환율과 기초여건 간 괴리에 대한 연구: 시장심리를 중심으로

김효상; 강은정; 김유리; 문성만; 장희수

추천

검색

자료유형: 연구보고서

저자정보: 김효상 강은정 김유리 문성만 장희수

저널정보: 대외경제정책연구원 [KIEP] 연구보고서 연구보고서 제21권 제32호

발행연도: 2021.12

수록면: 1 - 230 (0page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

미래환율의 변동을 정확하게 예측하는 것은 중앙은행, 금융시장 참가자 및 정책당국자에게 대단히 중요하다. 하지만 현존하는 다양한 경제모형들의 환율 예측력이 크지 않다는 것은 잘 알려진 사실이다. 예를 들어 Meese and Rogoff (1983)가 확률보행 모형이 경제 기초여건(economic fundamentals)의 변동을 반영한 모형보다 오히려 표본 외 샘플에서 환율 예측력이 더 우수하다는 결과를 보고한 이래로 후속연구들은 이러한 결과를 뒤집을 수 있는 강건하고 체계적인 실증분석 결과를 제시하지 못하고 있다. 이에 본 연구는 기존 정형화된 환율 예측모형과 더불어 외환시장의 시장심리지수가 환율 예측에 도움이 되는지 점검해보고자 한다. 그리고 시장심리지수를 사용하여 외환시장 딜러들이 사용하는 반대의견(contrarian opinion) 투자전략에 기반하여 환율을 예측해보았다. 또한 경제여건변수 및 시장심리지수를 종합적으로 활용한 기계학습 모형이 환율 예측력을 높일 수 있는지도 살펴보았다. 본 연구는 크게 네 부분으로 구성되어 있다. 제2장에서는 전통적 환율 예측모형들을 소개하고, 경제여건을 사용한 모형들의 환율 예측력을 검정하였다. 특히 기존 연구에서 많이 분석된 주요 통화(major currency)뿐만 아니라 한국 원화를 포함한 여타 신흥국 통화까지 확장하였다. 선진국 중 캐나다 달러, 스위스 프랑, 영국 파운드화에 대하여 테일러 준칙 모형이 단기적 환율 설명력이 있는 것으로 추정되었으며, 선진국 통화에 비하여 신흥국 통화가 경제여건을 사용한 대다수의 모형에서 장단기 환율 예측력이 높게 나타났다. 기존 연구와 유사하게 시기별, 통화별로 경제변수들의 환율 예측력에 상당한 차이를 보였다. 제3장에서는 시장심리지수와 블룸버그 외환전망의 환율 예측력을 검정하였다. 제2장의 경제여건변수의 환율 예측력 결과와 동일한 여건하에서 비교하기 위하여 월별 데이터로 치환하였으며, 선형 단일 방정식 모형을 적용하였다. 분석 결과, 시장심리지수와 블룸버그 외환전망 모두 유로화에 대하여 단기적으로 환율 예측력이 높게 나타났으나, 다른 주요 통화에 대해서는 확률보행 모형에 비해서 환율 예측력이 떨어지는 것으로 추정되었다. 제4장은 외환시장 딜러들이 사용하는 반대의견 투자전략에 기초하여 환율 예측을 검정하였다. 반대의견 이론에 기초해서 개발된 4개 변수(선물시장 참가자들의 일일심리지수, 현물환율과 최대환율 간의 거리, 과거환율의 수익률, 과거환율의 변동성)들을 사용하여 미래환율을 예측하였으며, 이 중 현물환율과 최대환율 간의 거리가 예측력이 가장 우수한 것으로 나타났다. 또한 환율 예측력은 1주일부터 5년 사이의 모든 환율 예측기간에서 표본 내 적합성, 표본 외 예측력 모두에서 확률보행 모형에 비하여 우수한 것으로 나타났다. 한편 최근에는 머신러닝 알고리즘의 개발이 활성화되고 분석에 이용 가능한 데이터의 양과 질이 개선됨에 따라 머신러닝 알고리즘을 도입하여 시장 분석을 시도하는 많은 연구들이 수행되고 있다. 이에 따라 제5장은 기초여건변수와 시장심리지수를 사용한 머신러닝 모형을 구성하여 환율 변동을 예측하였다. 분석 결과 일반적으로 머신러닝 모형을 기반으로 한 환율 예측이 선형 모형에 비하여 우수한 것으로 나타났으며, 여러 머신러닝 모형 중 합성곱 신경망의 환율 예측력이 높게 나타났다. 제6장에서는 연구 결과를 종합하고 시사점을 제시하였다. 본 연구는 다양한 모형들의 환율 예측력을 점검하나 그 원인을 설명하기는 어려운 한계점을 갖는다. 예를 들어 전통적 환율모형 중 테일러 준칙 모형이 왜 환율 예측력이 높은지에 대한 실증적 해답을 구하기는 어렵다. 또한 신흥국의 경우 선물환 프리미엄 퍼즐(forward premium puzzle)이 나타나지 않는 것(Bansal and Dahlquist 2000)으로 알려져 있는데, 이러한 부분이 환율모형의 예측력과 관련이 있을 것으로 예상되지만, 이를 설명하기 위해서는 시장 투자자, 시장구조 등을 반영한 이론모형에 대한 연구도 향후 필요할 것으로 보인다.

Central bankers, policymakers, and market participants need to predict the future exchange rate movement. However, a well-known puzzle is that exchange rates are difficult to forecast using observable macro fundamental variables. Meese and Rogoff (1983) report that the random walk model is better at predicting exchange rates in out-of-sample forecasts than models reflecting changes in economic fundamentals. A large body of literature has found that, in attempting to solve the Meese‐Rogoff puzzle, the random walk beats fundamentals-based models for periods up to a one‐year forecasting horizon. This study intends to examine whether the market sentiment index of the foreign exchange market, along with the standardized fundamental-based models, helps predict the exchange rate. Based on the market sentiment index data, we try to predict the exchange rate based on the contrary opinion investment strategy used by foreign exchange market dealers. We also examine whether machine learning models incorporating a wide range of economic data and market sentiment indices can improve exchange rate forecasting. This study mainly consists of four parts. Chapter 2 re-examines whether fundamental-based models can have prediction power on exchange rates. We examine developing market currencies, including the Korean won, in addition to major currencies. The Taylor-rule model has short-term predictability on the Canadian dollar, Swiss franc, and British pound among major currencies. For most models we analyze, emerging market currencies tend to show higher long-term and short-term predictability than major currencies. However, there is a significant variation in the predictive power of fundamental models over currency and period. In Chapter 3, the market sentiment index and Bloomberg’s exchange rate forecast are tested in terms of their ability to predict exchange rates. To compare the exchange rate predictability fundamental-based models in Chapter 2, we make them in identical conditions: the data is transformed to monthly, and a single linear equation model is used. Both the market sentiment index and the Bloomberg exchange rate forecast demonstrate high short-term exchange rate predicting power against the Euro. However, they have lower exchange rate forecasting power to other major currencies than the random walk model. Chapter 4 examines the exchange rate forecast based on the contrast opinion investment strategy used by foreign exchange market dealers. The exchange rate is predicted based on four indicators (daily sentiment index of futures market participants, the distance between the spot exchange rate and the maximum exchange rate, the yield of the past exchange rate, and the volatility of the past exchange rate). Those indicators are made based on the imperfect market theory. Among the indicators, the distance between the exchange rate and the maximum exchange rate has the best predictive power. For forecasting horizons ranging from one week to five years, we find that it outperforms the random-walk model in both in-sample and out-of-sample projections. As various machine learning algorithms have been developed and the quantity and quality of data accessible for analysis have improved, there have been an increasing number of studies that seek to market analysis based on machine learning algorithms in recent years. Chapter 5 uses fundamental variables and a market sentiment index to predict exchange rate fluctuations using machine learning algorithms. As a result of the analysis, we find that the exchange rate predictions based on the machine learning models are generally superior to the linear model. Among the machine learning models, the convolutional neural network has the best exchange rate forecastability. Chapter 6 summarizes the research results and suggests implications. Although this study examines the predictive power of exchange rates of various models, it is difficult to explain and identify the cause. Thus, more studies are necessary for discussing the causality. In sum, we test various models for predicting exchange rates and find some empirical results that could beat the random-walk model.

국문요약

제1장 서론
1. 연구의 배경
2. 연구의 의의 및 구성
3. 환율 예측력 평가 방법

제2장 전통적 환율 결정요인과 예측모형
1. 이론적 배경
2. 분석자료
3. 실증분석 결과
4. 동태적 분석
5. 소결

제3장 시장 기대와 환율 예측
1. 이론적 배경
2. 분석자료
3. 실증분석
4. 소결

제4장 환율 예측모형: 반대의견 전략
1. 서론
2. 실증분석 모형
3. 표본 내 적합도 추정 결과
4. 표본 외 예측 추정 결과
5. 강건성 분석
6. 소결

제5장 머신러닝을 활용한 환율 예측
1. 서론
2. 이론적 배경: 시계열 기계학습 모형
3. 실험설계
4. 실증분석 결과
5. 소결

제6장 결론 및 시사점

참고문헌

부록

Executive Summary

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

김효상

소속기관

주요연구분야 사회과학 > 경제학

논문수 14 이용수 5,530

강은정

소속기관

주요연구분야 사회과학 > 경제학

논문수 15 이용수 5,003

김유리

소속기관

주요연구분야 사회과학 > 경제학

논문수 10 이용수 1,765

문성만

소속기관

주요연구분야 사회과학 > 경제학

논문수 9 이용수 567

장희수

소속기관

주요연구분야 사회과학 > 경제학

논문수 3 이용수 106

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

최근 본 자료

댓글(0)