본 연구는 금융시장에서 투자에 따른 리스크를 측정하는 방법으로 사용되는 변동성을 인공지능 기법을 사용하여 예측하는 것을 목적으로 한다.

일반적으로 특정 투자자산의 가격은 변동성과 반비례하는 성향이 있다. 특정 투자자산의 가격이 상승하면 그 자산의 위험의 척도인 변동성은 축소되고, 그 자산의 가격이 하락하면 반대로 변동성은 확대되는 경향이 있다. 따라서 주식, 채권 등 특정 투자자산의 변동성을 예측할 수 있다면 그 투자대상 자산의 미래 가격의 방향성과 그 변동폭을 용이하게 예측할 수 있게 된다[1].

현재 증권시장에서 투자위험을 대표하는 변동성은 파생상품 옵션의 가격을 기초로 하여 향후 30일간의 변동성을 예상하는 VIX 지수(Volatility Index)를 가장 보편적으로 사용하고 있다[2]. VIX 지수는 시카고 옵션 거래소에 상장된 S&P500 지수옵션의 변동성을 예측하는 지수로 VIX 지수가 최고치에 이르면 투자자들의 불안심리가 최고치에 도달했다고 판단하여 ‘공포지수’라고도 불린다[2].

본 논문은 증권시장에서 거래되는 특정 자산의 변동성 예측에서 기존의 VIX 지수에 추가하여 인공지능을 이용한 변동성 예측 방법을 제시하고 시뮬레이션을 통하여 그 결과를 확인하였다. 2장에서는 사용하고자 하는 인공지능 기법인 LSTM(Long Short Term Memory)에 대한 이론적 배경과 변동성이 자산가격과 어떤 관계인지를 고찰하고자 하며, 3장에서는 본 연구의 방법과 절차를 제시하였다. 즉, 데이터와 인공지능 학습과정을 설명하고자 하였다. 4장에서는 인공지능을 이용한 각 자산별 변동성 시뮬레이션 결과를 제시하였다. 학습 대상 기간과 검증 기간으로 구분하여 검증 기간의 변동성 예측 결과 값을 그 기간동안 발생했던 실제 변동성과 비교하여 인공지능을 통한 변동성 예측값의 정확성을 검증하였다. 마지막 5장에서는 본 연구결과의 현실 투자 및 펀드 운용에서의 활용방안에 대해 기술하였다.

본 연구에서 학습과 예측 수행 정확도를 평가하는 방법으로는 평균 제곱근 오차인 RMSE(Root Mean Square Error)를 사용한다. RMSE는 수치예측 모델 평가 방법으로 예측 값에서 실제 값을 차감한 값의 제곱 평균을 구한 후에 제곱근하는 방식이다. 이를 통해 모델 간의 잔차를 비교해 볼 수 있다.

RMSE 수치는 평가에 있어 절대적인 기준이 존재하지 않고 수치가 상대적으로 크고 작음을 통해 결과를 확인하는 것으로 RMSE 수치만으로는 예측결과의 정확도를 판단하는 데 있어 한계점이 존재 한다. 따라서 본 연구에서는 예측 결과를 분석함에 있어 RMSE 수치만 확인하는 것이 아니라 <그림 3>등의 그래프를 통해 실제 값과 예측 값 사이에 얼마만큼 오차가 존재하는지 확인하였다.

5,799개의 데이터 중 5,445개의 데이터를 대상으로 학습을 수행하고 354개의 데이터를 대상으로 예측을 수행한 결과는 Table 4와 같다. 단순 RMSE 수치 상으로는 iShares Core U.S. Aggregate Bond ETF가 Training RMSE가 0.00017344, Test RMSE가 0.00001101로 가장 좋은 결과가 나왔지만, <그림 9>를 확인하면 채권의 변동성이 지수의 변동성보다 상대적으로 작기 때문에 RMSE 값도 상대적으로 작게 나온 것으로 볼 수 있다.

채권을 제외한 6개 국가의 지수를 대상으로 한 예측 RMSE 값 중에는 KOSPI 예측 RMSE가 Training RMSE가 0.00087452, Test RMSE가 0.00025656으로 가장 작은 값이지만 변동 폭을 고려하여 각 지수별 테스트 결과를 시각적으로 나타낸 <그림 3>, <그림 4>, <그림 5>, <그림 6>, <그림 7>, <그림 8>의 그래프로 분석한 결과 변동성의 범위가 상대적으로 차이가 나기 때문에 이를 고려한다면 KOSPI 예측이 6개 지수 중에서는 실제 데이터와 예측 데이터가 상대적으로 맞지 않는 것을 확인할 수 있다. KOSPI를 제외한 나머지 5개 지수의 경우 RMSE값과 그래프분석을 통해 예측모형 성능이 우수함을 확인하였다.

본 연구는 금융시장에서 개별 종목에 대한 투자뿐 아니라 포트폴리오, 즉 펀드를 운용하는데 리스크의 중요한 척도가 되는 변동성을 인공지능을 활용하여 예측하는 것이 목표이다. 현재 증권시장에서 투자위험을 대표하는 변동성은 VIX 지수를 가장 많이 사용하고 있다. 그러나 증권시장에서 변동성을 측정할 때 VIX지수 뿐만 아니라 또 다른 기법을 통한 변동성 측정값을 같이 사용한다면 증권시장의 투자위험을 예측하고 그에 따른 투자전략을 수행하는 데 보다 효과적일 것이다.

본 연구는 과거 실제가격과 그 가격이 변동했던 데이터를 바탕으로 AI기법을 활용하여 변동성을 예측하고자 하였으며, 그 결과 인공지능(LSTM 기법)을 이용하여 금융자산의 미래 변동성을 예측하는것이 상대적으로 유용하다는 결론을 각 자산별 시뮬레이션을 통하여 제시하였다. 즉, LSTM 기법을 활용하여 특정 금융상품의 과거 데이터(변동성 크기와 가격)를 인공지능으로 학습 시켜서 미래 전망치를 예측하였으며, 그 결과 인공지능이 예측한 검증기간의 변동성 움직임이 그 기간의 실제 변동성 값과 매우 유사한 결과를 도출함으로서 그 유용성 을 검증하였다.

본 연구 결과를 기존의 금융자산 투자와 펀드운용에 활용한다면 일반적인 주식형 펀드는 물론 TDF, FoF 등 자산배분형 펀드의 운용에서 미래 특정기간에 대한 리스크를 보다 합리적인 방법으로 예측하고 이에 맞는 투자전략 수립과 효율적 수행을 가능하게 하여, 궁극적으로는 금융자산을 포함한 펀드 투자의 수익률 개선에 기여할 수 있을 것으로 본다.