KPFBERT 감성분석을 결합한 GARCH 모형의 변동성 예측

Abstract

금융시장에서 주가지수의 변동성(Volatility)은 투자 위험 관리와 재무 관리, 포트폴리오 최적화, 그리고 옵션 가격 결정 등 다양한 측면에서 매우 중요하게 다루어진다. 이에 따라 변동성을 보다 정확하게 예측해 내기 위해 다양한 모델들이 개발되어 왔고 주가 데이터 외의 복합적인 요인을 고려하기에 이르렀다. 즉, 변동성 예측에 도움이 될 가능성이 있는 변수들이 탐구되고 있고 그 중에서는 뉴스의 효과 요인도 있다. 이와 더불어 21세기에 접어들면서 딥러닝(Deep Learning) 모델들이 급속도로 발전하게 되면서 다양한 분야에서 딥러닝의 결과를 활용하고 있다. 그 중 비정형 데이터인 텍스트 데이터를 분석하는 자연어 처리(Natural Language Processing, NLP) 분야 또한 딥러닝 모델들의 적용으로 기계독해나 예측, 그리고 분류의 정확성이 대폭 상승했다. 이러한 흐름에 따라 본고에서는 자연어처리 딥러닝 기법인 Bidirectional Encoder Representations from Transformers (BERT) 모형 중 최신 한글 모형인 Korea Press Foundation BERT (KPFBERT) 모형을 통해 뉴스 표제목 데이터의 감성분석(Sentiment analysis)을 진행하였다. 그 후 실현변동성(Realized volatility) 예측 모형에 효과적으로 접목시키기 위해 변형한 여러 변수를 제시하였다. 제안 모형을 KOSPI 지수의 일일 로그수익률 데이터와 네이버 금융(NAVER Finance)의 주요 뉴스 데이터를 이용해 실증분석을 진행하였다. 그 결과 KOSPI 지수의 변동성 모형에 국내 금융 뉴스 감성분석 결과를 도입하기에는 ARMA(1,1)-EGARCH(1,1)모형이 가장 적합한 것으로 나타났다. 그리고 그 예측 성능 또한 감성분석 접목 이전보다 향상된 것을 확인하여 감성분석 활용의 실효성을 확인하였다.