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
- 다음은 KODEX 레버리지와 KODEX 인버스 지수수익률의 변화에 대해 KOSPI200 지수수익률이 어느 정도의 크기로 반응하는지 파악하고자 하며, 이러한 결과가 에 나타나 있다.
- 여기서 가격발견이라 함은 하나 이상의 금융시장에서 관련자산이 거래될 때 새로운 정보를 반영하는 관련 자산시장의 속도를 의미하는 것으로, 다시 말하면 자산시장에 어떤 새로운 정보가 유입되면 시장의 미시구조와 증권의 설계에 따라 효율성이 높은 시장(자산)일수록 신속하게 반응한다라는 것이다(강석규, 2009). 본 연구는 이러한 점을 착안하여 우리나라 ETF 시장을 대표하는 상품인 KODEX 레버리지와 KODEX 인버스가 KOSPI200 지수에 대해 가격 발견에 있어서 우월한 역할을 하는지와 이들 간의 상호의존성에 대해 알아볼 것이다.
- 본 절에서는 벡터자기회귀모형을 이용하여 충격반응함수(impulse response function), 분산분 해(variance decomposition)를 통해KODEX 레버리지 및 KODEX 인버스와 KOSPI200 지수 간에 동태적 상호의존성을 알아보고자 한다. 이러한 결과는 <그림 1>에 나타나 있다.
- 본 절에서는 어떤 시장이 가격발견에 있어서 주도적인 역할을 하는지를 알아보기 위한 것으로 는 이러한 결과를 나타낸 것이다.
- 제2장에서는 연구목적을 수행하게 위해 어떤 방법을 사용할 것인가에 대한 연구방법론에 대해 설명한다. 제3장과 4장에서는 KODEX 레버리지, KODEX 인버스와 KOSPI200 지수 중에서 어떤 시장이 가격발견에 있어서 우월한지에 대해 알아보고 이들 간에 상호의존성에 대해 알아본다. 마지막으로, 제5장에서는 실증분석 결과를 요약하고 시사점을 제시한다.
제안 방법
- 본 연구는 2018년 4월 10일부터 7월 10일까지의 고빈도 자료인 1분 데이터 23,190개를 사용하여 KOSPI200 지수와 KODEX 레버리지, KODEX 인버스 간에 있어서 오차수정모형을 이용하여 어떤 시장이 가격발견에 대해 우위에 있는지와 이들 간에 충격반응함수와 분산분해를 통해 동태적인 상호의존성에 대해 분석하였다. 주요 분석결과는 다음과 같다.
- 다음은 KODEX 레버리지와 KODEX 인버스 지수수익률의 변화에 대해 KOSPI200 지수수익률이 어느 정도의 크기로 반응하는지 파악하고자 하며, 이러한 결과가 <표 5>에 나타나 있다. 충격에 의한 소멸이 완전히 사라지는 것으로 판단되는 12기간 예측(12-periods ahead forecasts)으로 하였다.
대상 데이터
- 실증분석에는 일중자료인 1분 데이터를 사용하였는데, 그 이유는 KODEX 레버리지, KODEX 인버스 가격이 KOSPI200 지수에 연동 또는 추종하도록 설계되었고 우리나라 자본시장의 효율성 정도를 고려해본다면 이들 간의 관계를 보다 정밀하게 분석하기 위해서는 고빈도 데이터를 사용함으로써 자료간의 간격을 최소화시키는 것이 바람직하다고 판단하였기 때문이다. KOSPI200 지수, KODEX 레버리지, KODEX 인버스 가격자료는 코스콤의 체크단말기에서 추출하였다.
- 본 연구는 KOSPI200 지수, KOSPI200 지수의 가격움직임과 연동되도록 설계된 KODEX 레버리지, KODEX 인버스를 분석대상으로 하며 자료의 기간은 2018년 4월 10일부터 7월 10일까지이다. 실증분석에는 일중자료인 1분 데이터를 사용하였는데, 그 이유는 KODEX 레버리지, KODEX 인버스 가격이 KOSPI200 지수에 연동 또는 추종하도록 설계되었고 우리나라 자본시장의 효율성 정도를 고려해본다면 이들 간의 관계를 보다 정밀하게 분석하기 위해서는 고빈도 데이터를 사용함으로써 자료간의 간격을 최소화시키는 것이 바람직하다고 판단하였기 때문이다.
- 이처럼 국내․외에 ETF와 관련된 연구는 다양한 주제로 활발히 진행되고 있다. 본 연구는 우리나라에 상장되어 있는 ETF 중에서 KODEX 레버리지와 KODEX 인버스를 이용하여 분석을 진행한다. 지금까지 국내에서 진행된 대부분 연구들은 ETF 중에서 거래가 가장 많은 KODEX200 중심으로 수행되었지만, 거래가 KODEX200 만큼 활발한 KODEX 레버리지나 인버스에 관련된 연구는 미흡한 실정이다.
데이터처리
- 공적분의 차수 선정은 VAR(vector autoregression)(p)에 근거하여 SBIC(Schwarz’s Bayesian Information Criterion) 값이 최소가 되는 시차를 선택하였다.
이론/모형
- 한편, 어떤 시장이 가격발견을 주도적으로 하는가를 알아보고자 할 때에는 Hasbrouck(1995)의 정보비율이 유용한 것으로 알려져 있다. 본논문에서는 Baba and Inada(2009)에 의해 제안된 방법에 따라 Hasbrouk 하한치(lower limit), 상한치(upper limit)를 다음과 같이 산출하였다.
- 본 연구에서에 사용될 벡터오차수정모형은 아래와 같이 수준변수(level variables )와 차분변수 (difference variables)를 회귀방정식에 동시에 포함시켜 분석하는 특징을 가지고 있으며 장기적으로 균형관계에 있는 두 변수 간의 관계를 표현하는데 적절한 모형으로 잘 알려져 있다. 연구 방법과 관련해서는 Hasbrouck(1995), Baba and Inada(2009), Yang and Chang(2014), 변영태 (2014) 등을 참고하여 진행하였다.
성능/효과
- Jarque-Bera를 보면 이들 지수(가격)는 모두 정규분포하지 않는 것으로 나타났다. KODEX 레버리지, KODEX 인버스는 KOSPI200 지수와 연동되도록 설계되었으므로 예상대로 상관관계에서 통계적으로 의미 있는 값을 보였다.
- KODEX 레버리지는 12시차까지 99.80% 이므로 수익률 변화의 대부분이 자기 자신 또는 다른 변수의 변화에 의한 것으로 나타났다. 반면에 KOSPI200 지수수익률의 변화는 1시차 40.
- KODEX 인버스와 KOSPI200 지수 간에는 λ1이 1% 수준에서 통계적으로 유의한 음(-)의 값을 가지고 λ2가 통계적으로 비유의적인 값을 가지므로 KOSPI200 지수가 KODEX 인버스보다 가격발견에 있어서 우월한 역할을 하고 있는 것으로 나타났다.
- <표 1>은 KOSPI200 지수, KODEX 레버리지, KODEX 인버스의 기술통계량을 나타낸 것으로 분석대상 기간 동안 KOSPI200 지수, KODEX 레버리지는 상승하였고 KODEX 인버스는 하락 하였음을 알 수 있다. KOSPI200 지수, KODEX 레버리지는 분포가 왼쪽 꼬리(left tail), KODEX 인버스는 우측으로 치우친 오른쪽 꼬리(right tail)를 가지는 것으로 나타났다. Jarque-Bera를 보면 이들 지수(가격)는 모두 정규분포하지 않는 것으로 나타났다.
- KOSPI200 지수수익률은 KODEX 인버스 지수수익률에 대해 부(-)의 방향으로 즉각적인 반응을 보이며, 2분 후에는 그 충격이 소멸되는 것으로 나타났다. 네 번째 그림은 KOSPI200 지수 수익률이 한 단위 증가하였을 때 KODEX 인버스 지수 수익률이 어떻게 반응하는지를 시간별로 나타낸 것으로 즉각적인 반응보다는 1분이 경과한 후에 부(-)의 방향으로 큰 반응을 보이며 3분 후에는 소멸하고 있음을 알 수 있다.
- 38% 설명되는 것으로 나타났다. KOSPI200 지수수익률의 변화는 1시차 25.44%, 6시차 48.46%, 12시차 52.09%로 시차가 짧을 때에는 KOSPI200 자기 자신 또는 다른 변수에 의해 설명되는 부분이 높았지만 시차가 길어질수록 KODEX 인버스 지수수익률에 의해 영향을 크게 받고 있음을 알 수 있다.
- 결과를 정리해보면 KODEX 레버리지와 KOSPI 200 지수 간에는 KODEX 레버리지가 가격발견에 있어서 더 중요한 역할을 하는 것으로 나타났고, KODEX 인버스와 KOSPI200 지수 간에는 KOSPI200 지수가 가격발견에 있어서 우위에 있는 것으로 나타났다.
- 이는 주식시장에 어떤 충격(fundamental shocks)이 가해지면 KODEX 레버리지가 KOSPI200 지수보다 우선적으로 반응을 한다는 의미로 해석할 수 있다.단순한 논리로 생각해보면 KODEX 레버리지가 KOSPI200 지수에 연동되어 있으므로 KOSPI200 지수가 가격발견에 있어서 우월한 역할을 할 것으로 같지만 본 연구에서는 반대의 결과를 보였다.
- 또한 KODEX 인버스와 KOSPI200 지수 간에는 앞의 결과와는 다르게 KOSPI200 지수가 가격발견에 대해 우위에 있는 것으로 나타났다. 둘째, KOSPI200 지수는 KODEX 레버리지에 대해 보다 강하게 의존적인 것으로 나타났고, 이것은 KODEX 레버리지 지수가 KOSPI200 지수에 비해 가격발견에 있어서 우월한 역할을 수행한다는 것과 일관성을 가지는 결과라고 볼 수 있다. 한편 KODEX 인버스 지수에 대해 KOSPI200 지수가 어느 정도 의존성이 존재한다고 할 수 있으나 KODEX 레버리지 지수보다는 의존성이 상대적으로 낮은 것으로 나타났다.
- 또한 KOSPI200 지수와 KODEX 인버스 간에도 동일한 결과를 보였다. 따라서 이들 간에는 모두 공적분 관계가 존재하는 것을 의미하며, 단위근 검정결과와 더불어 공적분 분석결과는 본 연구에서 가장 중요한 부분인 오차수정모형을 사용할 수 있는 근거가 된다고 할 수 있다.
- 가 통계적으로 비유의적인 값을 가지므로 KOSPI200 지수가 KODEX 인버스보다 가격발견에 있어서 우월한 역할을 하고 있는 것으로 나타났다. 또한 Hasbrouck 평균값이 0.5보다 작은 값을 가지므로 KOSPI 200지수가 가격 발견에 있어서 중요한 역할을 한다는 사실을 발견하였다.
- 첫째, KODEX 레버리지와 KOSPI200 지수 간에는 KODEX 레버리지가 가격발견에 있어서 우월한 역할을 한다는 증거를 발견하였다. 또한 KODEX 인버스와 KOSPI200 지수 간에는 앞의 결과와는 다르게 KOSPI200 지수가 가격발견에 대해 우위에 있는 것으로 나타났다. 둘째, KOSPI200 지수는 KODEX 레버리지에 대해 보다 강하게 의존적인 것으로 나타났고, 이것은 KODEX 레버리지 지수가 KOSPI200 지수에 비해 가격발견에 있어서 우월한 역할을 수행한다는 것과 일관성을 가지는 결과라고 볼 수 있다.
- KOSPI200 지수수익률은 KODEX 레버리지 지수수익률의 변화에 정(＋)의 관계로 변한다는 것을 알 수 있다. 또한 KOSPI200 지수 수익률은 KODEX 레버리지 지수수익률에 대해 즉각적인 반응을 보이고 있으며 4분 후에는 그 충격이 소멸하고 있음을 알 수 있다.
- 이러한 특성을 갖는 대표적인 것이 주가와 관련된 시계열들이다. 아래의 표에서 알 수 있듯이 KOSPI200 지수, KODEX 레버리지, KODEX 인버스 모두 수준변수에는 단위근을 가지고 나타났고 수익률로 변환했을 때에는 안정적인 시계열을 가지는 것으로 나타났다.
- 우선, KODEX 레버리지와 KOSPI200 지수 간에 있어서 λ2가 1% 수준에서 통계적으로 유의한 양 (＋)의 값을 가지고 λ1가 통계적으로 비유의적인 값을 가지므로 KODEX 레버리지가 KOSPI200 지수보다 가격발견에 있어서 우월한 역할을 하고 있는 것으로 나타났다.
- 우선, KOSPI200지수와 KODEX 레버리지 간에 대해 ‘공적분 관계가 존재하지 않는다’(r＝0)라는 귀무가설에 대해 λtrace, λmax의 값은 각각 22.16, 22.09로 5% 유의수준에서 가설을 기각함을 알 수 있다.
- <표 1>은 KOSPI200 지수, KODEX 레버리지, KODEX 인버스의 기술통계량을 나타낸 것으로 분석대상 기간 동안 KOSPI200 지수, KODEX 레버리지는 상승하였고 KODEX 인버스는 하락 하였음을 알 수 있다. KOSPI200 지수, KODEX 레버리지는 분포가 왼쪽 꼬리(left tail), KODEX 인버스는 우측으로 치우친 오른쪽 꼬리(right tail)를 가지는 것으로 나타났다.
- 이러한 결과는 에서 분석한 KODEX 레버리지 지수가 KOSPI200 지수에 비해 가격발견에 있어서 우월한 역할을 수행한다는 것과 연결된다고 볼 수 있다.
- 특히, 허창수․강형철․엄경식(2012)은 한국 ETF의 가격효율성에 대해 분석을 하였는데, NAV와 벤치 마크 지수의 수익률 차이로 정의된 추적오차는 벤치마크 지수의 변동성, 분배금 지급 및 구성종목 변경 빈도에 따라 커진다는 사실을 알아내었다. 이러한 분석결과에서 이들은 분배금, 보수율과 같은 제도적 요인과 ETF 시장참여자의 특성에 따라 추적오차나 괴리율이 커질 수 있다는 시사점을 제시하였다. 한편, Chung(2012)에 따르면 ETF의 KOSPI200 대비 추적오차는 통계적으로 유의적이며 경제적으로도 무시하지 못할 수준임을 알아내었고, ETF는 NAV 대비 저평가되는 경향이 있으며, 저평가 현상은 상당기간 지속된다는 사실을 발견하였다.
- 이상의 내용을 정리해보면 KOSPI200 지수는 KODEX 레버리지에 대해 상대적으로 의존성이 강한 것으로 나타났다. 이러한 결과는 <표 4>에서 분석한 KODEX 레버리지 지수가 KOSPI200 지수에 비해 가격발견에 있어서 우월한 역할을 수행한다는 것과 연결된다고 볼 수 있다.
- 주요 분석결과는 다음과 같다. 첫째, KODEX 레버리지와 KOSPI200 지수 간에는 KODEX 레버리지가 가격발견에 있어서 우월한 역할을 한다는 증거를 발견하였다. 또한 KODEX 인버스와 KOSPI200 지수 간에는 앞의 결과와는 다르게 KOSPI200 지수가 가격발견에 대해 우위에 있는 것으로 나타났다.
- 우선, KODEX 레버리지와 KOSPI200 지수 간에 있어서 λ2가 1% 수준에서 통계적으로 유의한 양 (＋)의 값을 가지고 λ1가 통계적으로 비유의적인 값을 가지므로 KODEX 레버리지가 KOSPI200 지수보다 가격발견에 있어서 우월한 역할을 하고 있는 것으로 나타났다. 추가적으로 Hasbrouck Information Ratio 분석에 있어서도 Hasbrouck 하한치와 Hasbrouck 상한치의 평균값이 0.5보다큰 값을 가지므로, KODEX 레버리지가 KOSPI200 지수보다 가격발견에 있어서 중요한 역할을 한다는 것을 알 수 있다. 이는 주식시장에 어떤 충격(fundamental shocks)이 가해지면 KODEX 레버리지가 KOSPI200 지수보다 우선적으로 반응을 한다는 의미로 해석할 수 있다.
- 둘째, KOSPI200 지수는 KODEX 레버리지에 대해 보다 강하게 의존적인 것으로 나타났고, 이것은 KODEX 레버리지 지수가 KOSPI200 지수에 비해 가격발견에 있어서 우월한 역할을 수행한다는 것과 일관성을 가지는 결과라고 볼 수 있다. 한편 KODEX 인버스 지수에 대해 KOSPI200 지수가 어느 정도 의존성이 존재한다고 할 수 있으나 KODEX 레버리지 지수보다는 의존성이 상대적으로 낮은 것으로 나타났다.
- 71%로 시차가 길어질수록 KODEX 레버리지 지수수익률의 변화에 의해 영향을 크게 받는 것으로 나타났다. 한편 KODEX 인버스와 KOSPI200 지수수익률 간에 있어서는 KODEX 인버스 지수수익률의 변화 중에서 12시차까지 KOSPI200 지수수익률에 의해 12.38% 설명되는 것으로 나타났다. KOSPI200 지수수익률의 변화는 1시차 25.
- 이러한 결과는 <표 4>에서 분석한 KODEX 레버리지 지수가 KOSPI200 지수에 비해 가격발견에 있어서 우월한 역할을 수행한다는 것과 연결된다고 볼 수 있다. 한편 KOSPI200 지수도 KODEX 인버스 지수에 대해 어느 정도 의존성이 존재한다고 말할 수 있으나 KODEX 레버리지 지수보다는 의존성이 약한 결과를 보였다.
후속연구
- 무엇보다 자본시장에 참여하는 투자자들이 가장 관심가지는 것은 자산가격에 대한 예측일 것이다. KODEX 레버리지는 KOSPI200 지수에 선행하여 가격변동이 일어난다는 결과는 자본시장의 참여자들에게 보다 합리적인 투자의사결정을 함에 있어서 유용한 정보를 제공될 것으로 판단된다.
- 지금까지 국내에서 진행된 대부분 연구들은 ETF 중에서 거래가 가장 많은 KODEX200 중심으로 수행되었지만, 거래가 KODEX200 만큼 활발한 KODEX 레버리지나 인버스에 관련된 연구는 미흡한 실정이다. 또한 ETF와 KOSPI200 지수 간의 가격발견 및 상호의존성에 대한 분석은 이들 간의 관계 특성상 고빈도 데이터를 사용해야 함에도 불구하고 일부 분석에서는 일별 자료(daily data)를 사용하여 연구를 진행한 점은 한계점으로 지적되어 왔기에 본 연구를 수행한다는 것은 나름대로 의미 있을 것으로 판단된다.
- 본 연구는 우리나라에 상장된 ETF 중에서 2종목에 한정하여 가격발견과 상호의존성에 대해 검증하였으므로 향후 다른 벤치마크를 추종하는 ETF를 이용하여 분석하는 것도 의미가 있을 것으로 판단된다. 또한 고빈도 데이터 확보의 어려움으로 인해 분석기간을 3개월로 한정되었기 때문에 연구결과를 일반화하는데 한계가 있으므로 추후에는 분석기간을 보다 확장하여 주식시장의 상승기와 하락기로 구분하여 분석하는 것도 의미가 있을 것으로 보인다.
- 본 연구는 우리나라에 상장된 ETF 중에서 2종목에 한정하여 가격발견과 상호의존성에 대해 검증하였으므로 향후 다른 벤치마크를 추종하는 ETF를 이용하여 분석하는 것도 의미가 있을 것으로 판단된다. 또한 고빈도 데이터 확보의 어려움으로 인해 분석기간을 3개월로 한정되었기 때문에 연구결과를 일반화하는데 한계가 있으므로 추후에는 분석기간을 보다 확장하여 주식시장의 상승기와 하락기로 구분하여 분석하는 것도 의미가 있을 것으로 보인다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.