KOSPI 시장지표를 활용한 국민연금 수익률 단기 예측 모형 개발
Development of a Return Short-term Forecasting Model for the National Pension Fund Using KOSPI Market Indicators
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
국민연금기금의 운용성과는 국가 재정의 중장기 전망과 연간 예산편성에 직·간접적인 영향을 미친다. 그러나 공식 실적 데이터는 일정한 시차를 두고 공표되므로, 시장 상황이 급변하는 시기에는 정책 판단과 실제 수익 간 괴리가 발생할 수 있다. 본 연구는 이러한 정보 지체 문제를 보완하기 위해, 국민연금의 국내 주식 수익률을 실시간에 가깝게 추정하는 예측 모형을 제안한다. 분석에는 공개된 일일 시장지표 자료인 KOSPI 지수, 등락률, 변동폭, 거래량 등을 활용하였고, 이질적인 시계열 주기를 연결하기 위해 MIDAS 구조를, 비선형성과 상호작용을 반영하기 위해 랜덤 포레스트 알고리즘을 적용하였다. 또한 예측의 불확실성을 정량적으로 제시하기 위해 부트스트랩 기법을 활용한 신뢰구간 추정을 수행하였다. 분석 결과, 제안된 모형은 절대수익률보다는 벤치마크 대비 초과수익률(알파)의 추세를 더 안정적이고 정밀하게 예측하는 것으로 나타났다. 특히 예측 정확도를 나타내는 RMSE 기준으로, 초과수익률 예측은 절대수익률보다 약 13% 낮은 오차를 보였다. 이는 본 모형이 시장 전체의 변동성(베타)을 단순히 추적하는 것을 넘어 실질적인 운용성과의 질적 차이를 식별하는 데 효과적임을 시사한다. 아울러 본 연구는 데이터 기반의 나우캐스팅 모형이 재정 및 예산 정책 환경에서 다음 세 가지 방식으로 활용될 수 있음을 제안한다. 첫째, 고정된 수익률 가정에 의존하는 기존의 재정추계 방식에 대한 동태적 보완 지표로 기능할 수 있다. 둘째, 동적 성과 벤치마크 및 이상치 탐지 기반을 제공함으로써 기금운용에 대한 실시간 감독의 정교화를 가능케 한다. 셋째, 신뢰구간 기반의 확률적 예측을 통해 위험관리의 패러다임 전환을 유도하고, 정책당국의 선제적 대응능력을 강화할 수 있다.
Abstract
The investment performance of the National Pension Fund (NPF) has both direct and indirect implications for South Korea’s medium- to long-term fiscal outlook and annual budget planning. However, due to the inherent time lag in the official release of performance data, discrepancies often arise between real-time market dynamics and policy decisions—especially during periods of market volatility. To address this information delay, this study proposes a predictive model for nowcasting the monthly returns of the NPF’s domestic equity portfolio in near real time. The model relies solely on publicly available high-frequency market indicators such as daily KOSPI index levels, return rates, price ranges, and trading volumes. To link variables with differing temporal frequencies, the model adopts a Mixed Data Sampling (MIDAS) framework, and employs a Random Forest algorithm to capture flexible, nonlinear patterns. It also presents confidence intervals to reflect the uncertainty inherent in the forecasts. Empirical results show that the model predicts benchmark-adjusted excess returns (alpha) more robustly and precisely than raw total returns. Notably, the Root Mean Squared Error (RMSE) for alpha predictions was approximately 13% lower than that for total return forecasts. This suggests that the model effectively isolates qualitative dimensions of fund performance beyond market-wide movements. These findings offer valuable implications for fiscal authorities seeking to move beyond static return assumptions and adopt more dynamic, data-driven indicators for policy design and risk management.