본문 바로가기
KERD
논문KCI 등재

국고채, 금리 스왑 그리고 통화 스왑 가격에 기반한 외환시장 환율예측 연구: 인공지능 활용의 실증적 증거

A Study on Foreign Exchange Rate Prediction Based on KTB, IRS and CCS Rates: Empirical Evidence from the Use of Artificial Intelligence

정승환|이희수|오경주|임현욱
한국지식경영학회 (The Knowledge Management Society of Korea)|2021.12|지식경영연구 (Knowledge Management Research)|제22권 제4호|pp. 71-85|DOI 10.15813/kmr.2021.22.4.004

0

조회

0

다운로드

3

인용

0

참고문헌

키워드

지식경영인공신경망Artificial neural networkKnowledge management달러원환율CCSKTBUSDKRW
주제분류경영학

초록

본 연구는 채권시장과 금리시장의 지표를 이용한 외환시장 환율예측 모델을 만드는데 있어 어떤 인공지능 방법론이가장 적합한지 밝혀내는데 그 목적이 있다. 채권시장의 대표 상품인 국고채와 통안채는 위험회피 상황이 올 때 대규모로매도되어지고 그런 경우 환율이 상승하는 모습을 자주 보여주었고, 금리시장에서 통화 스왑 (Cross Currency Swap) 가격은 달러 유동성 문제가 생길 때 주로 하락하였으며, 그 움직임은 환율의 상승에 직간접적인 영향을 미쳐온 점 등을 고려하면, 채권시장과 금리시장에서 거래되는 상품의 가격과 움직임은 외환시장에도 직간접적인 영향을 주고 있으며, 세 시장 사이엔 상호 유기적이고 보완적인 관계가 있다고 볼 수 있다. 지금까지 채권시장, 금리시장, 그리고 외환시장 사이의관계와 연관성을 밝히는 연구는 있어왔으나, 과거 많은 환율예측 연구들이 주로 GDP, 경상수지 흑자/적자, 인플레이션등 거시적인 지표를 기반으로 한 연구에 집중되어 왔으며, 채권시장과 금리시장 지표를 기반으로 인공지능을 활용하여외환시장의 환율을 예측하는 적극적인 연구는 아직 진행되지 않았다. 본 연구는 채권시장 지표와 금리시장 지표를 기반으로, 비선형데이터 분석에 적합한 인공신경망(Artificial Neural Network) 모델과, 선형데이터 분석에 적합한 로지스틱 회귀분석 (Logistic regression), 그리고 비선형/선형데이터 분석에 활용 가능한 의사결정나무 (Decision Tree)를 각각 사용하여 환율예측 모델을 만들고 그 수익률을 비교하여 어떤 모델이 가장 외환시장 환율 예측을 하는데 적합한지 알려준다. 또한, 본 연구는 주식시장, 금리시장, 오일시장, 그리고 외환시장 환율 등 비선형적 시계열 데이터 분석에 많이 사용되어진 인공신경망 모델이 채권시장과 금리시장 지표를 기반으로 한 외환시장 환율예측 모델에 가장 적합한 방법론을 제공하고 있다는 것을 증명한다. 채권시장, 금리시장, 그리고 외환시장 간의 단순한 연관성을 밝히는 것을 넘어, 세 시장 간의 거래 신호를 포착하여 적극적인 상관관계를 밝히고 상호 유기적인 움직임을 증명하는 것은 단순히 외환시장 트레이더 들에게 새로운 트레이딩 모델을 제시하는 것뿐만 아니라 금융시장 전체의 효율성을 증가시키는데 기여할 것이라 기대한다.

Abstract

The purpose of this study is to find out which artificial intelligence methodology is most suitable for creating a foreign exchange rate prediction model using the indicators of bond market and interest rate market. KTBs and MSBs, which are representative products of the Korea bond market, are sold on a large scale when a risk aversion occurs, and in such cases, the USD/KRW exchange rate often rises. When USD liquidity problems occur in the onshore Korean market, the KRW Cross-Currency Swap price in the interest rate market falls, then it plays as a signal to buy USD/KRW in the foreign exchange market. Considering that the price and movement of products traded in the bond market and interest rate market directly or indirectly affect the foreign exchange market, it may be regarded that there is a close and complementary relationship among the three markets. There have been studies that reveal the relationship and correlation between the bond market, interest rate market, and foreign exchange market, but many exchange rate prediction studies in the past have mainly focused on studies based on macroeconomic indicators such as GDP, current account surplus/deficit, and inflation while active research to predict the exchange rate of the foreign exchange market using artificial intelligence based on the bond market and interest rate market indicators has not been conducted yet. This study uses the bond market and interest rate market indicator, runs artificial neural network suitable for nonlinear data analysis, logistic regression suitable for linear data analysis, and decision tree suitable for nonlinear & linear data analysis, and proves that the artificial neural network is the most suitable methodology for predicting the foreign exchange rates which are nonlinear and times series data. Beyond revealing the simple correlation between the bond market, interest rate market, and foreign exchange market, capturing the trading signals between the three markets to reveal the active correlation and prove the mutual organic movement is not only to provide foreign exchange market traders with a new trading model but also to be expected to contribute to increasing the efficiency and the knowledge management of the entire financial market.

참고문헌 (37)

  1. 곽주영, "머신러닝을 활용한 TV 오디션 프로그램의 우승자 예측 모형 개발: 프로듀스X 101 프로그램을 중심으로", 지식경영연구, 20(3), pp.155~171 (2019), 한국지식경영학회
  2. 역전된 스왑 금리와 차익거래 지속의이례현상 분석, "김진호", 이화여자대학교, ~ (2008)
  3. 김현호, "러프집합을 활용한 캔들스틱 트레이딩 최적화 전략", 한국데이터정보과학회지, 23(5), pp.881~893 (2012), 한국데이터정보과학회
  4. 김홍곤, "핀테크 기반 주식투자 최적화 모델 구축 사례 연구 : 기관투자자 대상", 지식경영연구, 19(1), pp.97~118 (2018), 한국지식경영학회[DOI]
  5. 김홍원, "최근 환율변동이 한국의 국제수지에 미치는 영향에 관한 연구", 관세학회지, 9(3), pp.385~405 (2008), 한국관세학회
  6. 오경주, "선형 및 신경망 자기회귀모형을 이용한 주식시장 불안정성지수 개발", 한국데이터정보과학회지, 22(2), pp.335~351 (2011), 한국데이터정보과학회
  7. 윤상혁, "머신러닝 기반의 디지털 방송 프로그램 유형 분류 및 활용 방안 연구", 지식경영연구, 20(3), pp.119~137 (2019), 한국지식경영학회
  8. 윤재형, "금리, 환율, 주식수익률의 상호의존성 분석- 다변량 VAR-EGARCH 모델을 중심으로", 산업경제연구, 25(4), pp.2485~2503 (2012), 한국산업경제학회[DOI]
  9. 이근영, "외환ㆍ주식ㆍ 화폐ㆍ 채권시장의 연계성 분석", 한국경제연구, 25, pp.97~134 (2009), 한국경제연구학회
  10. 이대기, "한국금융시장의 국내외 연관성 분석", East Asian Economic Review, 13(2), pp.145~172 (2009), 대외경제정책연구원[DOI]
  11. 이덕호, "WTO 환경 하에서 국내 환율결정요인에 대한 실증분석", 통상정보연구, 8(4), pp.165~181 (2006), 한국통상정보학회
  12. 이명종, "CRS시장, IRS시장, KTB시장, 외환스왑시장, 외환시장 간 동적연계성에 대한 연구", 金融工學硏究, 19(2), pp.121~151 (2020), 한국금융공학회[DOI]
  13. 이현수, "한국 NPL시장 수익률 예측에 관한 연구", 지능정보연구, 25(2), pp.123~139 (2019), 한국지능정보시스템학회
  14. 이현재, "원화의 대미 환율결정에 관한 실증분석 : 공적분추정법에 의한 접근", 국제경제연구, 3(3), pp.129~151 (1997)
  15. 조득환, "인공지능 (AI)을 활용한 공모주 투자여부 및기준 수익률 달성 여부 예측 모델", 한국데이터정보과학회지, 31(3), pp.579~590 (2020), 한국데이터정보과학회
  16. 지호준, "외환, 주식, 채권시장의 상호 관련성-한국, 일본의 비교", 재무관리연구, 18(2), pp.169~191 (2001)
  17. 홍유정, "금융자산시장에서의 외국인투자와 환율에 관한 연구: 한국의 채권이자율과 주가수익률을 중심으로", 사회과학연구, 26(1), pp.39~60 (2019), 사회과학연구원[DOI]
  18. 홍정효, "환율, 금리, 주가사이의 동적연관성 연구", 아태경상저널, 2(1), pp.1~21 (2010), 산업경제연구소
  19. Boudt, K., "The response of multinationals' foreign exchange rate exposure to macroeconomic news", Journal of International Money and Finance, 94, pp.32~47 (2019)
  20. Macroeconomic implications of the beliefs and behavior of foreign exchange traders, "Cheung, Y. W.", National Bureau of Economic Research, ~ (1999)
  21. Evans, C., "Utilizing artificial neural networks and genetic algorithms to build an algo-trading model for intra-day foreign exchange speculation", Mathematical and Computer Modelling, 58(5-6), pp.1249~1266 (2013)
  22. Fuchs, F. U., "Macroeconomic determinants of foreign exchange rate exposure", The Quarterly Review of Economics and Finance (2020)
  23. Grassberger, P., "The theory of chaotic attractors", pp.170~189 (2004), Springer
  24. Huang, W., "Forecasting foreign exchange rates with artificial neural networks : A review", International Journal of Information Technology & Decision Making, 3(01), pp.145~165 (2004)
  25. Kim, T. Y., "Artificial neural networks for non-stationary time series", Neurocomputing, 61, pp.439~447 (2004)
  26. Kočenda, E., "Macroeconomic sources of foreign exchange risk in new EU members", Journal of Banking & Finance, 33(11), pp.2164~2173 (2009)
  27. Lahmiri, S., "A variational mode decompoisition approach for analysis and forecasting of economic and financial time series", Expert Systems with Applications, 55, pp.268~273 (2016)
  28. Lahmiri, S., "Interest rate next-day variation prediction based on hybrid feedforward neural network, particle swarm optimization, and multiresolution techniques", Physica A : Statistical Mechanics and Its Applications, 444, pp.388~396 (2016)
  29. Lahmiri, S., "Modeling and predicting historical volatility in exchange rate markets", Physica A : Statistical Mechanics and Its Applications, 471, pp.387~395 (2017)
  30. Maher, J. J., "Predicting bond ratings using neural networks: A comparison with logistic regression", Intelligent Systems in Accounting, Finance & Management, 6(1), pp.59~72 (1997)
  31. Mun, K. C., "The joint response of stock and foreign exchange markets to macroeconomic surprises : Using US and Japanese data", Journal of Banking & Finance, 36(2), pp.383~394 (2012)
  32. Oh, K. J., "Using change-point detection to support artificial neural networks for interest rates forecasting", Expert Systems with Applications, 19(2), pp.105~115 (2000)
  33. Omrane, W. B., "The sign switch effect of macroeconomic news in foreign exchange markets", Journal of International Financial Markets, Institutions and Money, 45, pp.96~114 (2016)
  34. Stokes, A., "Forecasting foreign exchange rates using artificial neural networks : A trader's approach", International Journal of Monetary Economics and Finance, 5(4), pp.370~394 (2012)
  35. Trippi, R. R., "Neural networks in finance and investing: Using artificial intelligence to improve real world performance" (1992), McGraw-Hill, Inc
  36. Wang, X., "The correlation fractal dimension of complex networks", International Journal of Modern Physics C, 24(05), pp.1350033~ (2013)
  37. "Federal Reserve System" (2021)[URL]

관련 논문AI추천

CRS시장, IRS시장, KTB시장, 외환스왑시장, 외환시장 간 동적연계성에 대한 연구이명종한국금융공학회 · 金融工學硏究2020 · 제19권 제2호머신러닝을 이용한 우리나라 환율 예측 연구노재확지식경영연구원 · 기업과혁신연구2021 · 제44권 제3호대용량 거시･금융 자료를 이용한 원/달러 환율 변동의 예측력 평가박민지, 이동진, 이지원, 전찬우예금보험공사 · 금융안정연구2022 · 제23권 제1호주가지수선물시장과 외환선물 및 국채선물시장간 연계성에 관한 실증연구유영중, 황성수한국상업경영학회 · 상업경영연구2012 · 제26권 제2호상대적 Nelson-Siegel 요인을 이용한 환율 및 자본이동 예측윤재호예금보험공사 · 금융안정연구2020 · 제21권 제2호원/달러 환율의 標本外 豫測이근영한국국제경제학회 · 국제경제연구2009 · 제15권 제2호

이 간행물의 다른 논문 (14건)

미디어 작품 캐릭터 가치 측정 연구: 네트워크 중심성 척도와 검색 데이터를 활용하여최한별, 이민형, 조성현, 이희석pp. 1-26CTR 예측을 위한 비전 트랜스포머 활용에 관한 연구임광혁, 김석훈, 김태석pp. 27-40소셜 미디어 전환의도 동기요인: 소셜 네트워크 스트레스를 중심으로김효준, 임영우, 곽기영pp. 41-70코로나19 이후 ESG 투자 전략 평가: ESG 인덱스 성과를 중심으로안재준, 오경주, 박준신pp. 87-101산업별 GDP 중요도 비교 분석: 식의약 산업 부문 GDP를 중심으로김소혜, 강병구, 김재영, 김진민pp. 103-118
원문 보기