트레이딩

일일 수익률이 변동성 예측에 여전히 중요한 이유

게시일 2026년 7월 7일

작성자

Jonathan Schramm

정량적 트레이더에게 미래 시장 움직임을 예측하기 위한 올바른 데이터셋을 선택하는 것은 가장 중요한 결정이라고 할 수 있습니다. 역사적으로 특정 주식이나 상품의 종가 또는 시가는 해당 증권의 거래 패턴을 분석하기 위한 좋은 출발점이었습니다.

하지만 오늘날 고급 IT 시스템으로 마이크로초 단위에 거래가 체결되고 많은 거래량이 고빈도 “봇”에 의해 생성되면서, 이러한 시장 활동 데이터가 종종 선호됩니다.

새로운 연구는 고빈도 시장 데이터가 일일 수익률을 쓸모 없게 만들지 않았다고 제시합니다. 새로운 실현 변동성 모델을 사용하여 두 신호를 결합하면 원유 변동성 예측, 위험 한도 및 헤징 결정이 실질적으로 개선될 수 있음을 보여줍니다.

이 연구는 인도 구와티 공과대학(IIT Guwahati)의 세 연구원이 수행했으며, Finance Research Open¹에 “Do returns still matter? A complete asymmetric volatility model with realized measures in financial markets”라는 제목으로 게재되었습니다.

위험 모델에 대한 간략한 개요

1980년대부터 경제학 연구자와 트레이더들은 시장 행동을 예측하기 위해 사용하던 위험 모델에 새로운 지표인 자산 수익률의 시간 가변 변동성을 도입하기 시작했습니다. 이는 모델이 실제 시장을 더 잘 반영하도록 하였으며, 자산 위험이 시간에 따라 변동하고 고·저 변동성 기간이 서로 클러스터링되는 형태를 포착하게 되었습니다. 이전 모델처럼 변동성이 일정하게 유지되는 것이 아니라 말이죠.

이후 이러한 모델에서는 고빈도 데이터가 선호되었으며, 이는 해당 용도에 더 우수한 데이터 세트로 간주되었습니다:

“고빈도 데이터는 더 세밀한 granularity(세분화)를 가능하게 하여 점프와 연속 구성 요소를 구분하고 변동성 동역학에 대한 보다 상세한 설명을 제공합니다.”

이는 GARCH 모델(Generalized Autoregressive Conditional Heteroscedasticity)의 탄생으로 이어졌으며, 이후에는 양·음의 충격 효과와 기타 데이터 포인트와 같은 추가 요소를 포함한 고급 모델로 정교화되었습니다.

시간이 지나면서 GARCH 계열 모델은 크게 확장되어 주식, 상품, 암호화폐 및 파생상품 시장 등 다양한 자산 클래스에 적용되고 있습니다.

이러한 최신 모델 중 하나는 GJR-GARCH이며, 나쁜 뉴스(음수 수익률)에 더 큰 가중치를 부여하여 금융 변동성을 고려하고 주식 시장의 “레버리지 효과”를 포착합니다.

고빈도 데이터와 GARCH의 결합

본 연구는 고빈도 분 단위 데이터, 특히 “실현 분산(realized variance)”을 GJR-GARCH 모델과 결합하여 RGJR-GARCH를 만들 것을 제안합니다.

실현 분산은 고빈도 일중 가격 수익률을 합산하여 특정 시간 창 동안 금융 자산의 실제 변동성을 측정하는 지표입니다.

이는 전통적인 일일 분산과 다르며, 가격의 시작과 끝이 동일하면 변동성이 일중에 높았더라도 변동이 0으로 간주됩니다.

이렇게 함으로써 새로운 모델은 상세한 고빈도 데이터를 통합하면서 GJR-GARCH 모델의 정확성을 동시에 활용할 수 있습니다.

원유 거래에 대한 모델 테스트

변동성 높은 시장 테스트

모델을 검증하기 위해 연구진은 USO (USO )를 사용해 테스트했으며, 이는 2006년부터 서부 텍사스 인터미디엇(WTI) 경질 원유 가격 움직임을 추적하는 미국 원유 펀드(ETF)입니다.

원유 시장은 거시경제 발표, 재고 충격, 지정학적 사건에 의해 주간 내 변동성이 크게 나타나는 특징이 있어 선택되었습니다. 최근 러시아‑우크라이나 및 미국‑이란 전쟁은 거래 수익과 금융 모델 효율성에 영향을 미치는 예상치 못한 변동성 사례를 추가로 제공했습니다.

보다 “일반적인” 시장과 비교하기 위해, 연구진은 S&P500 지수를 추적하는 가장 활발히 거래되는 ETF인 SPY에도 모델을 테스트했습니다.

두 경우 모두 2010년 1월 1일부터 2020년 4월 30일까지 데이터를 수집했습니다.

연구진은 또한 금 및 외환 시장과 같은 다른 흥미로운 시장은 장기간에 걸쳐 신뢰할 수 있는 틱‑바이‑틱 데이터를 제공하지 않으며, 암호화폐 가격 데이터는 일반적으로 1분 간격으로만 제공되어 모델이 올바르게 작동하는 데 필요한 고빈도 데이터를 사용할 수 없다고 언급했습니다.

모델 비교

연구진은 데이터를 사용해 35개의 일일 선행 예측을 다양한 모델로 테스트했으며, 이를 주간 전망으로 집계했습니다.

그들은 RGJR‑GRCH 모델이 테스트된 모든 주수(최대 7주)에서 가장 높은 예측 정확도를 보였다고 발견했습니다.

출처: Finance Research Open

더 중요한 점은, 이 성능 차이로 인해 RGARCH는 3주 예측 시점부터 성능이 저하되기 시작하고 4주 시점에서는 음의 성과를 보였으며, 반면 RGJR‑GRCH는 6주까지 정확한 예측을 지속하고 7주에서는 비교적 적은 오류만을 보였습니다.

이 뛰어난 성능을 이끈 요인을 살펴보면, 연구진은 고빈도 거래 데이터의 활용이 핵심임을 입증했습니다.

“RGJR‑GARCH 모델이 GARCH 및 GJR‑GARCH 모델에 비해 우수한 성능을 보이는 것은 변동성 동역학 모델링에 고빈도 데이터를 효과적으로 활용했기 때문입니다.”

이 효과는 특히 USO와 같은 원유 연계 자산에서 두드러졌으며, 변동성이 뚜렷한 주간 규칙성을 보였습니다. 이는 정확한 주간 변동성 예측이 에너지 부문 참여자(예: 상품 트레이더 및 생산자)의 동적 헤징 및 계약 가격 책정에 활용될 수 있기 때문에 실용적인 의미가 큽니다.

이는 변동성 예측에 있어 고빈도 데이터뿐만 아니라 일일 수익률도 중요함을 의미합니다. 두 데이터 세트는 서로 섞여 있으며 하나로 처리되어야 합니다.

고빈도 거래에 투자하기

CME Group Inc.

(CME )

향상된 금융 모델을 통해 더 나은 예측이 가능해짐에 따라 정확하고 장기적인 고빈도 데이터 세트의 가치가 그만큼 상승합니다. 이는 원유와 같은 고변동성·지정학적 민감 자산에 특히 해당됩니다. 따라서 이러한 플랫폼은 고빈도 데이터와 학술 연구의 혜택을 받을 가능성이 높은 실용적인 거래 증권을 제공할 수 있게 됩니다.

CME의 NYMEX 시장은 WTI 원유 가격 발견, 선물 거래 및 헤징의 핵심 역할을 합니다. 이 회사는 농산물, 에너지, 금속 등 모든 상품뿐만 아니라 탄소 배출권, 국채, 외환, 지수, 주식, 암호화폐 등 다양한 거래에도 활발히 참여하고 있습니다.

이 회사는 2015년 약 30억 달러 수준이던 매출을 2026년에는 약 70억 달러로 급성장시켰습니다.

또한 비미국 시장 활동이 연평균 10% 성장하고 12개 국가에 영업 거점을 두며 전 세계 약 13,000명의 고객을 확보하는 등 국제화도 빠르게 진행하고 있습니다. 전반적으로 이러한 성장 추세는 지속될 것으로 예상되며, 블록체인, 탄소 거래, 미국 모기지 선물 등 다양한 금융 혁신으로부터 혜택을 받을 것입니다.