LSTM과 GARCH-type 모델을 이용한 주가지수 변동성 예측

Abstract

이 연구에서는 한국의 대표적인 지수인 S&P500 지수의 변동성을 LSTM (Long Short-Term Memory) 과 기존의 GARCH (Generalized Autoregressive Conditional Heteroscedasticity)-type model을 융합시켜 예측해 보았다. 변동성의 정확한 예측은 투자자들의 상품에 대한 효율적 가치 평가와 기초자산에 대한 헤지를 위해 중요한 요소이다. 논문에서 우리는 기존에 변동성 예측에 이용되었던 GARCH, 레버리지 효과를 반영한 EGARCH (Exponential GARCH), 지수가중평균 EWMA (Exponentially Weighted Moving Average)와 추가적으로 앞먹이 인공신경망 (Deep Feedforward neural Network), LSTM단일모델의 예측성능을 비교한다. 나아가 이 연구에서 제안하는 모델은 앞서 언급했던 GARCH-type 모델들과 LSTM을 융합시킨 모델이다. HMAE (Heteroscedasticity adjusted Mean Absolute Error)와 HMSE (Heteroscedasticity adjusted Mean Squared Error)를 이용해 예측오차를 비교해본 결과 기존에 존재했던 EGARCH와 앞먹이 인공신경망을 결합해 만든 E-FNN (EGARCH feed forward neural Network) 모델보다 시계열 예측에 적합한 LSTM을 GARCH-type 모델 3개와 결합한 GEW-LSTM (GARCH EGARCH EWMA-LSTM)이 16.56% (HMAE), 43.6% (HMSE) 더 작은 것으로 나타났다. 시계열 예측에 뛰어난 LSTM과 다중 GARCH-type 모델들을 합성시켜 지수 변동성 예측력을 향상됨을 확인하였다.