실현변동성 예측에서의 통계 모형과 인공신경망기반 모형 비교

Abstract

인공지능 기술이 발전함에 따라 딥러닝(deep learning) 기법이 전통적인 기법보다 대체로 성능이 우수할 것이라는 통념이 존재한다. 본 논문에서는 실현변동성(Realized Volatility) 예측을 통해 이러한 통념에 의문을 제기하고자 한다. 5분 로그 수익률 실현변동성 예측에 있어서 통계기반 AR, ARMA, HAR 모형과 인공신경망기반 LSTM, HARNet 모형의 예측 성과를 비교하였다. 비교 분석 결과는 통계 모형과 인공신경망 모델 간에 큰 차이가 없음을 보여준다. 이는 예측 성능 측면에서 통계 모델을 능가하는 기계 모형은 없다는 것을 의미하며, 그 반대도 마찬가지이다. 또한, 인공신경망 모형은 교차 검증을 통해 많은 수의 하이퍼파라미터를 튜닝하기 때문에 계산 시간이 오래 걸린다는 불편함이 있다. 이러한 문제점에 대한 보다 심도있는 논의와 연구는 향후 연구를 위한 좋은 주제가 될 것이다.;We raise a question on the common idea that deep learning methods do everything and outperform the classical methods. We investigate this issue in forecasting realized volatilities (RV). We compare forecasting 5-minute RV of log returns of the S&P 500 and the KOSPI using statistical AR, ARMA, and HAR models and artificial neural network LSTM and HARNet models. The comparative analysis shows no significant difference between the statistical models and the artificial neural network models: no machine model dominate the statistical models in forecast performance and vice versa. Moreover, the artificial neural network models have the inconvenience of taking a long computational time due to tuning of the large number of hyperparameters through cross-validation. A more deep investigation of this issue would be a good topic for further research.