With the emergence of various financial derivatives using stock indexes and volatility, volatility forecasting is one of the important issues in financial risk management and portfolio management. ARCH models have been extensively used to forecast volatility. To improve model performance, this study proposes machine learning model such as LSTM, LightGBM and integrated financial econometrics model and machine learning model. It shows that the integration model can provide better volatility forecasting. The machine learning model has the limitation of black-box, which can not explain the results. Recently, various methods have been proposed to interpret the predictions of machine learning models. This study applies various interpreting methods such as SHAP to machine learning models and finds that there is the possibility of overcoming black-box issue.
주가지수 및 변동성을 활용한 다양한 금융파생상품이 등장함에 따라 포트폴리오 운용 및 리스크관리에서 변동성 예측은 중요한 요소라고 할 수 있다. 본 연구에서는 주가지수의 실현변동성 예측을 위해 조건부이분산성 금융시계열 모형과 단순 머신러닝 모형을 구축함과 동시에 금융시계열 모형과 머신러닝 모형을 통합한 금융시계열-머신러닝 통합 모형을 구축하였다. 머신러닝 모형은 변동성 예측력 향상에 기여하지만 예측에 대한 해석을 제공해주지 못하는 블랙박스(black-box)의 한계점을 지니고 있다. 이러한 한계점의 극복 가능성을 확인하기 위해 다양한 모형 해석방법론을 머신러닝 모형에 적용하였다. 이를 통해 금융시계열 모형과 머신러닝 모형을 통합한 경우 예측력을 제고할 수 있음을 확인하였으며, 모형 해석을 통해 기존의 블랙박스 한계점을 극복할 수 있는 가능성을 제시하였다.
