 거래 시 적용된 거래비용과 슬리피지는 각각 10,000원과 25,000원이다.
이론/모형
- 한편 연관성 규칙은 기술적 지표의 개수와 개별 지표들의 구간값의 조합으로 생성되며, 조합에 따라 거래확률을 조정함으로써 위험관리가 가능한 투자전략을 수립하는데 사용된다. 연구의 타당성을 검토하기 위해 KOSPI 200 연결선물데이터를 활용하여 수익성 분석을 수행하였다.
- 본 연구에서는 동적인 움직임을 갖는 두 시계열 자료의 패턴을 인식하기 위해 동적시간와핑(dynamic time warping: DTW) 알고리즘을 사용하였다. DTW는 음성인식, 온라인 필기체 문자 인식, 생물정보공학 등에서 널리 사용되고 있는 방법으로, 두 시계열 간의 거리를 최소화하는 하는 방향으로 움직이면서 매칭 시켜 각 템플릿과의 누적 거리를 계산하여 최소가 되는 집단으로 인식한다.
- 한편, 랜덤패턴에서 유용한 기술적 지표를 선택하기 위해 C4.5 알고리즘을 이용한 의사결정나무분석이 사용되었다. 이는 유용한 입력변수를 찾아내고 입력변수 간 다양한 교호작용 즉, 두 개 이상의 변수가 결합하여 목표변수에 어떻게 영향을 주는지 찾아내기 위함이다.
- 2단계에서는 1단계에서 랜덤패턴마다 선택된 기술적 지표들을 사용하여 거래 규칙이 생성되며, 이를 위해 본 연구에서는 이산화(discretization)와 리덕트(reduct) 방법이 사용되었다. 이산화는 거래규칙의 조건을 생성하기 위해 기술적 지표값의 구간을 결정하는데 사용되었다.
- 즉, 추출된 랜덤패턴들의 과거 패턴모양을 거래시점의 과거 패턴모양과 비교하여 가장 유사한 랜덤패턴에서 생성된 거래규칙을 적용하는 것이다. 두 패턴의 유사도 비교를 위해 2절에서 설명했던 DTW 알고리즘을 이용하였다. <그림 6>은 DTW를 이용하여 랜덤패턴들 중에서 거래시작시점의 과거패턴과 가장 유사한 랜덤패턴을 찾는 과정을 보여주고 있다.
- 검증기간에서의 거래를 위해 기간마다 가장 유사한 랜덤패턴을 비교하여 선택하였으며, 이때 DTW 알고리즘이 이용되었다. <표 6>은 검증기간들과 가장 유사한 랜덤패턴 기간의 순위와 유사도를 보여주고 있으며, 랜덤패턴들의 과거 20일과 검증기간의 과거 20일 간의 유사도를 측정한 결과이다.
- 예를 들어 같은 기간이지만 거래확률을 조절하지 않는 위험 중립형 시나리오의 경우 큰 폭의 (−) 수익률을 초래했지만, 이에 비해 위험 선호형과 회피형은 손실 최소화에 따른 수익률관리에 의해 작은 폭의 (−) 수익률을 가져왔으며, 소수의 거래빈도로 거래비용과 슬리피지에 의한 손실을 최소화하였다. 본 연구에서는 시나리오에 따른 성과를 평가하기 위하여 샤프지수(Sharpe ratio)를 측정하였다. 샤프지수는 특정 펀드가 한 단위의 위험자산에 투자해서 얻은 초과수익의 정도를 나타내는 지표로써 펀드수익률에서 무위험채권 이자율(CD금리)를 뺀 값을 펀드수익률의 표준편차로 나누어 계산된다(Sharpe, 1994).
- 기술적 지표값을 이산화하여 구간을 결정하고 리덕트 방법으로 선택된 기술적 지표의 조합을 이용하여 거래규칙을 생성하였다. 생성된 거래규칙의 적용을 위한 투자시점 의사결정을 위해 DTW 알고리즘을 사용하여 패턴인식을 수행하였다. 실증분석에서는 실제 거래에 적합한 제약조건으로 거래비용과 슬리피지를 반영한 수익률을 산출하였다.
- 또한 거래규칙 생성에 사용된 이산화와 리덕트 방법을 더 다양하게 적용하여 다양한 거래규칙 생성으로 성과향상에 영향을 주는지에 대한 연구가 필요하다. 본 연구에서는 위험 회피형과 선호형의 대조군을 위해 위험 중립형 시나리오는 buy and hold 전략과 같은 의미로 사용되었다. 차후 연구에서는 만기 보유전략, 인덱스 펀드 전략, 래더형 만기전략, 바벨형 만기전략 등의 다양한 passive전략과의 비교로 본 연구에서 개발된 투자전략의 우수성을 검증할 필요가 있다.
성능/효과
- 즉 거래규칙 변화를 통한 거래확률을 조절하지 않는 것이다. 본 연구에서 위험 중립형이 위험 회피형과 위험 선호형이 이산화 수와 리덕트 수가 조절되는 것과는 달리 고정적인 이산화 수와 리덕트 수를 사용한다는 것은 위험 중립형을 buy and hold 전략처럼 사용하여 위험 회피형과 위험 선호형의 대조군으로 사용된다는 것을 의미한다. 3개 시나리오의 거래 시뮬레이션 시 시나리오별 이산화 수와 리덕트 수의 조절을 위해 3등분위 이산화, 4개의 리덕트로 생성된 거래규칙을 거래시작시점에 동일하게 사용하였다.
- <표 7>은 시나리오에 따른 거래시뮬레이션의 수익률 및 거래횟수와 샤프지수를 보여주고 있다. 위험 선호형이 전반적으로 가장 높은 수익률을 보였으며 평균수익률 결과도 27.50%로 가장 높았다. 그 다음으로 위험 회피형이 24.
- 따라서 위험 선호형은 71.71%, 위험 회피형은 54.26%의 엄청난 수익률을 가져왔지만, 위험 중립형은 동일한 시장상황2) 임에도 불구하고 −11.73%의 (−) 수익률을 초래하였다.
- <그림 9>는 시나리오별 수익률의 변화를 자세히 보여주고 있다. 검증 1의 경우, 위험 선호형과 회피형은 손실 최소화 관리에 의해 지속적으로 수익률이 증가하는 모습을 보여주고 있는 반면, 위험 중립형은 초기 기간에는 수익률이 증가하지만 수익률관리 전략이 적용되지 않아 중반 이후부터 수익률이 감소하는 모습을 보여주고 있다. 따라서 위험 선호형은 71.
- 위험 선호형과 회피형은 평균 수익률이 각각 27.50%, 24.95%로, −3.68%의 위험 중립형에 비해 높은 수익률을 보였으며, 성과분석을 위한 샤프지수 측정결과 본 연구에서 제안하는 전략의 우수성을 검증할 수 있었다.
- 실증분석에서는 실제 거래에 적합한 제약조건으로 거래비용과 슬리피지를 반영한 수익률을 산출하였다. 총 10개의 랜덤패턴을 5개의 검증 구간에 적용시킨 시뮬레이션 결과에서 3 가지 시나리오 전략은 의미 있는 결과를 보여주었다. 위험 선호형과 회피형은 평균 수익률이 각각 27.
후속연구
- 특히 본 연구에서 제안한 거래확률에 의한 손실 최소화 전략과 연관성 규칙에 의해 생성된 거래규칙을 사용하는 투자전략은 서로 독립적으로 적용된다. 또한 손실 최소화 전략은 다른 투자전략에도 접목할 수 있고 그 확장성 면에서 의미하는 바가 크며, 특히 금융시장에서 투자전략을 개발할 때 유용하게 사용될 것으로 사료된다.
- 본 연구의 한계점은 현재 주식시장에서 사용되고 있는 수많은 기술적 지표들 중에서 15개의 오실레이터 지표만 사용되었다는 점이다. 개발된 투자전략의 더 나은 성과를 위해 변수로 사용된 15개의 오실레이터 지표 이외에 다양한 지표들을 사용하여 분석하는 것이 필요하며, 더 많은 파생 지표의 개발도 고려해 된다.
- 본 연구의 한계점은 현재 주식시장에서 사용되고 있는 수많은 기술적 지표들 중에서 15개의 오실레이터 지표만 사용되었다는 점이다. 개발된 투자전략의 더 나은 성과를 위해 변수로 사용된 15개의 오실레이터 지표 이외에 다양한 지표들을 사용하여 분석하는 것이 필요하며, 더 많은 파생 지표의 개발도 고려해 된다. 또한 거래규칙 생성에 사용된 이산화와 리덕트 방법을 더 다양하게 적용하여 다양한 거래규칙 생성으로 성과향상에 영향을 주는지에 대한 연구가 필요하다.
- 개발된 투자전략의 더 나은 성과를 위해 변수로 사용된 15개의 오실레이터 지표 이외에 다양한 지표들을 사용하여 분석하는 것이 필요하며, 더 많은 파생 지표의 개발도 고려해 된다. 또한 거래규칙 생성에 사용된 이산화와 리덕트 방법을 더 다양하게 적용하여 다양한 거래규칙 생성으로 성과향상에 영향을 주는지에 대한 연구가 필요하다. 본 연구에서는 위험 회피형과 선호형의 대조군을 위해 위험 중립형 시나리오는 buy and hold 전략과 같은 의미로 사용되었다.
- 본 연구에서는 위험 회피형과 선호형의 대조군을 위해 위험 중립형 시나리오는 buy and hold 전략과 같은 의미로 사용되었다. 차후 연구에서는 만기 보유전략, 인덱스 펀드 전략, 래더형 만기전략, 바벨형 만기전략 등의 다양한 passive전략과의 비교로 본 연구에서 개발된 투자전략의 우수성을 검증할 필요가 있다.
- 11테러, 쓰나미, 북한 도발 등의 갑작스러운 상황으로 인해 일반적인 주식시장의 패턴을 추종하지 않는 경우가 발생하고 있다. 향후 연구에서는 개발된 투자전략을 확장하여 이러한 극단적인 상황의 패턴에 적용할 수 있는 패턴 예측 연구를 수행할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.