The purpose of this study is to compare the performance of measuring and forecasting volatilities computed by using high frequency data of the KOSPI 200 Index from Jan. 2001 to June. 2004. For computing volatilities using high frequency data, three estimation methods are employed, i.e. realized volatility, the Fourier estimator and variance volatility. Not only are those estimation methods compared, but many types of frequency are also examined. Generally, all methods have better results when being computed by using more high frequency data. With respect to RMSE and MAPE, the Fourier estimator performs well computed by using more high frequency data, however, realized volatility shows better performance overall.
일중누적제곱수익율을 이용한 변동성 측정 및 예측의 성과가 일별제곱수익율을 이용한 경우보다 우수하다는 기존 논문의 결과를 착안하여, 일중 고빈도 자료를 이용하여 변동성을 측정하는 방법에 대해 알아보고, KOSPI200 지수를 통하여 그 예측 성과를 알아보는데 목적이 있다. 본 연구에서 사용한 변동성 측정 방법은 로그 수익율의 제곱의 합산을 이용한 실현 변동성(Realized Volatility), 푸리에 변환을 이용한 푸리에 변동성(Fourier Estimator) 그리고 로그 수익율의 분산을 이용한 분산 변동성(Variance Volatility)이며, 1,2,3,4,5,6,10,15,20,25,30,60분의 다양한 빈도의 자료를 이용하여 변동성을 측정하였다. 또한, 해당일의 자료를 시가부터 종가까지로 인식하고 계산한 일중 변동성과 전일 종가부터 해당일 종가까지로 인식하고 계산한 일별 변동성으로 구분하여 측정하고, 변동성 예측 모델은 ARMA(1,1)과 ARMA(1,1)-GARCH(1,1)을 사용하였다.
그 결과를 살펴보면, 성과 차이는 크지 않았지만, 전반적으로는 실현 변동성의 성과가 우위를 보였다. 모든 변동성에서 고빈도 자료를 이용할수록, 그 예측 성과가 좋았음을 공통적으로 보였으며, 특히, 푸리에 변동성의 우위가 관찰되었다. 반면에 저빈도의 자료를 이용하는 경우에는 실현 변동성이 우위를 보였다. 또한 변동성 시계열을 모형화 하는데 있어 GARCH모형의 우월함도 관찰할 수 있었다.
본 연구에서 변동성 측정에 있어 고빈도 자료를 이용하는 것이 어느 정도 타당성이 있음을 확인하였지만, 시장의 미시구조로 인한 편의에 대한 고려를 하지 못하였다. 또한, 일별 변동성 측정 시 전일 종가를 해당일의 바로 시가 전의 자료로 보고 측정 함으로서 편의가 발생하며, 고빈도 자료를 사용할수록 크다는 것을 확인 하였지만, 이에 대한 해결 방안을 제시하지 못하였다.
