earticle

영어

The volatility is one of the important issues in the financial market, as the Korean derivatives market of stock index is growing fast. The study suggests an experimental research about volatility forecasting model for financial time series, which overcomes the limit of the econometric volatility estimation methods and artificial intelligence techniques. It tries to improve the forecasting accuracy in terms of direction and deviation of volatility, which uses the integrated machine learning (Artificial Neural Network) and econometric ARCH(Autoregressive Conditional Heteroscedasticity)model such as GARCH, IGARCH, EGARCH. EWMA model. For this experiment, KOSPI200 data(2001.1.2.~2010.12.30, 10 years, 2,480 day trading data) was used, and KOSDAQ100 data was used for generalization of the suggested model. The main idea is that: As the ARCH models are superior in the direction forecasting, and AI techniques are better in the accuracy, so this model integrates the two techniques. Input variables of ANN are extracted by the estimation process of the ARCH models, then the ANN learning process build the volatility forecasting model. As the outcomes of the suggested model, it shows the ability of integration method between the ARCH models and AI techniques for volatility forecasting; especially GARCH and EGARCH model for input variables of ANN.

한국어

한국의 주가지수파생상품 시장이 급속히 성장함에 따라 금융상품의 변동성이 가격 결정에 주요한 영향 변수로 인식되고 있다. 이 연구는 금융시계열과 인공지능기법의 결합을 통하여 단일 시계열모형의 예측 정확도를 향상하고, 변동성의 방향성과 예측력을 동시에 향상시킬 수 있는 결합 모형을 제안한다. 이를 위하여 변동성 예측을 위한 결합모형에서는 인공지능(ANN)기법과 금융시계열 예측모형인 ARCH, GARCH, IGARCH, EGARCH, EWMA 모형을 이용하였다. 모형의 적용을 위하여 KOSPI200(2001.1.2.~2010.12.30. 10년, 2,480거래일) 데이터를 사용하였고, 비교를 위하여 KOSDAQ100에도 제안 모형의 적용 가능성을 검증하였다. 방향성의 예측에서는 ARCH 계열의 시계열 모형이 우수성을 나타내었으며, 이를 이용하여 인공신경망기법의 학습을 위한 변수 및 계수 설정을 위한 방법론으로 사용하였다. 실험 결과, 금융시계열의 변동성 예측을 위해 GARCH 및 EGARCH 기법에서 도출된 입력변수를 이용한 결합 인공신경망결합 모형이 우수함을 나타내었으며, 10년간의 장기 데이터를 활용하여 모형의 적용 가능성을 보였다.