기계학습을 활용한 IPO 초기 수익률 예측에 관한 연구

Abstract

기업의 IPO(Initial Public Offering)는 시장에 기업을 공개하면서 외부 자금을 조달하고 기업을 홍보할 수 있는 중요한 재무활동이다. IPO에는 IPO 저평가 현상(IPO Underpricing)이 존재하는데 이는 기업 신규 상장 시 상장일의 시가 및 종가가 공모가에 비해 높게 형성되는 현상을 뜻한다. 본 연구는 IPO 저평가 현상을 다중회귀분석을 활용하여 분석하고 변수선택법을 통해 높은 IPO 저평가 현상 설명력을 가진 변수 모음을 선택한 후, 선택된 변수 모음을 활용하여 예측력이 높은 방법론이 무엇인지 비교분석하였다. 다중회귀분석 결과 상장 첫 날 산업조정수익률에 수요예측 경쟁률과 공모청약 경쟁률, 의무보유확약율 및 공모주식수가 상장 첫 날 수익률을 높이는 요인으로 나타났으며, 공모 규모가 커질수록 상장 첫 날 수익률이 낮아지는 것으로 나타났다. 일반 기업에 비해 정보비대칭이 적은 리츠 특성의 경우 상대적으로 매우 낮은 상장 초기 수익률을 기록하는 것으로 나타났다. 변수선택법은 주성분분석, 전진선택법, 후진소거법, 단계별 선택법, LASSO, Elastic-Net 방법을 사용하여 5가지 변수 모음을 최종 선택하였다. 예측력 비교 분석을 위한 회귀모델은 랜덤포레스트, 그레디언트 부스팅, 서포트벡터머신, 심층신경망과 능형회귀, LASSO, Elastic-Net 모형을 사용하였으며 다중회귀분석을 통해 기존 방법론과의 성능 비교를 진행하였다. 분석 결과 정규화 선형회귀 방법이 전체적으로 좋은 예측 성능 지표를 나타내는 것을 확인하였고 서포트벡터 회귀분석 방법을 제외한 나머지 모델들은 OLS 모델에 비해 예측력에서 좋은 지표를 나타내는 것으로 분석됐다. 변수 모음의 경우, 전진선택법과 임베디드기법으로 선택된 변수모음이 예측 성능 지표가 좋게 나오는 것으로 확인되었다. 본 연구는 IPO 저평가 분석에 변수선택법과 머신러닝 방법론을 활용한 첫 번째 논문이라는 시사점을 가지며 리츠와 기업을 같이 비교 분석한 첫 번 째 연구이다. 다만, 머신러닝 하이퍼 파라미터에 관한 선행연구의 엇갈린 의견이 많아 머신러닝의 파라미터를 기본 값으로 설정하여 분석했다는 한계점이 있다.