본 논문은 국제 금융의 핵심 난제인 환율 변동성의 이해와 예측에 접근합니다. 저자 Igor Martins와 Hedibert Freitas Lopes는 수백 가지 잠재적 거시경제 이벤트 효과를 고빈도 통화 수익률에 대한 확률적 변동성 모델에 통합함으로써 방법론적 진전을 제안합니다. 해결된 핵심 과제는 소수의 "중요한" 발표(예: 비농업 부문 고용, CPI)를 임의로 선정하는 것을 넘어, 모델 자체가 어떤 이벤트가 중요하고 그 규모와 시점이 무엇인지를 결정하도록 하는 데이터 기반의 체계적 접근법으로 나아가는 것입니다.
이 모델은 일중 외환 수익률의 세 가지 중요한 특징을 동시에 설명합니다: 변동성 지속성(고/저 변동성 기간의 군집화), 일중 계절성("U자형"과 같은 반복되는 시간대 패턴), 그리고 다국적 거시경제 발표의 영향입니다. 주요 혁신은 베이지안 프레임워크 내에서 스파이크-앤-슬래브 사전분포를 사용하여 희소성을 유도하고, 방대한 후보군에서 관련 이벤트를 자동으로 선택하는 데 있습니다.
핵심 통찰: 고정된 "시장 변동성" 지표 집합에 대한 독단을 버리십시오. 진정한 환율 변동성은 지속적인 변동성 기억과 예측 가능한 일중 거래 리듬이라는 렌즈를 통해 걸러진, 수백 가지 글로벌 거시경제 이벤트의 동적이고 맥락에 의존하는 부분집합에 의해 주도됩니다. 이 논문의 천재성은 불가지론적 접근법—고빈도 데이터 자체가 어떤 발표가 시스템을 진정으로 충격시키는지 드러내도록 하는, 시장이 실시간으로 투표하도록 하는 과정과 유사한—에 있습니다.
논리적 흐름: 논증은 우아하게 베이지안입니다. 1) 무지를 인정: 잠재적 이벤트 더미 변수와 시차의 방대한 집합으로 시작합니다. 2) 구조화된 회의론 부과: 대부분의 이벤트는 효과가 없지만(스파이크), 소수는 잠재적으로 큰 효과를 가질 수 있다는 믿음을 표현하기 위해 스파이크-앤-슬래브 사전분포를 사용합니다. 3) 데이터가 결정하도록 함: 베이즈 정리를 통해 믿음을 업데이트합니다. 각 이벤트에 대한 사후 포함 확률이 중요성의 핵심 지표가 됩니다. 이 흐름은 LASSO나 엘라스틱 넷을 변수 선택에 사용하는 것과 같은 금융 분야의 성공적인 머신러닝 응용 프로그램 뒤에 있는 철학을 반영하지만, 불확실성을 정량화하는 완전한 확률론적 프레임워크 내에서 이루어집니다.
장단점:
장점: 방법론적 엄격함은 흠잡을 데 없습니다. 모든 구성 요소를 공동으로 모델링함으로써 계절적 또는 지속적 효과를 허위 이벤트 상관관계로 귀속시키는 함정을 피합니다. 단순한 노동 공급 가설을 통해 설명되는 일중 계절성과 글로벌 시장 시간대 간의 연결은 깔끔하고 직관적인 발견입니다. 표본 외 예측 및 포트폴리오 테스트는 순수 방법론 논문에서 종종 빠지는 설득력 있는 실용적 검증을 제공합니다.
단점: 모델의 복잡성은 아킬레스건입니다. 추정은 가능하지만 계산 집약적입니다. 어떤 이벤트가 선택되는지의 "블랙박스" 성격은 데이터 기반이지만, 서술적 설명을 찾는 트레이더에게는 덜 해석 가능할 수 있습니다. 더욱이, 모델은 이벤트 효과가 표본 기간 동안 일정하다고 가정합니다. 예를 들어 팬데믹 전후 인플레이션 데이터에 대한 시장 반응의 잠재적 시변동성을 포착하지 못합니다. 이는 국제결제은행(BIS)과 같은 기관에서 연구하는 진화하는 레짐에서 지적된 한계입니다.
실용적 시사점: 퀀트와 리스크 관리자에게 이 논문은 청사진입니다. 첫째, 기성 경제 일정 사용을 중단하십시오. 귀하의 통화쌍과 보유 기간에 맞춤화된 자체 이벤트 선택 메커니즘을 구축하십시오. 둘째, 일중 변동성 패턴은 노이즈가 아닙니다. 이는 헤지하거나 활용해야 할 예측 가능한 위험과 기회의 원천입니다. 셋째, 우수한 샤프 비율이 궁극적인 판매 포인트입니다. 이 모델을 변동성 타겟팅 또는 캐리 트레이드 전략에 통합하면, 특히 크로스커런시 포트폴리오에서 지속 가능한 우위를 제공할 수 있습니다. 결론은 분명합니다: 변동성 모델링의 정교함은 직접적으로 알파로 이어집니다.
제안된 모델은 고빈도(예: 5분) 수익률 데이터 $r_t$를 위해 설계된 표준 확률적 변동성 프레임워크의 정교한 확장입니다.
기준 모델은 수익률이 시변 변동성을 가진 정규 분포를 따른다고 가정합니다:
$r_t = \exp(h_t / 2) \epsilon_t, \quad \epsilon_t \sim N(0, 1)$
로그 변동성 $h_t$는 변동성 군집화를 포착하는 지속적 자기회귀 과정을 따릅니다:
$h_t = \mu + \phi (h_{t-1} - \mu) + \eta_t, \quad \eta_t \sim N(0, \sigma_{\eta}^2)$
여기서 $|\phi| < 1$은 정상성을 보장하고, $\mu$는 평균 로그 변동성입니다.
이것이 핵심 혁신입니다. 로그 변동성 방정식은 $K$개의 잠재적 거시경제 발표 더미 변수 $x_{k,t}$와 그 시차의 효과를 포함하도록 확장됩니다:
$h_t = \mu + \phi (h_{t-1} - \mu) + \sum_{k=1}^{K} \beta_k x_{k,t} + \eta_t$
핵심은 계수 $\beta_k$에 대한 사전분포입니다. 희소성을 유도하기 위해 스파이크-앤-슬래브 사전분포가 사용됩니다:
$\beta_k | \gamma_k \sim (1-\gamma_k) \delta_0 + \gamma_k N(0, \tau^2)$
$\gamma_k \sim \text{Bernoulli}(\pi_k)$
여기서 $\delta_0$는 0에서의 디랙 델타(스파이크)이고, $N(0, \tau^2)$는 큰 분산 $\tau^2$를 가진 가우시안(슬래브)입니다. 이진 지시자 $\gamma_k$는 이벤트 $k$가 포함되는지($\gamma_k=1$) 제외되는지($\gamma_k=0$) 결정합니다. 사전 포함 확률 $\pi_k$는 사전 믿음에 기반하여 설정하거나 비정보적(예: 0.5)으로 유지할 수 있습니다. 모델은 마르코프 체인 몬테카를로 방법을 사용하여 추정되며, 이는 지시자 $\gamma_k$와 계수 $\beta_k$를 동시에 샘플링하여 이벤트 중요성의 척도로서 사후 포함 확률 $P(\gamma_k=1 | \text{Data})$를 제공합니다.
반복되는 일중 패턴(예: 시장 개장/폐장 시 높은 변동성)을 포착하기 위해 모델은 결정론적 계절성 구성요소 $s_t$를 포함합니다:
$h_t = \mu + s_t + \phi (h_{t-1} - \mu - s_{t-1}) + \sum_{k=1}^{K} \beta_k x_{k,t} + \eta_t$
구성요소 $s_t$는 일반적으로 각 일중 기간(예: 24시간 주기의 각 5분 빈)에 대한 더미 변수 또는 부드러운 주기 함수를 사용하여 모델링됩니다. 이는 이벤트 효과가 이러한 예측 가능한 패턴을 통제한 후 추정되도록 보장합니다.
저자들은 주요 통화쌍(예: EUR/USD, GBP/USD, JPY/USD)에 대한 고빈도 데이터에 그들의 모델을 적용합니다.
모델은 수백 개의 후보 이벤트를 성공적으로 희소 집합으로 정리합니다. 높은 사후 포함 확률이 발견된 것은 다음과 같습니다:
차트 설명(암시적): 막대 차트는 수십 개의 경제 이벤트(x축)에 대한 사후 포함 확률(y축, 0에서 1까지)을 보여줄 것입니다. 몇 개의 막대(NFP, CPI, FOMC)는 1.0 근처에서 높게 서 있는 반면, 대부분의 다른 막대는 0 근처에서 거의 보이지 않을 것입니다. 이것은 달성된 희소성을 시각적으로 보여줍니다.
추정된 계절성 구성요소 $s_t$는 단순한 U자형이 아닌 뚜렷한 다중 피크 "M자형" 패턴을 드러냅니다. 피크는 정확히 다음 시점과 일치합니다:
저자들은 이를 글로벌 노동 공급과 연결합니다: 주요 시간대에 걸쳐 가장 많은 수의 금융 전문가가 동시에 활동하고 정보를 처리할 때 변동성이 가장 높습니다. 이 발견은 거래량과 변동성 동조 이동에 대한 시장 미시구조 이론과 일치합니다.
궁극적인 검증은 표본 외 예측입니다. 제안된 모델은 다음과 비교됩니다:
결과: 전체 모델(이벤트 + 계절성 + SV)은 평균 절대 예측 오차 또는 민서-자노위츠 회귀 $R^2$와 같은 지표로 측정했을 때 통계적으로 우수한 변동성 예측을 제공합니다.
실용적인 포트폴리오 배분 연습(예: 변동성 관리 캐리 트레이드 또는 통화의 단순 평균-분산 포트폴리오)에서 제안 모델의 변동성 예측은 가중치를 동적으로 조정하는 데 사용됩니다. 포트폴리오는 다음을 달성합니다:
최저 실현 변동성: GARCH 벤치마크 대비 약 15-20% 낮음.
최고 샤프 비율: 통계적으로 유의미한 0.2~0.4 포인트 향상.
결론: 더 나은 변동성 예측은 직접적으로 더 나은 위험 조정 수익률로 이어집니다.
시나리오: 퀀트 헤지펀드가 2024년 4분기 EUR/JPY 변동성의 동인을 이해하고 옵션 트레이딩 데스크를 위한 변동성 예측을 개선하고자 합니다.
1단계 - 데이터 수집: 5분 EUR/JPY 수익률을 확보합니다. 유로존(예: ECB, 독일 ZEW, 유로존 CPI)과 일본(예: BoJ 단칸, 도쿄 CPI, 산업 생산)의 예정된 거시경제 발표에 대한 포괄적인 일정을 수집합니다. 달러의 글로벌 역할로 인해 미국 이벤트를 포함합니다. 발표 $k$가 공개되는 5분 빈과 이후 몇 개의 빈(시차 효과 포착용)에서 1인 더미 변수 $x_{k,t}$를 생성합니다.
2단계 - 모델 명세화 및 추정:
1. 24시간 도쿄-런던-뉴욕 주기의 각 5분 간격에 대한 더미 변수로 계절성 구성요소 $s_t$를 정의합니다.
2. 모든 발표 계수 $\beta_k$에 대한 스파이크-앤-슬래브 사전분포를 설정합니다. 희소성에 대한 기대를 반영하여 비교적 비정보적인 사전 포함 확률 $\pi_k = 0.1$을 사용합니다.
3. MCMC 샘플러(예: Stan 또는 사용자 정의 깁스 샘플러)를 실행하여 지시자 $\gamma_k$를 포함한 모든 매개변수에 대한 사후 분포를 얻습니다.
3단계 - 해석 및 실행:
1. 주요 동인 식별: $P(\gamma_k=1)$의 사후 평균을 검토합니다. 펀드는 EUR/JPY의 경우, 표본 기간 동안 일본 국내 데이터보다 유로존 인플레이션과 미국 국채 수익률 데이터가 더 중요하다는 것을 발견합니다.
2. 거래 신호 정제: 트레이딩 데스크는 이러한 고확률 이벤트 앞서 변동성 예측을 조정하여, 옵션 매수(변동성 상승 예상) 또는 델타 노출 감소를 고려할 수 있습니다.
3. 검증: 주요 ECB 회의 날에 대한 모델의 변동성 예측을 실현 변동성과 비교합니다. 밀접한 일치는 모델의 유용성에 대한 신뢰를 구축합니다.
이 프레임워크는 원시 데이터에서 실행 가능한 통찰력으로 이동하며, 논문의 핵심 가치 제안을 구현합니다.
Martins와 Lopes의 작업은 전통적 금융 계량경제학과 현대 베이지안 머신러닝의 정교한 융합을 나타냅니다. 그들의 진정한 기여는 단순히 어떤 이벤트가 중요한지 나열하는 데 있는 것이 아닙니다—많은 트레이더가 그에 대한 직관을 가지고 있습니다—그보다는 고차원 설정에서 그 중요성을 발견하고 정량화하기 위한 엄격하고 재현 가능하며 확률론적인 방법론을 제공하는 데 있습니다. 이 접근법은 인접 분야의 영향력 있는 연구, 예를 들어 CycleGAN(Zhu et al., 2017)에서 짝 지어진 예시 없이 기저 데이터 표현을 발견하기 위해 잠재 변수 모델을 사용하는 것과 철학적 공통점을 공유합니다. 여기서 모델은 이벤트 충격의 희소 조합을 통해 변동성의 잠재적 "표현"을 발견합니다.
논문의 강점은 모델 불확실성과의 정직한 대면에 있습니다. 이벤트 선택을 베이지안 변수 선택 문제로 구성함으로써, 이벤트가 관련 있는지($P(\gamma_k=1)$)와 관련이 있다면 그 효과가 얼마나 큰지($\beta_k$의 분포)에 대한 불확실성을 정량화합니다. 이는 단계적 회귀의 이진 포함/제외 결정이나 능형 회귀의 불투명한 축소보다 훨씬 더 많은 정보를 제공합니다. 특정 이벤트가 선택된 이유를 설명하는 기본적 연결은 순수한 "데이터 마이닝" 작업에서 신뢰할 수 있는 경제 분석으로 격상시킵니다.
그러나 모델은 상대적으로 안정적인 레짐에서 작동합니다. 스파이크-앤-슬래브 사전분포는 관련 이벤트 집합이 정적이라고 가정합니다. 현실에서는 IMF의 세계경제전망 분석에서 문서화된 바와 같이, 거시경제 뉴스의 전달 경로가 위기나 정책 레짐 변화(예: 제로 하한 대 금리 인상 사이클) 동안 극적으로 이동할 수 있습니다. 향후 확장은 포함 확률 $\pi_k$ 또는 계수 $\beta_k$가 시간에 따라 진화하도록 허용할 수 있을 것입니다, 아마도 은닉 마르코프 모델이나 시변 매개변수 설정을 통해. 더욱이, 예정된 이벤트에 초점을 맞추고 있지만, 외환 변동성의 상당 부분은 예정되지 않은 뉴스(지정학적 사건, 갑작스러운 중앙은행 개입)에서 비롯됩니다. 최근 국립경제연구소의 연구에서 볼 수 있듯이, 자연어 처리(NLP)를 통합하여 뉴스 피드의 감정과 주제를 정량화하는 것은 강력한 다음 단계가 될 수 있습니다.
산업적 관점에서, 이 논문은 자산 운용사들에게 변동성 모델을 업그레이드하라는 강력한 요구입니다. 오늘날의 복잡하고 뉴스 주도적인 시장에서 GARCH나 심지어 표준 SV에 의존하는 것은 알파를 놓치고 있는 것입니다. 입증된 샤프 비율 향상은 바이사이드 회사들이 관심을 갖는 궁극적인 지표입니다. MCMC의 계산 비용은 무시할 수 없지만, 클라우드 컴퓨팅 자원을 고려할 때 더 이상 금지적인 장벽이 아닙니다. 진정한 도전은 운영적입니다: 고빈도 데이터 수집, 이벤트 일정 관리 및 모델 재추정을 위한 인프라 구축 및 유지 관리입니다. 이를 극복할 수 있는 사람들에게, 이 논문은 통화 시장에서 실질적인 경쟁 우위를 위한 입증된 청사진을 제공합니다.
참고: 분석된 주요 논문은 Martins, I., & Lopes, H. F. (2024). "What events matter for exchange rate volatility?" arXiv preprint arXiv:2411.16244입니다.