학술논문
머신러닝를 활용한 Risk Parity 자산배분모형에 관한 연구 / A Study on Risk Parity Asset Allocation Model with Machine learning
Document Type
Dissertation/ Thesis
Author
Source
Subject
Language
Korean
Abstract
A variety of asset allocation models including Minimum Variance model, Black Letterman model and Risk Parity model were introduced since Markowitz(1952)`s Mean-Variance asset allocation model. However, the estimates of expected return and volatility using historical data have limitations in forming an optimal portfolio. There is no guarantee that the volatility of the assets during the investment period after the asset allocation will be the same as in the past. Chopra and Ziemba(1993) argued that small changes in these parameter estimates could result in significant changes in the composition of the optimal portfolio of asset allocation. Demiguel et al.(2009) aslo argued that model errors and estimated errors have a significant impact on the performance of portfolios. Soonhee Lee(2014) also showed that estimated errors from traditional estimation of covariance are large in Korean financial field and presented various methods of estimating covariance to reduce estimated errors.In this study, I intended to improve the performance of asset allocation model by reducing the estimated errors using machine learning. In many fields of society, machine learning is being tried and applied in some industries and there is a big paradigm shift. So this experiment was conducted to hedge investment risk as well as reduce estimated errors by using machine learning method XGBoost to predict volatility of assets over the next investment period. The predicted volatility is applied instead of historical volatility. Chen and Guestrin (2016) first presented XGBoost method and demonstrated its excellence in many areas. It is the form of an ensemble of Decision trees. This model improved learning speed which is a disadvantage of traditional tree-boosting by parallelization and enhanced stability of the model by avoiding overfitting. Despite its numerous advantages, there are few research papers using XGBoost in the korean financial field. So this study showed that XGBoost is valuable as prediction model in the Korean financial time series analysis. The Korean industrial indexes of the Fnguide universe 10 (energy, material, industrial, consumer, staple, health care, finance, IT, telecos, utility) were used for the empirical test of the proposed model. Asset allocation back-testing period was from 2007 to 2019. This experiment showed the higher return performance than Risk Parity and improved the parameter estimation RMSE in 9 of 10 industrial indexes. Stability of asset allocation model was enhanced by reducing estimated errors. It also enhanced the risk-averse nature of Risk parity by hedging risk of investment.This study showed that XGBoost is valuable in analyzing financial time series by improving the asset allocation model. and also, it proposed a new methodology for machine learning to reduce estimated errors in asset allocation model.
Markowitz(1952)의 평균-분산 자산배분 모형 이후 최소분산 모형, 블랙 리터만 모형, 리스크 패리티 모형 등 다양한 자산배분 모형들이 소개되었다. 하지만 최적 포트폴리오를 구성하는데 있어 기대수익률 및 변동성 추정은 과거 데이터를 활용해야 하는 한계가 있다. 자산배분 후 투자 기간 동안 자산들의 변동성이 과거와 동일할 것이라는 보장은 없다. Chopra와 Ziemba(1993)는 모수 추정치의 작은 변화에도 포트폴리오의 구성에 큰 변화를 야기할 수 있다고 주장하였다. 또한 Demiguel et al.(2009)은 모형 오차와 추정 오차로 인해 포트폴리오의 성과에 상당한 영향을 끼친다 주장했다. 이순희(2014)는 국내 시장에서도 공분산 추정으로 인한 추정오차가 상당함을 보이고 추정오차를 줄이기 위한 다양한 공분산 추정모형을 제시하였다. 이에 본 연구에서 기계학습을 통해 자산배분 모형의 추정오차를 줄임으로써 기존의 자산배분 모형의 성과를 개선하고자 하였다. 최근 사회 많은 분야에서 기계학습은 다양한 시도가 진행되고 있으며 일부 산업에서 적용되고 큰 패러다임의 변화가 이루어지고 있다. 기계학습 방법 중 XGBoost를 활용하여 향후 투자 기간 동안 자산의 변동성을 예측하고 이를 기존의 리스크 패리티에 대입함으로써 추정오차를 줄일 뿐 아니라 위험을 회피하도록 모형을 설계하여 실험을 진행하였다. XGBoost는 Chen and Guestrin(2016)이 처음 제시하여 많은 분야에서 그 우수성을 입증하였고 의사결정 나무(Decision Tree)의 앙상블 형태로 기존의 트리 부스팅의 단점인 학습 속도를 병렬화를 통해 개선하고 과최적화를 피해 모형의 안정성을 높힌 모형이다. 수 많은 장점에도 불구하고 국내 금융 분야에는 아직까지 연구사례가 부족하다. 이에 본 연구에서 XGBoost를 예측 모형으로 활용하여 금융 시계열 분석에도 충분한 활용가치가 있음을 보여주었다. 본 연구에서 제안한 모형의 실증 분석을 위해 국내주식의 업종별 지수(Fnguide universe 10: 에너지, 소재, 산업재, 경기소비재, 필수소비재, 의료, 금융, IT, 통신서비스, 유틸리티)를 활용하여 2007년 02월 23일부터 2019년 08월 09일 까지 기간 동안 자산배분 백테스팅을 진행하였다. 기존의 리스크 패리티와의 비교를 통해 수익률 측면에서 우수성을 나타내었고 변동성 예측으로 대체하여 모수 추정오차 RMSE가 10개의 업종 중 9개에서 개선되는 효과를 보였다. 추정오차를 줄임으로써 자산배분 모형의 안정성을 높혔다. 또한 다가올 자산의 위험성을 예측하여 리스크 패리티가 가지는 위험 회피적 특성을 강화시켰다. 아직 국내 금융 산업에는 연구가 미흡한 XGBoost를 적용해 자산배분 모형을 개선하여 금융 시계열 분석에도 충분한 활용가치가 있음을 보여주었고 자산배분 모형에서 추정 오차를 줄이는 새로운 방법론으로 기계학습 방법을 제시하였다. 일부 개선의 여지가 남아 실무적으로 적용하기는 어려우나 이후 보강한다면 더욱 강건한 자산배분 모형을 제시할 수 있을 것이다.
Markowitz(1952)의 평균-분산 자산배분 모형 이후 최소분산 모형, 블랙 리터만 모형, 리스크 패리티 모형 등 다양한 자산배분 모형들이 소개되었다. 하지만 최적 포트폴리오를 구성하는데 있어 기대수익률 및 변동성 추정은 과거 데이터를 활용해야 하는 한계가 있다. 자산배분 후 투자 기간 동안 자산들의 변동성이 과거와 동일할 것이라는 보장은 없다. Chopra와 Ziemba(1993)는 모수 추정치의 작은 변화에도 포트폴리오의 구성에 큰 변화를 야기할 수 있다고 주장하였다. 또한 Demiguel et al.(2009)은 모형 오차와 추정 오차로 인해 포트폴리오의 성과에 상당한 영향을 끼친다 주장했다. 이순희(2014)는 국내 시장에서도 공분산 추정으로 인한 추정오차가 상당함을 보이고 추정오차를 줄이기 위한 다양한 공분산 추정모형을 제시하였다. 이에 본 연구에서 기계학습을 통해 자산배분 모형의 추정오차를 줄임으로써 기존의 자산배분 모형의 성과를 개선하고자 하였다. 최근 사회 많은 분야에서 기계학습은 다양한 시도가 진행되고 있으며 일부 산업에서 적용되고 큰 패러다임의 변화가 이루어지고 있다. 기계학습 방법 중 XGBoost를 활용하여 향후 투자 기간 동안 자산의 변동성을 예측하고 이를 기존의 리스크 패리티에 대입함으로써 추정오차를 줄일 뿐 아니라 위험을 회피하도록 모형을 설계하여 실험을 진행하였다. XGBoost는 Chen and Guestrin(2016)이 처음 제시하여 많은 분야에서 그 우수성을 입증하였고 의사결정 나무(Decision Tree)의 앙상블 형태로 기존의 트리 부스팅의 단점인 학습 속도를 병렬화를 통해 개선하고 과최적화를 피해 모형의 안정성을 높힌 모형이다. 수 많은 장점에도 불구하고 국내 금융 분야에는 아직까지 연구사례가 부족하다. 이에 본 연구에서 XGBoost를 예측 모형으로 활용하여 금융 시계열 분석에도 충분한 활용가치가 있음을 보여주었다. 본 연구에서 제안한 모형의 실증 분석을 위해 국내주식의 업종별 지수(Fnguide universe 10: 에너지, 소재, 산업재, 경기소비재, 필수소비재, 의료, 금융, IT, 통신서비스, 유틸리티)를 활용하여 2007년 02월 23일부터 2019년 08월 09일 까지 기간 동안 자산배분 백테스팅을 진행하였다. 기존의 리스크 패리티와의 비교를 통해 수익률 측면에서 우수성을 나타내었고 변동성 예측으로 대체하여 모수 추정오차 RMSE가 10개의 업종 중 9개에서 개선되는 효과를 보였다. 추정오차를 줄임으로써 자산배분 모형의 안정성을 높혔다. 또한 다가올 자산의 위험성을 예측하여 리스크 패리티가 가지는 위험 회피적 특성을 강화시켰다. 아직 국내 금융 산업에는 연구가 미흡한 XGBoost를 적용해 자산배분 모형을 개선하여 금융 시계열 분석에도 충분한 활용가치가 있음을 보여주었고 자산배분 모형에서 추정 오차를 줄이는 새로운 방법론으로 기계학습 방법을 제시하였다. 일부 개선의 여지가 남아 실무적으로 적용하기는 어려우나 이후 보강한다면 더욱 강건한 자산배분 모형을 제시할 수 있을 것이다.