This dissertation contains three essays about the economic interpretability of machine learning models, the learning process of migrant workers to send international remittances, and the efficiency of ETF prices using ETF options. In the first essay, we examine how the return predictability of deep learning models varies with stocks’ vulnerability to investors’ behavioral biases. Using an extensive list of anomaly variables, we find that the long-short strategy based on deep learning signals generates greater returns for stocks more vulnerable to behavioral biases, i.e., small, young, unprofitable, volatile, non-dividend-paying, close-to-default, and lottery-like stocks. This performance of deep learning models becomes pronounced for stocks held by less sophisticated investors, when investor sentiment is high, and when disagreement is serious. These results suggest that deep learning models with nonlinear structures are useful for capturing mispricing induced by behavioral biases. In the second essay, we use data from a leading fintech firm in Korea, including transaction-level data on international remittance payments to developing Asia and referral data among users, to study the role of social networks in helping low-income workers optimize their use of new technology. Our study shows how experience using a desirable fintech feature--an order cancellation option--helps workers optimize the timing of the exchange rate applied to their transactions. Overall, we find that workers' personal experience using the fintech, and the experience of the worker's social network, increase the frequency and efficiency of workers' use of the feature. In the third essay, we provide evidence of significant frictions in the pricing of ETFs that can be detected using ETF options. First, the difference between call and put option-implied volatility, or IVspread, contains information about future ETF returns. This predictive power stems from the fact that ETFs with extreme IVspread face greater price pressure and become more illiquid. Second, the option-implied price of ETF is a useful predictor of future changes in NAV, particularly for ETFs that hold international stocks or illiquid securities. This predictability of NAV returns is linked to the noisiness of the benchmark index of the ETF. Our findings demonstrate significant inefficiencies in the ETF prices and the role of options market information in uncovering them.
본 학위논문은 머신러닝 모형의 경제학적인 해석, 이주근로자들의 핀테크를 통한 해외송금, 그리고 ETF 옵션을 활용한 ETF 가격의 효율성을 분석하는 세 가지 연구로 구성된다. 첫 번째 연구에서는 딥러닝 모형의 퍼포먼스가 투자자들의 행태적 편향에 영향을 받는 주식들과 상관이 있다는 것을 보인다. 다양한 아노말리 변수들을 사용하여, 딥러닝 모형을 통한 롱숏 전략의 퍼포먼스가 행태적 편향에 더 크게 영향을 받는 주식들에서 더욱 좋음을 확인하였다. 이러한 주식들로서는 시가총액이 작거나, 상장한지 얼마되지 않았거나, 수익성이 좋지 않거나, 변동성이 높은 등등의 특징이 있다. 또한 이러한 행태적인 특성을 더욱 가중시키는 경우로서, 기관 투자자가 아닌 주주가 많을수록, 센티먼트가 높을수록, 또한 투자자들의 시장 펀더멘탈에 대한 관점이 많이 다른 때 일수록 딥러닝 전략의 퍼포먼스가 더 좋음을 보인다. 이는 딥러닝의 비선형 구조가 행태적 편향으로 발생하는 가격오류를 포착하는데 유용함을 시사한다. 두 번째 연구에서는 한국에 있는 소액 해외 송금 핀테크 회사의 데이터를 활용하여 한국에 거주하는 개발도상국 출신 이주민 근로자들이 핀테크 사용방법을 어떤 식으로 그들의 소셜 네트워크로부터 학습하는지 분석한다. 이 연구는 이주민들의 소셜 네트워크가 저소득 근로자들이 새로운 금융 기술을 습득하는데 도움을 준다는 것을 보인다. 이 핀테크 플랫폼에는 취소 기능이라는 독특한 금융 기술이 있다. 이 핀테크 어플을 사용하는 근로자들은 본인의 경험을 바탕으로 하여 취소 기능을 습득하기도 하지만, 소셜 네트워크에서 이미 이 기능을 사용해본 동료들에게 이 기능을 학습하여 그들의 송금 환율, 송금량 등을 더욱 최적화한다. 세 번째 연구는 ETF 옵션 데이터를 활용하여 ETF 가격의 효율성에 대해 연구한다. ETF 풋옵션과 콜옵션의 내재변동성을 차이를 활용하여 내재변동성 스프레드를 구할 수 있다. 이 스프레드는 미래 ETF 가격 움직임에 대해서 예측력을 갖는다. 이 예측력은 ETF가 더욱 큰 가격 압력을 받거나 비유동적일수록 더 커진다. 또한 이 스프레드는 ETF의 순자산가치에 대한 예측력도 갖는다. 이러한 예측력은 ETF의 구성종목이 다양한 국가의 주식들로 구성되거나 유동성이 낮을수록 더 커진다. 이러한 결과들은 ETF 옵션시장이 ETF의 가격발견의 기능을 할 수 있음을 시사한다.
