Professional Documents
Culture Documents
kr
| 서유정ㆍ조철근 |
참여연구진
연 구 위 원 조철근
연구참여자 : 전 문 원 오은주
위촉연구원 정진영
<요 약>
1. 연구의 필요성 및 목적
요약 i
변동성 예측을 통한 유가변화 확률분포 예측 정확도 제고에 있다. 추
정된 예측확률분포는 위에서 예로 든 원유 생산업자의 헷징 의사결정
에서 뿐만 아니라 구매시기가 유동적인 원유 실수요자의 구매계획 수
립, 원유관련 파생상품 금융투자자의 투자결정 등에 유용한 정보를 제
공할 수 있을 것으로 기대된다.
보다 정확한 변동성 전망은 이론적으로 엄밀한 변동성의 정의 및 이
에 대한 적절한 측도에 기초해야 함은 두 말할 필요가 없을 것이다.
2000년대 이후로 학계에서는 고빈도 데이터를 기반으로 한 변동성 측
정과 예측이 주목을 받고 있는데 본 보고서에서도 이러한 대용량 고빈
도 데이터를 이용하는 방법론을 채택하여 WTI 선물가격의 변동성을
예측하는 모형을 제시하고 이를 기반으로 미래기간 중의 유가변화 확
률분포를 추정하는 것을 연구의 목표로 한다.
2. 연구 내용
ii
성에 대한 유의한 설명력을 보였다.
이에 반해, 각 외생변수의 변동성 설명력은 예측시계에 따라 차별화
되어 나타났다. OPEC 여유 생산능력은 모든 시계에서 유의하게 변동
성을 설명하였으나 특히 향후 1개월 변동성 예측에서 유의성이 크게
나타났다. 선물유가 선도곡선(이하 forward curve)의 Backwardation1)
및 Contango를 측정하는 변수들도 미래의 변동성에 대한 설명력을 보
였는데 Contango 정도는 모든 시계에서 유의한 반면 Backwardation
정도는 1일 및 1주 후 변동성 예측에서 유의성이 관찰되었다. 주식시
장의 변동성 기대지수인 VIX도 미래 유가 변동성을 유의하게 설명하
는 것으로 나타났는데 이는 석유시장 변동성과 주식시장 변동성 간의
연관성을 시사한다. 투기적 투자자들의 포지션 관련 변수들과 중동지
역 지정학 리스크 등은 변동성 예측에 유의한 추가적 설명력을 보이지
않았다. 불확실성 전망 지수들 중에서는 실물부문 불확실성 지수가 모
든 시계에서 유가 변동성에 영향을 미치는 것으로 나타났다.
본 연구는 상기의 분석 결과를 기초로 Good/Bad 변동성 변수가 포
함된 HAR-RS 모형에 설명력이 높은 일부 외생변수를 추가한
HAR-RS-X2 모형을 변동성 예측모형으로 선택하였다. 다음으로, 동
모형을 Maheu and McCurdy(2011)의 방법론에 접목시킴으로써 유가
변화 확률분포를 예측하였다. 확률분포는 향후 1일, 1주 및 1개월에
대해 각각 구축되었으며 분석 결과에 따르면 예측된 확률분포가 실제
유가변화 분포에 근접하는 것으로 나타났다.
요약 iii
3. 연구의 공헌도 및 활용도
iv
간 및 월간 확률분포를 도출하였다. 이러한 접근 방식을 선택한 주된
이유는 In-sample 분석이나 Out-of-sample 변동성 예측력 평가 결과에
따르면 일중 변동성 예측보다 주간 혹은 월간 변동성 예측의 정확도가
높게 나타났기 때문이다. 하지만 직접 주간 및 월간 확률분포 예측을
시도할 경우 기존 Maheu and McCurdy(2011) 모형 상의 우도함수를
원형 그대로 이용할 수 없게 된다. 그 이유는 주간(또는 월간) 변동성
방정식을 도입할 시에는 자연스레 가격변화(수익률) 방정식도 주간(또
는 월간) 수익률에 대해 설정되어야 하기 때문이다. 이럴 경우, 가령
오늘 기준 향후 5일간 수익률과 내일기준 향후 5일간 수익률은 거래일
(4 거래일)이 중첩됨에 따라 자기상관성이 필연적으로 존재하게 된다.
하지만, Maheu and McCurdy(2011)가 고려한 우도함수는 자기상관성
이 없음을 전제하므로 이를 주간 및 월간 예측에 사용하는 것은 이론
적으로 맞지 않다.
다음으로 본 연구에서는 다양한 석유시장 관련 외생변수의 유가 변동
성 예측력을 평가하였다. 선물시장 관련 변수 중에서는 Backwardation/
Contango의 정도가 변동성 예측에 도움이 되었다. OPEC의 여유생산능
력(석유수요 대비)과 석유 수요/공급 비율 등과 같은 석유 physical 시
장변수들은 주간 및 월간 변동성에 대해 예측력을 보였지만, 상업용 석
유재고량(석유수요 대비)은 변동성 예측력이 없는 것으로 나타났다. 또
한 학계에서 인정받는 거시·금융·실물부문 불학실성 전망지수, 미국 정
책 불확실성 지수 및 중동지역 리스크 지수 등의 국제유가 변동성 설명
력을 검증하였는데 특히 실물부문의 불확실성 지수가 고려된 모든 예측
시계에서 미래 유가변동성에 대한 예측력을 지니는 것으로 나타났다.
이 외에도 미국 주식시장향후 1개월 동안의 변동성 기대치를 나타내는
요약 v
VIX는 모든 예측시계에서 유의한 예측력을 보인 반면 원유시장의 변동
성 기대치인 OVX는 변동성 설명력이 약하게 나타났다. 특히 향후 1개
월 변동성 예측에 있어서 OVX는 통계적 유의성이 나타나지 않았는데
OVX 변수 자체가 향후 1개월 동안의 변동성 기대치를 측정하는 개념
임을 고려할 때 매우 놀라운 결과라고 생각된다. 본 연구의 결과에 따
르면 향후 1개월 유가변동성을 예측함에 있어서 본 연구에서 고려된 타
설명변수들을 이용한다면 OVX 변수는 추가적인 예측력을 보이지 않게
된다.
본 연구의 연구결과는 정책담당자, 민간 투자자 및 원유구매 주체들
의 의사결정에 유용하게 활용될 수 있을 것으로 기대된다. 변동성 및
유가변화 확률분포 전망은 원유선물 등 파생상품 투자자, 원유구매 리
스크 관리자(헷징 담당자), 원유 구매시기가 비교적 유동적인 원유구매
자, 원유가격의 급등이나 급락 등 변동폭에 관심이 있는 정책 당국자
등 리스크 관리자들에게 의사결정에 필요한 유의미한 정보를 제공할
수 있을 것으로 판단된다.
vi
ABSTRACT
Abstract i
predict the volatility of oil prices in all horizons. The position variables
of speculative investors and the geopolitics risk of the Middle East region
show no significant additional explanatory power.
Based on the results of the regression analysis, the HAR-RS-X model
is used as a model for estimating a predictive probability distribution of
oil price changes. The predictive probability distribution is estimated by
incorporating the HAR-RS-X model into the framework of Maheu and
McCurdy (2011). The probability distributions are established for the next
day, week, and month respectively, and we find this predictive distribution
provides a good approximation to the true distribution of oil price changes.
The contributions of this research are as follows. First, this research
provides a stepping stone for predicting oil price volatility and probability
distribution forecasts on a regular basis using the high-frequency data. The
outlook for volatility and the probability distribution of oil price changes
is expected to provide useful additional information on future oil prices
movement for policy-makers and economic agents in private sectors, upon
combined with forecasts of oil prices currently being performed by the
Korea Energy Economics Institute. Second, this study incorporates the
HAR-RS-X model into the Maheu and McCurdy (2011) framework to derive
the predictive probability distribution of oil price change and finds evidence
of the accuracy of the estimated distribution. Existing oil market volatility
studies focused on measuring and comparing the out-of-sample forecast
performance of the variability model. But this study takes a step further
to estimate the probability distribution of oil price changes. In addition,
ii
the study's efforts to predict the volatility of oil prices by various external
variables related to the oil market can be seen as another contribution.
The findings in this research or further extended studies may serve as
a useful tool for policy-makers, private investors, and crude oil buyers such
as refinery companies. The outlook for variability and the probability
distribution of oil price changes is expected to provide useful information
also for risk managers, including oil-related derivatives traders, oil
purchasing managers, oil purchasing task appraisers, and policy officials
concerned with extremely high or low crude oil prices.
Abstract iii
제목 차례
제1장 서 론 ·
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··1
차례 i
2. 변동성 측도 계산 ·········································································· 32
2.1. RV ··························································································· 32
2.2. RS ···························································································· 34
2.3. BPV ························································································· 36
2.4. 점프 테스트를 위한 통계량 ·················································· 36
3. 외생변수 구축 ··············································································· 37
3.1. WTI 선물시장 관련 변수 ······················································ 38
3.1.1. Forward curve 기울기 ······················································ 40
3.1.2. 비상업 투자자 포지션 ······················································· 41
3.2. 석유 physical market 관련 변수 ·········································· 42
3.3. 불확실성 지수 ········································································· 44
3.3.1. Ludvigson 불확실성 지수 ················································· 44
3.3.2. 정책 불확실성 지수 ·························································· 48
3.4. 지정학 리스크, 주식 및 원유선물 시장 변동성 인덱스 ····· 49
3.4.1. 지정학적 리스크 지수(GPR Index) ································· 49
3.4.2. OVX 및 VIX ···································································· 49
제5장 변동성 설명 및 예측 ·
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··51
1. In-sample 변동성 설명 ································································· 51
1.1. 변동성 예측 모형 ··································································· 51
1.2. 모형별 변동성 In-sample 회귀분석 결과 ····························· 54
1.2.1. HAR 모형 결과 ································································· 54
1.2.2. HAR-CJ 모형 결과 ··························································· 54
1.2.3. HAR-RS 모형 결과 ·························································· 55
ii
1.2.4. HAR-CJ-X 모형 결과 ······················································· 57
1.2.5. HAR-RS-X 모형 결과 ······················································ 61
2. Out-of-sample 변동성 예측 ·························································· 65
2.1. 모형 비교 기준 ······································································· 65
2.2. 모형 비교 결과 ······································································· 66
3. 유가변화 확률분포 추정 ······························································· 72
3.1. 모형 및 추정방법 ··································································· 72
3.2. 추정 결과 ················································································ 76
제6장 요약 및 결론 ·
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··81
참고문헌 ·
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··87
차례 iii
표 차례
iv
그림 차례
차례 v
제1장 서 론
제1장 서론 1
면 유가변화 확률분포 추정 상의 예측 정확도를 제고할 수 있다. 미래
기간 동안의 유가변화 예측확률분포가 주어진다면 유가가 동 기간 중
특정 범위 내에 있을 확률을 계산할 수 있다는 점이 확률분포 예측 연
구의 의의이다. 추정된 예측확률분포는 원유 구입자의 헷징 의사결정,
원유 등을 투자대상 자산으로 포함하는 포트폴리오 관리자의 투자자산
배분 결정 및 WTI 선물시장 투자자의 매매전략 수립 등에 핵심적인
정보를 제공할 수 있을 것으로 판단된다.
유가 변동성의 예측은 기본적으로 두 단계의 작업을 필요로 한다.
시간에 따라 변화하는 변동성은 직접 관찰되는 변수가 아니므로 1차적
으로 과거기간 동안의 변동성을 보다 정확하게 추정하는 작업이 선행
되어야 한다. 변동성에 대한 정확한 측도가 계산되면 이를 이용하여
과거 변동성과 미래 변동성 간의 관계에 대한 모형을 설정하고 각 모
형의 변동성 예측력을 평가해 볼 수 있다. 이러한 과정을 통해 도출된
예측모형을 기반으로 각 시점별(매일) 미래 기간(익일, 차주 및 차월
등)의 변동성을 예측할 수 있게 된다.
전통적으로 변동성 측정과 예측은 ARCH2), GARCH3) 등의 조건부
이분산 모형을 이용하여 수행되었다. 하지만 고빈도(high frequency)
데이터인 일중 거래가격 등 대용량의 정보가 접근 가능한 상황에서도
전통적 방법은 여전히 상대적으로 저빈도(low frequency)인 일간 혹은
주간 가격변화 자료를 이용하여 모형을 추정하는 것이 보편적이다. 이
는 전통적 방법론이 고빈도 데이터를 이용하기에 다소 부적합한 측면
이 존재하기 때문이다. 하지만 2000년대 이후 고빈도 데이터에 적합한
계량경제학 방법론에 대한 논의가 시작되면서 특히 변동성 연구에서는
2
Andersen, Bollerslev, Diebold and Laby(2001) 등이 소위 “Realized
Variance(RV)”라는 변동성 측도의 사용을 제안하였다. 이후 다수의 연
구에서 고빈도 거래가격 데이터를 이용하는 RV 측도가 전통적 방법론
에서 도출된 변동성 측도보다 실제 변동성 변화를 잘 나타내며 변동성
예측 측면에서도 RV에 기반을 둔 비교적 단순한 모형들이 기존 방법
론보다 정확도가 더 높음을 주장하였다. 한편, RV 측도를 이용하는 이
후의 연구에서는 RV를 점프(급작스럽고 흔치 않은 가격 상승/하락)과
非점프 기여부분으로 분해하여 사용하거나, 변동성을 가격상승(Good
Volatility) 또는 가격하락(Bad Volatility)과 관련한 부분으로 분해하기
도 하였으며, 더 나아가 추가 외생변수를 변동성을 설명변수로 포함시
킴으로써 변동성 예측의 정확도 제고를 시도하였다.
본 연구에서는 기존연구에서 주목을 받은 HAR 모형 등 기본 예측모
형들과 더불어 비교적 최근에 제안된 HAR-RS 모형 그리고 각 모형에
석유시장 변수 등 외생변수를 추가한 모형들을 고려하였다. 기존 주식
시장이나 외환시장 변동성 연구에서는 Good/Bad 변동성을 활용하는
모형이 변동성 설명력(In-sample)과 예측력(Out-of-sample forecasting)
에서 기존의 모형보다 성과가 좋은 것으로 보고되었다. 본보고서는
WTI 선물가격에 있어서도 해당 모형이 타 모형보다 우월하다는 분석
결과를 제시하였고 이러한 모형 간 비교 평가를 통해 유가변화 확률분
포 예측을 시도하였다. 각 거래일마다 미래시점(1일 후, 1주 후 및 1개
월 후)의 확률분포를 추정하였으며 추정된 예측 확률분포가 실제 유가
변화 분포에 근접하는 지 확인한 결과 본 연구에서 도출한 예측분포가
실제 분포를 근사하는 것으로 나타났다.
본 연구 보고서의 구성은 다음과 같다. 2장에서는 변동성 예측 중요
성에 대해 다양한 측면에서 서술한다. 3장에서는 변동성 추정의 핵심
제1장 서론 3
개념인 Realized Variance에 대한 이론적 속성을 제시하고 예측모형의
근간이 되는 Corsi(2009)의 HAR(Heterogenous Autoregressive) 모형을
소개한다. 또한 변동성을 점프에 의한 부분과 그렇지 않은 부분으로
분해하기 위한 점프테스트에 대해 상술하고 Good/Bad 변동성을 나타
내는 Realized Semivariance(RS) 측도를 소개한다. 석유시장 및 주식,
채권, 환율 시장의 변동성에 대한 기존 연구결과와 중심적인 이론연구
결과들에 대한 요약도 3장에 제시된다. 4장은 본 연구에서 사용한
WTI 선물유가 가격 데이터를 소개하고 이를 기초로 계산한 다양한 변
동성 관련 변수들을 상술하였다. 5분 단위 가격 추출 및 변동성 변수
들의 계산을 위해 사용된 code는 부록에 수록하였다. 추가 외생변수들
에 대한 소개와 요약도 본 장에 제시된다. 5장은 변동성 모형 선택을
위한 In-sample 분석 결과를 제시하고 각 모형의 Out-of-sample 예측
력을 평가하였다. 끝으로 이상의 분석결과를 통해 채택된 변동성(RV)
예측모형인 HAR-RS-X2를 적용하여 유가변화 예측 확률분포를 구축
하였다. 마지막 6장에서는 연구결과와 연구의 기여도를 요약하였다.
본 보고서 내용의 핵심 내용만을 파악하기 원하는 독자는 아래와 같
은 순서의 부분읽기 방법을 선택할 수 있다. 변동성 추정 및 예측의 중
요성은 서론 및 2장에 서술되었다. 핵심 변동성 측도인 Realized
Variance와 Realized Semivariance는 각각 3장 1절 및 5절에 제시되어
있고 초기 예측 모형인 HAR 모형은 3장 2절에서 설명한다. 본 연구진
이 사용한 실제 데이터와 변수 소개 및 구축과정은 4장에 제시된다.
본 보고서가 채택한 변동성 예측모형의 근간이 되는 HAR-RS-X 모형
에 대한 In-sample 분석결과는 5장 1절, 마지막으로 유가확률분포 추
정방법 및 그 결과는 5장 3절에 제시되어 있다.
4
제2장 변동성 예측의 중요성
1. 유가 확률분포 추정과 활용
2. 원유관련 파생상품 거래
6
가격 변동성이 옵션가격을 결정하는 요인 중 하나인데 변동성이 클수
록 옵션 가치는 높아진다. 각 시점에서의 기초자산에 대한 옵션 시장
가격과 이론적 옵션가격 모형을 이용함으로써 옵션가격에 내재된 기초
자산의 변동성(implied volatility)을 계산하는 것이 가능한데 석유시장
의 경우 CBOE(Chicago Board of Options Exchange, 시카고 옵션거래
소)에서 이를 Oil Volatility Index(OVX)로 매일 발표(자료 기간은
2007년 5월 이후)하고 있다. OVX는 거래소를 통해 거래(exchange
traded fund, ETF) 되는 미국 오일 펀드(USO)에 대한 옵션의 시장가
격으로부터 역 계산된 implied volatility의 일종이며 사실은 미 주식시
장(S&P 500 인덱스) 변동성 예측의 측도로 널리 인정되는
VIX(Volatility Index)를 USO에 적용한 것이라 할 수 있다. VIX와
OVX 모두 향후 한 달 동안의 기초자산 변동성에 대한 기대치로 인식
되고 있으며 미래 변동성 측도로서 널리 사용되고 있다.
원유가격 변동성 예측 연구의 가치는 본 연구에서 고려되는 모형들
로부터 도출된 변동성 예측치가 OVX 만을 이용한 방법보다 예측력이
우월할 때 존재하게 될 것이다. 만약 옵션 시장가격에 반영되지 않은
변동성을 특정 모형을 통해 예측할 수 있다면 이는 원유 관련 옵션 거
래자들에게 헷징 의사결정에 있어서 유용한 정보가 될 수 있다.
이 외에도 미래 변동성에 대한 정보는 변동성 크기에 따라 수익의
크기가 결정되는 유형의 옵션 투자 의사결정 및 선물 투자에서의 매
수·매도 시점 결정 등 각종 파생상품 투자전략 수립 및 운영에도 중요
한 정보를 제공할 것으로 판단된다.
4. 변동성에 대한 거시경제학적 접근
8
effect) 등의 채널이 연구7)되었다. 변동성은 고용, 투자, 소비 등을 감
소시킬 수 있는데 경제주체가 고정 비용(fixed costs)이나 부분적인 비
가역성(partial irreversibilities) 하에서 변동성에 직면하여서 의사결정
을 변화시키는 경우를 실질 옵션 효과라 한다. 경제주체가 위험 회피
적(risk averse)이어서 변동성이 있는 경우 고용, 투자, 소비 등을 감소
시키는 경우는 예비적 저축 효과라고 하며 경제 주체가 직면하는 금융
적 제약(financial constraints)의 강도가 변동성의 상승에 따라 높아져
서 의사결정에 영향을 미치는 효과를 금융 마찰 효과라 부르고 있다.
일반균형 모형에서는 변동성의 여러 가지 효과가 복합적으로 작용하
여서 모형의 해에 영향을 주며 변동성의 변화는 경제에 많은 영향을 미
칠 수 있다. 모형 기반의 연구에서는 동태확률일반균형모형(Dynamic
Stochastic General Equilibrium Model, DSGE)의 주요 구조 충격
(structural shocks)의 변동성에 초점을 맞추며 변동성의 변화
(time-varying uncertainty)를 모형에 도입하여 거시경제 일반에 미치는
영향에 대하여 분석을 하고 있다.
경제의 시계열 데이터를 사용하여 거시경제에 대해서 연구하는 실증
연구에서는 주로 VAR(Vector Autoregression) 모형을 이용하여서 분
석을 하고 있다. 변동성의 변화에 초점을 맞추는 경우에는 오차항의
분산이 시간에 따라서 변화할 수 있음을 가정한 TV-VAR(time-varying
VAR) 모형을 베이지안 방법으로 추정하는 연구들도 존재한다.
1. Realized Variance
1.1. 기본 SV 모형
12
변동성 자체의 시변성(time-varying) 및 시점 간 선형 상관관계(serial
correlation) 등을 허용하게 된다. 단, 변동성 확률과정에 대한 구체적
모형은 명시하지 않는데 이 점이 구체적 변동성 과정 모형을 가정하여
관련 모수를 추정하는 전통적인 SV모형 접근방식과 구별되는 점이다.
식 (3-1)과 같은 확률미분방정식(Stochastic differential equation)이
주어지면 시점의 자산 가격은 식 (3-2)로 주어진다.
(3-2)
(3-3)
8) integrated variance는 순간 변동성 를 0시점에서 t시점까지 적분한 개념이지
만 이하에서는 편의상 임의의 구간위에서의 적분 값도 integrated variance라고 지
칭하기로 한다.
(3-4)
14
1.2. RV의 정의 및 통계적 속성
(3-6)
⇒ ↑∞. (3-9)
위의 식에서 분모에 나타나는
는 integrated quarticity
로서 이에 대한 추정량으로는
(realized quarticity),
(realized quad-power quarticity) 및
(realized tri-power quarticity)
등이 사용된다.
식 (3-6)으로 계산한 일별 변동성을 이용하여 주별(weekly) 및 월별
(monthly) 등 특정 기간 동안의 변동성을 계산할 수 있다. 거래
16
일부터 거래일 기간 동안의 평균 변동성은 아래 식 (3-10)과 같
이 정의된다.
⋯ (3-10)
2. 변동성 예측 모형(HAR)
18
위에서 언급된 HAR 모형의 장점으로 인해 HAR 모형 기반의 변동
성 예측은 주식, 채권, 환율, 원유시장 등에 대한 다양한 실증연구에서
적용되었다. HAR 모형을 통해 추정된 미래 변동성은 전통적인
GARCH 모형이나 모수적인 Stochastic Volatility 모형의 추정을 통한
변동성 예측치보다 Out-of-sample 예측 정확도가 높다는 것이 학계의
중론이다.
Corsi(2009)가 제안한 HAR 모형은 이후 추가적인 외생변수를 고려
하거나 자산가격의 jump를 허용하는 모형 등으로 확장되었다.
Haugom, Langeland, Molnar and Westgaard(2014)는 WTI 선물유가 변
동성을 설명하기 위해 기존 변동성 변수에 선물시장 관련 외생변수를
추가한 소위 HARX(HAR+exogenous variables) 모형을 채택한 바 있
다. Andersen, Bollerslev and Diebold(2007) 및 Corsi, Pirino and
Reno(2010) 등은 RV 측도를 jump 요소와 非jump 요소로 분해하여 변
동성 예측에 적용하였고(HAR-CJ 모형), Patton and Sheppard(2015)는
Realized Semivariance(RS)라고 불리는 가격상승과 하락에 동반된 변동
성을 설명변수로 사용하였다. 특히, Patton and Sheppard가 고려한 변동
성 예측모형 중 HAR-RS 모형은 기존의 HAR 모형이나 HAR-CJ 모형
보다 예측 정확도 면에서 우월하다고 보고되었다. HAR-RS 및 HAR-CJ
예측모형 등은 공통적으로 자산가격의 점프가 발생하는 것을 허용하는
모형에 기초하고 있다. 식 (3-1)에 점프를 추가하는 확장모형과 점프의
통계적 식별 그리고 Realized Semivariance(RS) 측도와 이를 활용한 예
측 모형 등은 다음 절에서 소개하기로 한다.
≤
(3-13)
20
서는 각 거래일에 대하여 jump가 발생하였는가를 테스트해야 하는데
이를 위해 BNS(2004)가 처음 제안했던 Bipower variation(BPV)을 이
용할 수 있다.
Bipower variation의 정의는 아래와 같다.
≡
(3-14)
↑∞ (3-15)
≡
(3-16)
4. 점프 테스트
22
와 Huang and Tauchen(2005)는 jump 테스트를 위한 통계량을 제안했
는데 이후 연구들에서 이를 수정·보완한 아래 식과 같은 통계량이 사
용되고 있다.
≡
(3-17)
max
정의된다.
≡
(3-18)
여기서
이고 ∙는 감마함
수를 나타낸다.
jump 테스트는 단측검정(우측)으로 진행되며 통계량 가 임계치
5. Realized Semivariance
≡
(3-20)
≡
24
대로 나타난다. 은 가격상승에 동반된 변동성이어서 Good
≤
(3-21)
≤
(3-22)
이 된다.
6. 기존 연구결과
6.1. 석유 시장
26
Ma, Liu, Huang and Chen(2017)은 유가 움직임의 범위(range)에 기
초한 변동성 측도인 RRV(Realized Range-based Volatility)를 피설명
변수로 설정하여 원유 선물가격 변동성을 분석하였다. 또한 RRV 자체
의 변동성(즉 변동성의 변동성)을 설명변수로 포함시켰는데 이들의 분
석결과에 따르면 원유 선물시장에서도 변동성의 변화폭 자체가 시간에
따라 변화하는 현상이 나타나고 있으며 이를 측정하는 RRV 변동성을
설명변수로 추가할 경우 예측의 정확성을 높일 수 있음을 보이고 있다.
Prokopczuk, Symeonidis and Simen(2016)은 다양한 에너지 제품(원
유, 난방유, 천연가스, 휘발유) 가격에 대한 변동성을 연구하였다. 이들
의 연구는 HAR, HAR-CJ 등과 같은 다수의 모형을 고려하였는데 대
부분의 모형에서 과거 점프변동성 설명변수가 미래 변동성에 대한 설
명력이 없다고 결론지었다.
본 연구는 Haugom et al(2014)가 채택한 기본 HAR 모형 외에도
HAR-CJ, HAR-RS 등의 모형을 고려하였고 외생적 설명변수의 구성
도 상이한 점에서 차별화 된다. 또한 본 절에 언급된 기존 연구들과 달
리 변동성 예측을 기초로 유가변화의 확률분포까지 예측한 점이 또 다
른 중요한 차이점이다.
28
미래 변동성 설명력은 유의하지 않게 나타난 반면, 과거 integrated
variance 관련 변수들은 통계적 유의성을 보였다. 이들은 점프로 인한 변
동성과 연속적으로 변하는 integrated variance는 미래 변동성 설명력이
다르므로 RV를 두 가지 요소로 분해하여 사용해야 된다고 주장하였다.
Corsi, Pirino and Reno(2010)는 Andersen et al(2007)의 모형을 채
택하여 S&P 500 인덱스 선물과 미국 주요 개별 주식의 변동성을 분석
하였다. 이들은 기존의 Bipower 변동성을 포괄하는 멀티파워 변동성
(multipower variation)에 기초한 기존의 점프 검정(test)방법에 비해 검
정력이 높은 새로운 점프 식별 검정을 제시하였다. 점프 테스트의
power가 높을 때는 샘플기간 내에서 좀 더 많은 점프가 발견될 수 있
으며 결과적으로 동일한 회귀모형이라 하더라도 각 설명변수의 값이
변하게 된다. 이들의 실증분석 결과에서는 새로운 점프 테스트 방법에
기초하여 구축된 직전 거래일 점프 변동성 설명변수가 미래 변동성에 대
한 강한 설명력을 보이고 있다.
BNS(2008)은 RS(Realized Semivariance) 측도의 극한 및 Quadratic
Variation(QV)과의 관계 등에 관한 이론적인 기반을 제시한 후에 이를
토대로 GE社 주식 거래 데이터에 대한 실증분석을 수행하였다. 이들
의 결과에 따르면 일반적인 RV 통계량에 비해서 음의 RS가 미래 변
동성 예측에서 높은 설명력을 갖는 것으로 보고되었다.
Patton and Sheppard(2015)는 BNS(2008)의 방법론을 준용하여 자산
가격(S&P 500 지수와 105개의 개별 주식가격)의 수익률이 양인 경우
와 음인 경우를 구분한 후 각각의 변동성(Realized Semivariance)을 계
산하였다. 특히 이들은 양의 RS와 음의 RS의 차이에 기반한 소위
‘signed jump 요소’를 설명변수에 포함하는 HAR-RS 모형을 제안하였
다. 이들의 실증 결과에 다르면 미래 변동성은 과거 음의 수익률과 연
30
제4장 데이터 구축 및 변동성 추정
1. WTI 선물 데이터
2.1. RV
. (4-2)
32
계산하였다.15)
[그림 4-1]은 분석기간 동안의 RV를 나타내며 일별 RV 등의 기술통계
량은 아래 <표 4-1>에 제시되어 있다.
평균 0.000505 0.000250 0.000255
2.2. RS
. (4-3)
34
. (4-4)
≡
,
max
≡
,
36
[그림 4-3] 점프의 변동성 기여분과 Skipped BPV
3. 외생변수 구축
구 분 세부 설명변수
석유 수요/공급 비율
석유 Physical market
OPEC 원유 여유생산능력/석유수요 비율
관련 변수
상업용 원유재고/석유 수요 비율
38
curve의 Contango의 정도 등의 계수가 과거 변동성 변수들과 더불어
강하게 통계적으로 유의한 것으로 보고되었다. 주중 및 월중 변동성의
경우에는 일중 변동성 분석에서 유의하게 나타난 변수들에 추가하여
Bid-ask 스프레드 대용변수가 유의성을 보였다.
본 연구에서는 WTI 선물시장 관련 외생변수로서 forward curve의
기울기 변수, 비상업 투자자들의 매수/매도 포지션 간 비율, 매수 포지
션의 변화율, 매도 포지션의 변화율을 고려하였다.
본 연구에서 Bid-ask 스프레드(BAS)를 고려하지 않은 이유는 다음
과 같다. RV를 이용한 일중 변동성 측도는 샘플링 빈도가 너무 크면
(예: tick-by-tick 혹은 1분 간격), BAS 및 거래비용 등으로 인해 noise
가 생기고 결과적으로 RV 변동성 측도가 편의성(bias)을 띄게 된다.
따라서, BAS를 설명변수로 넣으면 이로 인한 변동성 변화 영향을 통
제할 수 있게 된다. 그러나 만약 RV 측도에 편의(bias)가 크지 않다면
BAS를 설명변수로 포함할 필요성은 줄어들게 된다. 본 연구에서는 기
존연구에서처럼 5분 단위 수익률에 기초하여 RV를 계산하였는데 5분
단위 거래가격을 이용할 경우 noise가 현격히 감소한다고 알려져 있다
(예: Corsi, Mittnik, Pigorsch and Pigorsch, 2008). 이와 같은 기존 연
구결과를 토대로 본 연구에서는 BAS를 변수로 포함하지 않았다.
한편, 본 연구에서는 투기적 투자자들의 포지션이 변동성에 어떻게
영향을 미칠 수 있는가를 보기 위해 거래일 직전 발표된 포지션 데
이터를 설명변수 구축에 사용하였다. 구축된 설명변수는 투기적 투자
자들의 매수/매도 포지션 비율과 매수 포지션 및 매도 포지션 변화율
이다.
max log
(4-5)
min log
40
증하였다.
반면 Kogan et al(2009)는 Backwardation과 Contango 모두 실제 투
자가 최적의 투자에서 이탈된 결과이므로 Backwardation과 Contango
의 정도가 증가하면 변동성이 상승할 것이라고 주장하였다.
이상의 이론적 관점과 별개로 시장 전문가들 사이에서는 현재(혹은
가까운 미래)의 수급상태가 Backwardation 혹은 Contango를 결정하는
주요 요인이라고 알려져 있다. 현재 실제 원유수급이 초과공급을 나타
낼 경우 일 경우 현재의 가격이 낮아지므로 Contango 시장이 실현되
며 반대의 경우인 공급부족 상황에서 Backwardation 시장이 관찰된다
는 것이다.
42
[그림 4-5] 석유 Physical market 관련 변수
자료: IEA, Oil Market Report(2007년 6월호 2019년 5월호); EI, Oil Market
Intelligence(2007년 6월호 2019년 5월호)의 원자료를 저자가 가공
3.3. 불확실성 지수
18) 이러한 방법은 diffusion index forecasting이라 불리며 데이터가 많은 상황(data rich
environments)에서 널리 사용되는 방법이다.
44
[그림 4-6] Ludvigson 금융 불확실성
46
[그림 4-8] Ludvigson 실물부문 불확실성
48
3.4. 지정학적 리스크, 주식 및 원유 선물시장 변동성 인덱스
50
제5장 변동성 설명 및 예측
1. In-sample 변동성 설명
1.1. 변동성 예측 모형
제5장 변동성 설명 및 예측 51
HAR-CJ:
52
미국 S&P 500 인덱스 ETF(Exchange traded fund) 등에 적용하여
Good Volatility가 Bad Volatility보다 큰 경우 미래의 변동성이 감소하
는 경향이 있고 반대의 경우는 다음 날의 변동성이 커지는 효과가 있음
을 보였다.
본 연구에서는 이와 같은 기존 문헌상의 모형에 석유 선물 및
physical 시장 관련 변수(4장 3절 참조) 등을 추가한 아래의 모형을
WTI 선물유가 변동성 분석에 적용하였다.
제5장 변동성 설명 및 예측 53
1.2. 모형별 변동성 In-sample 회귀분석 결과
1.2.1. HAR 모형 결과
1.2.2. HAR-CJ 모형 결과
54
변동성을 integrated variance와 점프로 구분하여 변동성을 설명하는
HAR-CJ 모형의 결과는 <표 5-2>에 제시되어 있다. 점프에 의한 변동
성 설명변수는 통계적으로 유의지 않으며 integrated variance( ) 설명
변수들의 계수들은 양의 부호로서 통계적 유의성을 지닌다. HAR 모형
에서와 동일하게 익일 변동성이 피설명변수인 경우 전날 일중 변동성
은 통계적 유의성이 없다. 점프 변수들이 유의하지 않게 나온 결과도
DM/USD 환율과 미국 S&P 500를 분석한 Andersen, Bollerslev and
Diebold(2007)의 결과와 유사하다. 전주 및 전월 변동성 변수의 계수
가 상대적으로 크게 추정되고 통계적 유의성이 더 큰 점도 WTI 시장
과 기존 환율/주식 시장 연구결과와의 공통점이다. 기존 연구와의 차이
점은 WTI 선물시장의 경우 전날 변동성 변수의 계수가 상대적으로 작
고 통계적으로 유의하지 않게 나온 점이다. 일별 변동성의 자기상관성
이 높음을 감안할 때 이러한 결과는 다소 의아한 측면이 있다. 다음 절
에서는 전날의 변동성을 integrated variance 요소와 Good/Bad 변동성
요소로 구분한 HAR-RS 모형의 추정결과를 제시하는데 전일 변동성의
통계적 유의성 측면에서 HAR-CJ 모형결과와 큰 차이를 보인다.
1.2.3. HAR-RS 모형 결과
제5장 변동성 설명 및 예측 55
HAR-RS 모형의 추정결과는 위의 표에 제시되어 있다. 거의 모든
설명변수들이 미국 주식시장을 분석한 Patton and Sheppard(2015)에서
처럼 통계적으로 유의하다. 전날 변동성 중 점프의 기여분이 제거된
BPV 변수와 전주 및 전월 변동성은 미래 변동성에 양의 영향을 주고
있다. ∆ 변수의 계수는 음수로 추정되었는데 이는 전날 Good
Volatility가 크면 클수록 미래의 변동성이 작아지는 효과가 있음을 보
여준다. 반면, 정의상 음의 값을 갖는 ∆ 변수의 계수의 부호도 음인
데 이는 Bad Volatility가 클수록 미래의 변동성이 커짐을 뜻한다. 이
추정 결과는 가격상승을 동반한 변동성이 컸던 거래일의 다음날에는
변동성이 작아지는 경향이 있고 가격하락으로 인한 변동성이 상대적으
로 컸던 거래일 다음날에는 변동성이 상승하는 경향이 있다는 점을 의
미한다. 다만, Patton and Sheppard(2015)가 분석한 주식시장 변동성의
경우 ∆ 계수의 절대값이 ∆ 의 계수 절대값보다 현저히 크게 나타
나는 비대칭성을 보였지만 본 연구에서 분석한 WTI 선물시장은 두 변
수의 계수 크기가 유사하게 추정되었다. 즉 주식과 WTI 선물시장 모
두 전날 가격하락을 동반한 변동성이 가격상승 변동성 보다 크면 다음
날 변동성이 커지고 반대의 경우에는 다음 날 변동성이 작아지는 경향
이 존재하지만 주식시장은 전자의 효과가 후자보다 상대적으로 큰 반
면 원유선물 시장에서는 양자가 비슷한 크기로 나타났다. 이는 원유선
물시장 변동성이 주식시장의 그것에 비해 가격하락에 대해 상대적으로
덜 민감하다는 점을 시사한다.
한편 위 표의 실증결과를 보면 전날 변동성(BPV 변수)이 미래 변동
성에 대한 통계적으로 유의한 설명력을 보이고 있다. 이는 앞서 봤던
HAR-CJ 모형의 실증결과와 차별되는 점인데 Good-Bad 변동성( ∆ ,
∆ )을 설명변수로 포함하지 않는 HAR-CJ 모형의 추정결과는 -기존
56
타 시장에 대한 실증결과와는 달리- 전일의 변동성( )의 설명력이 높
게 나오지 않거나 통계적으로 유의하지 않게 나온 반면 전일의 변동을
BPV와 Good/Bad 변동성 등으로 분해하여 사용한 HAR-RS 모형에서
는 전일 변동성 (BPV)의 설명력이 존재함이 드러났다. 이는 WTI 선물
가격 변동성의 경우 전일 변동성의 가격하락/상승 속성 구분의 중요성
을 의미하는데 세분화된 설명변수를 사용한 HAR-RS 모형이 각 변수
들의 설명력을 올바르게 추정한 것으로 판단된다.
1.2.4. HAR-CJ-X 모형 결과
제5장 변동성 설명 및 예측 57
있었다.
Contango 의 정도를 측정하는 변수는 일간/주간/월간 모든 분석
에서 미래의 변동성에 통계적으로 유의한 (+)의 영향을 미치는 것으로
추정되었다. Backwardation의 정도를 측정하는 변수 일간 분석에
서 통계적으로 유의하고 그 계수의 부호를 음수로 추정되었다. 이 변
수 자체가 음수이므로 Backwardation의 정도가 커질수록( 의 절대
값이 커질수록) 미래 변동성이 커진 것으로 추정되었다. 요약하면
Contango이든 Backwardation이든 그 정도가 클수록 미래의 변동성이
증가하는 경향성을 의미하는데 이 결과는 Kogan et al(2009)과
Lizenberger and Rabinowitz(1995)의 이론과 부합한다.
비상업 선물 투자자(투기적 투자자)의 포지션 관련 변수는 대부분의
경우 미래 변동성을 설명하지 못 하는 것으로 나타났다. 해당 변수들
이 갖는 정보의 내용은 대부분 타 변수들과 중첩되어 통계적 유의성은
발견되지 않는 것으로 판단된다.
세계 석유수급 변수( )도 월간 변동성 분석의 경우를 제외하면 설
명력이 없는 것으로 나타났다. 수급관련 변수는 유가 수준에는 직접적
으로 영향을 미치겠으나 변동성 자체에 대한 설명력은 낮은 것으로 해
석할 수 있다. 단 월간 변동성 분석의 경우 석유수요의 공급 대비 비율
이 상승하면 변동성이 통계적으로 유의하게 낮아지는 것으로 추정되었
다. 이는 공급량 대비 수요량이 커지는 타이트한 시장상황에서 오히려
변동성이 낮아지는 경향성이 있다는 점을 의미한다. 즉, 해당 변수의
값이 커지면 당연히 유가는 상승하겠지만 유가변화의 변동성은 하락한
다는 것이다. 이 결과는 앞서 보았던 HAR-RS 모형의 실증결과와 연
결 지어 설명될 수 있다. 석유수급 비율변수가 커지면 유가는 상승세
를 보이고 그에 따라 Good 변동성이 Bad 변동성보다 크게 나타날 공
58
산이 큰데 HAR-RS 실증결과에 따르면 이는 미래 변동성의 하락으로
이어진다. 그런데, HAR-CJ-X 모형에서는 Good/Bad 변동성 설명변수
가 포함되어 있지 않으므로 수급비율 변수의 움직임에는 Good/Bad 변
동성 정보가 내포될 가능성이 있으며 이로 인해 추정된 계수의 부호가
음으로 나타날 수 있을 것으로 판단된다.
석유시장의 1개월 후 변동성 기대치를 나타내는 OVX 변수는 월간
변동성 예측에 있어서 예상과 다르게 통계적 유의성이 낮게 나타났다.
이는 해당 변수가 과거 RV 설명변수, Ludvigson 불확실성 변수들과
정보의 내용이 중복되어 나타난 결과로 추정된다.
제5장 변동성 설명 및 예측 59
OVX 변수만을 이용한 변동성 모형의 경우 본 보고서에서 고려한
모형들보다 값이 현저히 낮게 나타났다. 또한 본 보고서에서 고려
한 회귀모형에서 OVX 변수의 설명력이 낮게 나타난 점은 본 연구에
서 택한 변동성 설명변수들이 OVX 가 갖는 설명력을 대부분 포함하
고 있다는 점을 보여준다.
미국 주식시장 1개월 후 변동성 기대치를 나타내는 VIX 지수는 유
가 변동성에 (+) 영향을 미치는 것으로 추정되었다. 이는 주식시장과
원유선물시장 변동성 간의 변동성 spill-over 가능성을 시사하는 결과
이다.
Ludvigson의 불확실성 변수들 중 특히 실물부문의 불확실성을 나타
내는 변수는 유가 변동성과 밀접한 관계가 있는 것으로 나타났
다.22) 실물부문 불확실성 지수는 유가 변동성을 상승시키는 것으로 추
정된 반면 거시경제 및 금융시장 불확실성 변수는 예상과 달리 유가
변동성의 하락으로 이어진다. 거시경제 중 금융시장 및 거시경제 불
확실성이 유가 변동성을 낮추는 것은 다소 의아한 결과이다. 단, 금융
시장 불확실성 변수에 포함되는 정보의 내용이 미국 주식시장 변동성
기대 변수인 VIX가 담고 있는 정보와 중복되는 것을 감안한다면, 금
융시장 불확실성 변수에 포함된 주식시장 외의 금융시장의 불확실성은
유가의 변동성과 반대로 움직인다는 가설을 상정해 볼 수 있지만 보다
면밀한 결론을 도출하기 위해서는 별도의 연구가 필요할 것으로 판단
된다.
중동지역 지정학적 리스크를 측정하는 변수는 그 계수가 양수로
60
추정되어 유가 변동성과 정의 관계에 있었지만 통계적 유의성은 낮게
나타났다. 이 또한 지정학적 리스크 변수가 담고 있는 정보가 상당 부
분 타 설명변수의 정보와 중복되어 나타난 결과로 추정된다.
마지막으로 유로화 대비 미 달러 환율의 일간 변화는 유가 변동성과
큰 관련이 없는 것으로 나타났다. 미국 달러화 가치가 유가 수준과는
관련성이 있다는 것은 알려져 있으나 변동성을 설명하기에는 부적합한
변수인 것으로 판단된다. 환율 변화 변수가 일간 단위로 구축된 변수
인 것을 감안하면 차주 혹은 차월의 유가 변동성과 큰 관련이 없다는
결과는 예상할 수 있는 결과이다. 단 환율시장의 과거 변동성(주간 내
지는 월간)을 RV 측도를 이용하여 계산하여 설명변수로 사용한다면
설명력이 존재할 것으로 추정된다.
1.2.5. HAR-RS-X 모형 결과
제5장 변동성 설명 및 예측 61
앞선 모형에서처럼 미 주식시장의 1개월 후 변동성 기대치인 변수는
미래 유가 변동성과 강한 정(+)의 관계를 보인 반면 원유시장 에 해당하는
변수는 익월 유가 변동성에 추가적인 설명력을 갖지 못 한다.
불확실성의 정도에 대한 전망치인 Ludvigson 불확실성 지수도 유가
변동성을 설명하는 것으로 나타났다. 실물부분의 불확실성( )의 확
대는 미래 유가 변동성을 높이는 반면 거시경제 전반적 불확실성
( )은 유가 변동성에 대한 유의한 설명력을 보이지 않았다. 금융시
장의 불확실성 상승( )은 HAR-CJ-X 모형 결과에서와 동일하게 유
가 변동성을 낮추는 것으로 나타나 이에 대한 이유에 대해서 앞에서
언급한 것처럼 추가적인 연구가 필요해 보인다.
비상업 투자자의 포지션은 전주에 매도포지션 대비 매수포지션이 높
을수록 익일 변동성을 상승시키는 영향을 보였다. 매도 포지션 변화는
변동성 설명력이 낮으나 매수포지션의 변화는 차주 혹은 차월의 변동
성과 정(+)의 관계가 있다.
석유 physical market 관련 두 변수들 중 수급비율 변수( )는 향후
1개월 변동성에 대해서만 설명력을 갖고 OPEC 여유생산능력 관련 변
수( )는 향후 1주 및 1개월 변동성에 대해서 설명력을 보이는 것
으로 추정되었다. 첫째, 수급비율의 증가는 변동성을 하락시키는 것으
로 추정되었는데 이에 대한 설명을 위해 앞 절(HAR-CJ-X 추정결과)
에서 제시된 해석을 준용할 수 있다. 한 가지 추가적으로 고려해야할
점은 HAR-RS-X 모형의 경우 HAR-CJ-X 모형과 달리 Good/Bad 변동
성 변수를 명시적으로 설명변수로 사용함에도 불구하고 수급비율 변수
의 계수가 여전히 음수로 추정되었다는 점이다. 하지만 HAR-RS-X 모
형에 포함된 Good/Bad 설명변수들( ∆ , ∆ )은 예측시점 당일의 변
62
동성 속성임을 상기할 필요가 있다. 향후 1달 간의 변동성은 -HAR-RS
모형 추정결과에 따르면- 예측기간에 속하는 각 거래일의 Good/Bad
변동성에 의해 영향을 받게 되는데 만약 예측시점의 수급비율 변수가
향후 1개월 기간 동안의 Good/Bad 변동성에 대한 정보를 일부 포함한
다면 수급비율 변수의 계수가 음수로 나타날 가능성이 존재하게 된다.
예를 들어 타이트한 수급상황이 당분간 지속되는 경우(즉, 값이 상
대적으로 큰 경우)를 상정하자. 수급이 타이트한 상황에서는 향후 일
정기간 동안 유가는 상승할 가능성이 높고 따라서 향후 각 거래일 마
다 Bad 변동성보다 Good 변동성이 클 가능성이 높아지게 되며,
-HAR-RS 추정결과에 따르면 Good 변동성이 크면 다음 거래일의 변
동성이 작아지는 효과가 있으므로- 종국적으로 해당 기간 동안의 변동
성이 작아지는 결과를 낳게 된다. 둘째, 석유수요량 대비 OPEC의 여
유생산능력(spare capacity)의 비율이 클수록 유가 변동성은 낮아지는
것으로 추정되었다. 특정 기간에 가격의 변동성이 다른 기간보다 크게
나타나는 이유 중 하나는 석유시장 관련 뉴스에 대해 시장참가자들이
더 민감하게 반응하기 때문일 것이다. OPEC 여유생산능력 비율 변수
와 관련이 있는 석유시장 사건으로는 비OPEC 산유국에서의 생산차질
을 상정해 볼 수 있다. OPEC의 여유생산능력이 충분한 상황에서는 특
정 산유국에서 생산차질이 발생한다 하더라도 세계 석유수요를 충당할
만큼의 원유공급이 빠른 시일 내에 가능해 지므로 시장참가자들의 반
응정도 및 가격변화 정도는 낮을 가능성이 큰 반면 여유생산능력이 수
요 대비 충분치 못할 경우에는 동일한 수준의 생산차질 소식에도 가격
이 크게 반응할 수 있음을 짐작해 볼 수 있다.
제5장 변동성 설명 및 예측 63
<표 5-5> 회귀분석 결과(HAR-RS-X)
64
2. Out-of-sample 변동성 예측
2.1. 모형 비교 기준
(5-1)
HRMSE: (5-2)
제5장 변동성 설명 및 예측 65
QLIKE:
log
(5-3)
2.2. 모형 비교 결과
66
월간 예측에서는 유의수준 10%에서 HAR-RS의 예측 정확도가 더 높
다. QLIKE 기준으로는 두 모형 간 예측력은 통계적으로 동일한 것으
로 나왔다.
제5장 변동성 설명 및 예측 67
다음으로 외생변수의 추가가 예측력 향상에 기여하는지 확인하기 위
해 HAR-RS 모형과 외생변수를 추가한 모형을 비교하였다.
앞서 고려한 모든 외생변수를 설명변수로 포함시킬 시에는
HAR-RS-X모형이 HAR-RS 모형보다 Mincer-Zarnowitz 는 높지만
DM 테스트 결과상으로는 HAR-RS 모형이 우월한 것으로 나타났다.
이에 외생변수 중 In-sample 분석결과 상 통계적 유의성이 없거나 낮
은 변수들을 제외한 모형(이하 HAR-RS-X2로 표기)을 고려하여
HAR-RS 모형과 비교하였다.
HAR-RS-X2 모형을 이용한 일간 예측에서 외생변수로 포함된 변수
들은 forward curve 기울기 변수들, OVX, VIX 그리고 Ludvigson의
지수 중 금융부문과 실물부문의 불확실성 전망치이다. 주간 예측에서
는 forward curve 기울기 변수들, 투기적 투자자의 long position 변화,
VIX 그리고 Ludvigson의 지수 중 금융부문과 실물부문의 불확실성 전
망치를 포함하였다.
월간 변동성 예측에서는 forward curve 중 Contango 정도를 나타내
는 변수, 투기적 투자자의 long position 변화, physical market 변수들
(수요/공급 비율과, OPEC 여유생산능력/수요 비율), VIX, Ludvigson
의 실물부문의 불확실성 전망치를 포함하였다.
이러한 예측시계별로 차별화된 외생변수를 이용하여 도출한
Out-of-sample 예측력 비교 결과는 <표 5-9>에 제시되어 있다. DM 테
스트로서는 HAR-RS 모형과 일부의 외생변수만을 사용한 HAR-RS-X2
모형 간에 우열을 가릴 수 없지만 Mincer-Zarnowitz 는 외생변수를
추가한 모형이 높게 나타났다. 특히 월 변동성 예측에서는 그 차이가
크게 나타났다.
68
<표 5-8> HAR-RS-X2 모형에 사용된 설명변수
Backwardation 정도
Contango 정도
선물시장 Backwardation 정도 Contango 정도
투기적 투자자 long
변수 Contango 정도 투기적 투자자 long
position 변화
position 변화
석유
석유 수요/공급 비율
physical 시장 - OPEC 여유생산능력
OPEC 여유생산능력
변수
제5장 변동성 설명 및 예측 69
외생변수를 사용하지 않는 HAR-RS 모형 간 비교는 전자가 후자보다
Mincer-Zarnowitz 가 높게 나타났고 DM 테스트로는 두 모형 간 우
열을 가릴 수 없었다. 이상의 결과에 따라 다음 절에서 다룰 예측 확률
분포 추정을 위한 모형으로는 일부 외생변수를 사용한 HAR-RS-X2를
선택하기로 한다.
Out-of-sample 예측기간 중 실현된 RV와 HAR-RS-X2 모형 변동성
예측치를 계산한 결과는 아래 그림에 예측 시계별로 제시되어 있다.
70
[그림 5-2] 실제 RV vs. RV 예측치(HAR-RS-X2), 주간예측
제5장 변동성 설명 및 예측 71
3. 유가변화 확률분포 추정
3.1. 모형 및 추정방법
23) Realized Variance에 로그를 취한 변수를 사용하는 이유는 log(RV)의 분포가 정규분
포에 가깝다고 알려져 있기 때문이다(Corsi et al, 2008 등).
72
위 식에서 ∈ 이며 는 일의 유가 변화율, 는
변화율, 그리고
는 거래일부터 거래일 동안(시점 기
제5장 변동성 설명 및 예측 73
형을 추정하고 조건부 분산인 를 추정한다. 의 추정은
. (5-6)
exp ′
74
앞서 기술한 모형의 분포가정하에서는 는 평균이 0이고 공
for
for
for
for ,
for
for ≥
for
for
for
⋮ ⋮ . (5-7)
for
for ≥
제5장 변동성 설명 및 예측 75
3.2. 추정 결과
구간인
28)도 함께 표시되어 있다. 일일 실제
28) 1(일간예측),
(주간예측),
(월간예측)
76
실제 수익률의 실현된 변동성은 시변성을 보이며 변동성 cluster를
형성하고 있다. 변동성 전망 1-표준편차 구간은 이러한 실제 실현된
변동성의 등락을 잘 따라가고 있는데 이와 같은 육안관찰에 더하여 아
래에서는 추정결과를 바탕으로 한 유가변화율의 예측분포가 얼마나 실
제 분포에 근접하는지 확인하기로 한다.
예측분포의 실제분포 근접성은 다음과 같이 간단한 방법으로 확인하
였다. 우선 모형의 가정 상 현재시점인 시점에서의 미래 유가변화율
의 분포는 평균이
이고 분산이
인 정규분포이다.29) 따라서
29)
는 0에 매우 가까운 수치로서 각 시점 별로 큰 차이를 보이지 않았다.
제5장 변동성 설명 및 예측 77
[그림 5-6] 실제 월간 유가변화율과 예측된 1-표준편차 구간
78
<표 5-10> 예측분포의 정확도(HAR-RS-X2)
예측분포를
이용한 빈도 .3985 .7215 .8834 .9498 .9800 .9922
(daily)
예측분포를
이용한 빈도 .4146 .7171 .8888 .9541 .9844 .9941
(weekly)
예측분포를
이용한 빈도 .3600 .7000 .8985 .9659 .9810 .9922
(monthly)
제5장 변동성 설명 및 예측 79
제6장 요약 및 결론
제6장 요약 및 결론 81
였다. 외생변수 중에서는 선물유가 forward curve 관련변수, OPEC 여
유생산능력 관련 변수, 금융부문과 실물부문의 불확실성 지수 예측치
그리고 주식시장과 원유시장 옵션가격에 내재된 변동성인 VIX와
OVX 변수가 통계적으로 유의하게 익일 유가 변동성을 설명하였다.
선물유가 forward curve의 Backwardation이나 Contango의 강도는 모
두 그 강도가 클수록 익일 변동성을 상승시키는 것으로 나타났고 석유
수요량 대비 OPEC 여유생산능력이 클수록 변동성이 감소하고 OVX,
VIX, 그리고 실물경제 불확실성이 높을수록 익일 유가변동성은 증가
하였다.
주간 변동성 분석에서는 RV 혹은 RS 관련변수들은 일간 변동성에
서와 유사한 결과를 얻었다. 한 가지 다른 점은 직전거래일의 가격상
승으로 인해 생긴 변동성이 가격하락으로 인해 생긴 변동성보다 큰 경
우 그 차이가 클수록 차주의 변동성은 감소하는데 일간 예측에서와 달
리 통계적 유의성도 발견되었다. 외생변수의 변동성 설명 유의성은 일
간 분석에서와 전반적으로 유사하지만 Backwardation 강도가 차주 변
동성에 미치는 영향은 일간 변동성 분석의 경우보다 통계적 유의성이
다소 낮고, 원유옵션에 내재된 변동성인 OVX 변수의 유의성도 일간
분석에서보다 낮아졌다. 이에 반하여 미국 주식시장 변동성 지수인
VIX 변수와 실물부문 불확실성 전망변수 그리고 OPEC 여유생산능력
관련 변수의 영향정도와 통계적 유의성은 상승하였다.
월간 변동성 분석 결과에서는 RV 혹은 RS 관련 변수의 유의성과
계수는 주간 분석에서와 유사하게 나타났다. 반면, Forward curve 변
수들의 경우 Backwardation 정도는 통계적 유의성이 사라졌고
Contango 정도를 측정하는 설명변수만이 그 영향이 유의하게 나타났
82
다. OPEC 여유생산능력 관련 변수의 계수크기와 통계적은 유의성은
주간 분석결과보다도 더 높게 나타났으며 일간 및 주간 분석에서 유의
성이 없었던 석유 수요/공급 비율 변수가 통계적 유의성을 보였다.
OVX 변수는 유의성이 발견되지 않았으나 VIX 변수의 유의성은 유지
되었다. 불확실성 변수 중에서는 오직 실물부문 불확실성 전망치만이
유의한 설명력을 보였다.
각 변수별 전망 시계에 따른 설명력 변화를 요약하면 다음과 같다.
직전 거래일, 직전 주의 변동성은 미래 변동성에 시차에 관계없이 정
(+)의 설명력을 보였다. 이는 변동성 과정이 보이는 시점 간 양의 상관
관계 및 변동성 클러스터 현상과 부합하는 결과이다. 또한 HAR-RS
모형을 주식, 환율 시장 등에 적용한 기존연구에서의 결과와 동일하게
WTI 선물시장에서도 직전 거래일에 가격하락 변동성이 상승 변동성을
압도하는 경우 그 정도가 커짐에 따라 미래 변동성은 증가하였고 반대
로 가격상승 변동성이 압도적인 경우 그 정도가 커짐에 따라 차주 및
차월 변동성은 하락하였다. 이러한 결과는 가격 움직임의 방향과 변동
성 간의 관계를 시사하는데 통상 가격상승기에 비해 가격이 하락하는
기간에 변동성이 더 크다는 시장참가자들의 경험적 상식에 부합하는
분석 결과라고 할 수 있겠다.
Forward curve 변수들을 보면 Backwardation 강도가 커질수록 익일
변동성이 커지나 주간과 월간에서는 유의성이 낮게 나타난 반면
Contango 정도는 고려된 모든 전망시계에서 미래 변동성 상승과 관련
이 있었다. 이 결과는 단순히 현재 석유시장에서 수요가 공급보다 많
거나 적음에 따라 변동성이 영향을 받는다는 가설과는 부합하지 않으
며 Kogan et al(2009) 등이 주장한 대로 Backwardation 이든 Contango
제6장 요약 및 결론 83
이든 그 정도가 크면 최적 투자에서 이탈한 정도가 커지게 되어 원유
가격 변동성이 상승하게 된다는 이론과 부합한다.
투기적 투자자들의 포지션 변화나 이들의 매수/매도 포지션 비율 등
은 많은 경우에 미래 변동성 설명력이 나타나지 않았다.
OPEC 여유생산능력 관련 변수는 모든 시계에서 통계적 유의성을
보였으나 시계가 길어질수록 계수크기와 통계적 유의성이 증가하였다.
OPEC 여유생산능력은 일부 산유국에서 생산차질이 발생했을 때의 공
급부족분을 벌충할 수 있는 여력을 의미하는데 이것이 충분할수록 유
가의 변동성은 낮아졌으며 특히 일간 변동성보다는 주간 및 월간에서
그 효과가 강하게 나타났다. 또한 석유수요를 공급으로 나눈 비율 변
수는 그 계수의 부호가 음으로 추정되었는데 이는 해당 변수의 값이
상승할 시 유가가 함께 상승하고 이는 Good 변동성의 증가로 이어져
전반적 변동성이 하락하는 영향을 갖는 것으로 해석된다. 한편, 석유재
고량 변수는 In-sample 분석에서 설명력이 미미하게 나타나 본 분석에
서는 설명변수에서 제외되었다.
미국 S&P 500 펀드 옵션가격으로 도출하는 향후 1개월 동안의 주식
시장 내재 변동성(implied volatility) 지수인 VIX는 모든 시계에서 설명
력을 보였으나 특히 주간 및 월간 시계에서 설명력이 강하게 나타났다.
이 결과는 서로 다른 시장 간의 변동성 동행성을 시사하는데 향후 연구
에서 각 시장의 RV 변동성 간의 spill-over 구조를 분석한다면 각 개별
시장의 변동성 예측 정확도 제고에 도움이 될 것으로 보인다.
다음으로, VIX의 석유시장 버전인 OVX는 예상과는 달리 주간 및
월간 변동성 설명에서는 유의성이 나타나지 않았다. 이는 OVX가 포
함하는 정보의 내용이 이미 다른 변수(RV, RS 변수들 및 외생변수
84
들)에 포함되었을 가능성을 시사한다. 또한 시장에서 변동성 전망 지
수로 흔히 사용되고 있는 OVX 변수가 미래 변동성에 대한 완벽한 측
도가 아니며 본 연구 등에서처럼 과거 RV, RS 변수 및 추가 외생변수
를 사용한 변동성 예측 모형을 이용하면 OVX만을 활용하여 변동성을
예측할 때의 한계점을 상당부분 극복할 수 있음을 의미한다.
Ludvigson 등이 제안한 금융, 거시, 실물 부문 불확실성 전망치 변
수의 경우 실물 불확실성 정도가 유가변동성 그 중에서도 익월 및 차
주 변동성에 대한 설명력을 보였다. 거시 불확실성 전망치는 추가 설
명력이 발견되지 않았고 금융부문 불확실성 전망치는 일간 및 주간 유
가 변동성을 설명하였으나 그 계수가 음수로 나타나 다소 직관과 부합
하지 않았다. 이는 금융부문 불확실성 변수와 VIX 변수가 함께 설명
변수로 사용된 결과로 이해되는데 금융부문 불확실성 전망치를 구축할
때 사용된 정보들 중 미국 주식시장의 정보를 제외한 부분이 유가 변
동성과 역의 관계가 있을 수 있다고 추측해 볼 수 있으나 이러한 가설
의 입증을 위해서는 추가적인 연구가 필요해 보인다.
끝으로 중동지역 지정학적 리스크는 추정된 계수의 부호는 (+)로서 유
가 변동성에 양의 영향을 미치지만 통계적 유의성은 발견할 수 없었다.
본 연구에서는 이상의 In-sample 분석 결과 및 Out-of-sample 예측
력 비교결과에 기초하여 HAR-RS-X 모형의 외생변수 중 설명력이 존
재하는 일부 변수만을 포함한 HAR-RS-X2 모형을 이변수 시스템에
삽입하여 유가변화 확률분포를 구축하였다. 각 거래일마다 익일, 차주
및 차월의 유가변화 예측 확률분포를 계산하였고 본 연구에서 추정된
확률분포가 실제 유가변화율 분포에 대한 좋은 근사치가 된다는 점을
보였다.
제6장 요약 및 결론 85
본 연구의 기여는 다음과 같다. 우선 국제 원유선물가격 고빈도 데
이터에 기반하여 HAR-RS-X 모형 등을 이용하여 변동성 설명 및 예측
을 시도하였다. 대용량 거래데이터를 처리하여 변동성 변수들을 계산
하였으며 추가 외생변수 데이터를 구축하여 기존 변동성 모형을 보완
하고 실증하였고 전망 주기별로 변동성 설명력이 존재하는 외생변수
등을 파악하였다. 둘째, HAR-RS-X 모형을 Maheu and
McCurdy(2011) 방법론에 접목하여 유가변화 확률분포를 도출하고 그
정확성을 관찰하였다. 기존의 석유시장 변동성 연구가 변동성 모형의
Out-of-sample 예측 성과를 측정·비교하는 데에 초점을 두었다면 본
연구는 한 걸음 더 나아가 이를 이용하여 유가변화 확률분포를 추정한
점이 기존연구들과의 차별점이라 할 수 있겠다. 또한 유가변화율 예측
확률분포 추정작업에서 주간 및 월간 수익률 간의 자기상관성을 모형
에 직접 반영한 점도 본 연구의 방법론 상 기여점이라 할 수 있을 것
이다. 실무적인 관점에서 본 연구는 국제유가 변동성과 확률분포 예측
치 계산을 상시화 할 수 있는 단초를 마련하였다고 판단된다. 이는 에
너지경제연구원에서 수행하는 국제유가 전망과 결합되어 정책당국 및
민간 이해관계자들에게 향후 국제유가 움직임에 대한 추가적인 정보를
제공할 수 있으리라 생각한다. 서론과 2장에서 언급한 바와 같이 변동
성 및 유가변화 확률분포 예측치는 파생상품 투자자, 원유구매 리스크
관리자(헷징 담당자), 원유 구매시기가 비교적 유동적인 원유구매자,
원유가격의 급등이나 급락 등 변동폭에 관심이 있는 정책 당국자 등
리스크 관리자들에게 의사결정에 필요한 유의미한 정보가 될 수 있을
것으로 판단된다.
86
참고문헌
<국내 문헌>
<외국 문헌>
참고문헌 87
Andersen, T.G., Bollerslev, T., Diebold, F.X., Vega, C. “Real-Time Price
Discovery in Global Stock, Bond and Foreign Exchange Markets.”
Journal of International economics, 73, 251-277, 2007.
Baillie, R.T., Calonaci, F., Cho, D., Rho, S. “Long Memory, Realized
Volatility and Heterogeneous Autoregressive Models.” Journal of
Time Series Analysis, 40, 609-628, 2019.
Baker, S., Bloom, N., Davis, S., Kost, K. “Policy News and Stock Market
Volatility.” Working Paper : 1-52, 2019.
88
Barndorff-Nielsen, O.E., Shephard, N. “Realized Power Variation and
Stochastic Volatility Models.” Bernoulli, 9(2), 243-265, 2003.
Corsi, F., Pirino, D., Reno, R. “Threshold Bipower Variation and the
Impact of Jumps on Volatility Forecasting.” Journal of
Econometrics 159, 276-288, 2010.
Elder, J., Miao, H., Ramchander, S. “Jumps in Oil Prices: The Role of
참고문헌 89
Economic News.” The Energy Journal 34(3), 217-237, 2013.
90
Economy with Investment Constraints.” The Journal of Finance
64(3), 1345-1375, 2009.
Liu, J., Ma, F., Yang, K., Zhang, Y. “Forecasting the Oil Futures Price
Volatility: Large Jumps and Small Jumps” Energy Economics 72,
321-330, 2018.
Ma, F., Liu, J., Huang, D., Chen, W. “Forecasting the oil futures price
volatility: A new approach.” Economic Modelling 64: 560-566,
2017.
참고문헌 91
Journal of Futures Markets, 36(8), 758-792, 2016.
<웹사이트>
92
부록: Refinitiv WTI CLc1 데이터 및 code
1. 연도별 데이터 개수
2. Python code
import pandas as pd
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
부 록 93
from datetime import datetime
import time
import gzip
%matplotlib inline
dataFile_prefix = "TRTH_WTI_CLc1_Trade"
FilePath = "D:/Work/KEEI/Oil/RV/RawData/"
FileList = []
for year in range(2007,2019+1):
if year == 2019:
last_month = "09"
else:
last_month = "12"
FileList.append(dataFile_prefix+str(year)+"01_"+str(year)+last_month+".csv.gz")
OnlyYear2019 = 1
if OnlyYear2019 == 0:
cnt = 1
year = 2007
for i in range(len(FileList)):
df = pd.read_csv(FilePath + FileList[i],encoding='utf8',engine='python',index_col=False,compression='gzip')
df.dropna(subset=['Price','Volume'],inplace=True)
#df.drop(['Alias Underlying RIC','Domain','GMT Offset','Type'],axis=1,inplace=True)
94
df.set_index('Date_Time',inplace=True,drop=False)
df_1st_bd = df[['Price','Date_Time']].resample('24h',base=18).first()
df_1st_bd['day_start'] = 1
df_1st_bd.loc[df_1st_bd['Date_Time'].isnull(),'Date_Time'] =
pd.to_datetime(df_1st_bd.loc[df_1st_bd['Date_Time'].isnull()].index.map(str) + '.000000',format
= '%Y-%m-%d %H:%M:%S.%f')
df_1st_bd.rename(index=str,columns={'Date_Time':'first_obs'},inplace=True)
#outfile = str(FilePath + 'CLc1_1st_Obs_' + FileList[i][-13:-9] + '.csv')
#df_1st_obs_bd.to_csv(outfile)
df_5min = df['Price'].resample('5min',label='right',closed='right').ohlc()
df_5min.drop(['open','high','low'],axis=1,inplace=True)
df_5min.rename(index=str,columns={"close":"Price"},inplace=True)
# Merge the data set w/ 1st obs and data set w/ 5-min freq. observations
df_ = pd.merge(df_1st_bd,df_5min,left_index=True,right_index=True,how='outer',on='Price')
df_.index = pd.to_datetime(df_.index.map(str),format = '%Y-%m-%d %H:%M:%S')
df_['bw_day'] = 0
if cnt < 9:
df_.iloc[df_.index.indexer_between_time('17:16','17:59'),df_.columns.get_loc('bw_day')] = 1
elif cnt ==9:
df_A = df_.loc[:'2015-09-21 17:59:00']
df_B = df_.loc['2015-09-21 18:00:00':]
del df_
df_A.iloc[df_A.index.indexer_between_time('17:16','17:59'),df_A.columns.get_loc('bw_day')] = 1
df_B.iloc[df_B.index.indexer_between_time('17:01','17:59'),df_B.columns.get_loc('bw_day')] = 1
df_ = pd.concat([df_A,df_B],axis=0)
else:
부 록 95
df_.iloc[df_.index.indexer_between_time('17:01','17:59'),df_.columns.get_loc('bw_day')] = 1
cnt += 1
year += 1
else:
## some work for the year of 2019
df = pd.read_csv(FilePath + FileList[-1],encoding='utf8',engine='python',index_col=False,compression='gzip')
df.dropna(subset=['Price','Volume'],inplace=True)
df.drop(['Alias Underlying RIC','Domain','Type'],axis=1,inplace=True)
df['Date'],df['Time'] = df['Date-Time'].str.split('T').str
df['Time'] = df['Time'].str[:-3]
df.drop(['Date-Time'],axis=1,inplace=True)
df.rename(index=str,columns={"#RIC":"RIC"},inplace=True)
df['Date_Time'] = pd.to_datetime(df['Date'] + " " + df['Time'], format = '%Y-%m-%d %H:%M:%S.%f')
df['Date'] = pd.to_datetime(df['Date'], format='%Y-%m-%d')
df.set_index('Date_Time',inplace=True,drop=False)
df_1st_bd = df[['Price','Date_Time']].resample('24h',base=18).first()
df_1st_bd['day_start'] = 1
df_1st_bd.loc[df_1st_bd['Date_Time'].isnull(),'Date_Time'] =
pd.to_datetime(df_1st_bd.loc[df_1st_bd['Date_Time'].isnull()].index.map(str) + '.000000',format
= '%Y-%m-%d %H:%M:%S.%f')
df_1st_bd.rename(index=str,columns={'Date_Time':'first_obs'},inplace=True)
96
df_5min = df['Price'].resample('5min',label='right',closed='right').ohlc()
df_5min.drop(['open','high','low'],axis=1,inplace=True)
df_5min.rename(index=str,columns={"close":"Price"},inplace=True)
# Merge the data set w/ 1st obs and data set w/ 5-min freq. observations
df_ = pd.merge(df_1st_bd,df_5min,left_index=True,right_index=True,how='outer',on='Price')
df_.index = pd.to_datetime(df_.index.map(str),format = '%Y-%m-%d %H:%M:%S')
df_['bw_day'] = 0
df_.iloc[df_.index.indexer_between_time('17:01','17:59'),df_.columns.get_loc('bw_day')] = 1
print('len_raw:{0}, len_5min:{1}'.format(len(df),len(df_)))
del df_, df, df_5min
FileList_5min = []
for i in range(len(FileList)):
FileList_5min.append(str(FilePath + 'CLc1_Trade_Price_5min_' + FileList[i][-13:-9] + '.csv'))
FileList_5min
for i in range(len(FileList_5min)):
df = pd.read_csv(FileList_5min[i],encoding='utf8',index_col=False)
if i == 0:
df_5min = df
else:
df_5min = pd.concat([df_5min,df],axis=0,ignore_index=True)
print('len_df_5min:{0}'.format(len(df_5min)))
df_5min.set_index('Date_Time',inplace=True)
df_5min.head()
부 록 97
2.2. RV 등 통계량 계산
import pandas as pd
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
from datetime import datetime
import time
import math
%matplotlib inline
FilePath = "D:/Work/KEEI/Oil/RV/RawData/"
FileName = "CLc1_Trade_Price_5min.csv"
df_CLc1_TP_5min = pd.read_csv(FilePath + FileName,encoding='utf8',index_col = 0)
df_CLc1_TP_5min.dropna(subset=['Price'],inplace=True)
df_CLc1_TP_5min.drop(df_CLc1_TP_5min.loc[df_CLc1_TP_5min['bw_day']>0].index,inplace=True)
df_CLc1_TP_5min.loc[df_CLc1_TP_5min['day_start'].isnull(),'day_start'] = 0
df_CLc1_TP_5min['business_day'] = df_CLc1_TP_5min['day_start'].cumsum(skipna=True)
# count data
df_CLc1_TP_5min['count_logR'] = np.NaN
98
df_CLc1_TP_5min.loc[df_CLc1_TP_5min['day_start']>0,'count_logR'] =
df_CLc1_TP_5min.groupby('business_day')['logR'].transform('count')
df_CLc1_TP_5min['count_logR'].fillna(method='ffill',inplace=True)
df_CLc1_TP_5min['RV'] = df_CLc1_TP_5min.groupby('business_day')['logR2'].transform('sum')
df_CLc1_TP_5min['RV_sign'] = np.NaN
df_CLc1_TP_5min['RV_Pos'] = np.NaN
df_CLc1_TP_5min['RV_Neg'] = np.NaN
df_CLc1_TP_5min.loc[df_CLc1_TP_5min['logR']>0,'RV_sign'] =
df_CLc1_TP_5min.loc[df_CLc1_TP_5min['logR']>0].groupby('business_day')['logR2'].transform('sum')
df_CLc1_TP_5min.loc[df_CLc1_TP_5min['logR']<=0,'RV_sign'] =
df_CLc1_TP_5min.loc[df_CLc1_TP_5min['logR']<=0].groupby('business_day')['logR2'].transform('sum')
df_CLc1_TP_5min.loc[df_CLc1_TP_5min['logR']>0,'RV_Pos'] =
df_CLc1_TP_5min.loc[df_CLc1_TP_5min['logR']>0,'RV_sign']
df_CLc1_TP_5min.loc[df_CLc1_TP_5min['logR']<=0,'RV_Neg'] =
df_CLc1_TP_5min.loc[df_CLc1_TP_5min['logR']<=0,'RV_sign']
df_CLc1_TP_5min['RV_Neg'] = df_CLc1_TP_5min.groupby('business_day')['RV_Neg'].fillna(method='ffill')
df_CLc1_TP_5min['RV_Pos'] = df_CLc1_TP_5min.groupby('business_day')['RV_Pos'].fillna(method='ffill')
df_CLc1_TP_5min['BV_i'] = np.abs(df_CLc1_TP_5min['logR'])*np.abs(df_CLc1_TP_5min['logR_1'])
df_CLc1_TP_5min['BV'] = df_CLc1_TP_5min.groupby('business_day')['BV_i'].transform('sum')*mu_1**(-2)
df_CLc1_TP_5min['TQ_i'] =
np.abs(df_CLc1_TP_5min['logR'])**(4/3)*np.abs(df_CLc1_TP_5min['logR_1'])**(4/3)*np.abs(df_CLc1_T
부 록 99
P_5min['logR_2'])**(4/3)
df_CLc1_TP_5min['TQ'] = df_CLc1_TP_5min.groupby('business_day')['TQ_i'].transform('sum')*Delta**(-1)*mu_4_3**(-3)
df_CLc1_TP_5min['BV1_i'] = np.abs(df_CLc1_TP_5min['logR'])*np.abs(df_CLc1_TP_5min['logR_2'])
df_CLc1_TP_5min['BV1'] =
df_CLc1_TP_5min.groupby('business_day')['BV1_i'].transform('sum')*mu_1**(-2)*(1-2*Delta)**(-1)
df_CLc1_TP_5min['TQ1_i'] =
np.abs(df_CLc1_TP_5min['logR'])**(4/3)*np.abs(df_CLc1_TP_5min['logR_2'])**(4/3)*np.abs
(df_CLc1_TP_5min['logR_4'])**(4/3)
df_CLc1_TP_5min['TQ1'] =
df_CLc1_TP_5min.groupby('business_day')['TQ1_i'].transform('sum')*Delta**(-1)*mu_4_3**(-3)*
(1-4*Delta)**(-1)
df_CLc1_TP_5min['Date_Time'] = df_CLc1_TP_5min.index
df_CLc1_TP_5min.drop(['RV_sign'],axis=1,inplace=True)
df_CLc1_TP_5min_volatility_measures = df_CLc1_TP_5min.groupby('business_day',as_index=False).last()
100
서 유 정
現 에너지경제연구원 부연구위원
<주요저서 및 논문>
유가변동의 국내 거시경제 파급효과 분석,
에너지경제연구원 에너지정보통계센터 출연과제 18-01, 2018(공동연구)
조 철 근
現 에너지경제연구원 연구위원
<주요저서 및 논문>
국내 수송용 연료 수요의 가격 및 교차 탄력성 추정에 관한 연구,
에너지경제연구원 기본연구보고서 17-09, 2017(공동연구)
“Fixed-b Inference for Testing Structural Change in a Time Series
Regression”, with T.J. Vogelsang, Econometrics, 5(2), 2017.
“A Test of the Null of Integer Integration Against the Alternative of
Fractional Integration”, with C. Amsler and P. Schmidt, Journal of
Econometrics, 187, 2015.
기본연구보고서 2019-07
국제유가 변동성 예측과 유가 확률분포 추정
저 자 서 유 정 조 철 근
발행인 조 용 성
발행처 에너지경제연구원
울산광역시 중구 종가로 405-11
전화: (052)714-2114( ) 팩시밀리: (052)714-2028
등 록 제 369-2016-000001호(2016년 1월 22일)
인 쇄 (사) 장애인동반성장협회 동반사업장
에너지경제연구원 2019 ISBN 978-89-5504-734-9 93320