금융변수들과 주가 수익률 간의 관계에 관한 연구: 통계모형과 기계학습 모형 간의 효율성 비교
The Impact of Financial Variables on Stock Returns : A Efficiency Comparison Between Statistical and Machine Learning Models
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
거시 금융변수들이 주가지수 수익률에 미치는 영향과 이를 위한 연구방법론을 분석하기 위해 전통적 회귀분석 모형과 기계학습 방법을 사용하여 재무 이론과의 부합성을 확보함과 함께 동일 기준으로 두 방법 간의 효율성 비교를 하였다. 이를 위해 불안정 시계열 자료로부터 약안정성과 이에 따른 자기상관을 고려한 통계적 회귀모형인 다중선형모형과 ARDL 모형을 추정하였다. 또한 동일한 데이터로 대표적인 기계학습 모형들인 SVR모형, 트리기반 모형인 XGboost 모형과 Light GBM 모형 그리고 인공신경망 모형인 LSTM 모형으로 학습을 수행하여 학습 결과를 산출하였다. 추정 및 학습 결과, 기계학습 모형들의 학습 결과가 전반적으로 통계적 회귀모형의 추정 결과보다 우월한 것으로 나타났다. 기계학습 중에서는 LSTM 모형, SVR 모형 그리고 트리 기반 모형 순으로 효율성이 나타났다. 트리 기반 앙상블 모형 중에서는 leaf-wise 방식인 Light GBM 모형이 level-wise 방식의 XGboost 모형보다 높은 효율성을 보였다. 다만 LSTM 모형의 경우 무작위성 통제 측면에서 한계가 있긴 했으나, 통계적 회귀모형보다 기계학습 모형들이 전반적으로 더 효율적 결과를 산출한다는 결론을 내리는 데는 문제가 없다고 판단된다. 이와 같은 결과는 양 방법론을 병행하면 통계적 회귀모형으로 얻을 수 있는 재무적 시사점과 기계학습에서 얻는 측정 및 예측 효율성을 동시에 확보할 수 있다는 점을 시사한다.
Abstract
To analyze the impact of macro-financial variables on stock returns, we employed both traditional regression models and machine learning methods. For this purpose, we estimated statistical regression models with time series data that account for weak stationarity and autocorrelation, specifically the multiple linear regression model and the ARDL model. In addition, using the same dataset, we trained representative machine learning models, including the SVR model, tree-based models such as XGBoost and Light GBM, and the deep learning-based LSTM model, to generate learning outcomes. The estimation and training results indicated that machine learning models generally outperformed statistical regression models. Among the machine learning models, the LSTM model demonstrated the highest efficiency, followed by the SVR model and the tree-based models such as Light GBM model and XGBoost model. These results imply that combining both methodologies can allow researchers to leverage the financial insights obtained from statistical regression models while simultaneously benefiting from the measurement and predictive efficiency of machine learning models.