인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 저널정보
- 아태인문사회융합기술교류학회 아시아태평양융합연구교류논문지 Asia-pacific Journal of Convergent Research Interchange Vol.10 No.11
- 발행연도
- 2024.11
- 수록면
- 263 - 276 (14page)
- DOI
- http://dx.doi.org/10.47116/apjcri.2024.11.20
이용수
초록· 키워드
본 연구는 KOSPI200 지수 옵션을 대상으로 전통적인 델타 헤징 전략과 기계 학습 기반의 헤징 전략을 비교 분석하여, 기계 학습이 금융 파생상품의 리스크 관리에서 얼마나 효과적인지를 실증적으로 평가하였다. 연구의 주요 목적은 기계 학습 모델이 시장의 복잡한 구조와 변동성에 어떻게 적응하며, 이를 통해 헤징 비용을 최적화할 수 있는지를 검토하는 것이다. 이를 위해 2019년 1월부터 2023년 12월까지의 KOSPI200 지수 옵션 데이터를 활용하였으며, 인공신경망(ANN)을 기반으로 헤징 목표값을 예측하고 이를 바탕으로 동적 헤징을 수행하였다. 실험 결과, 기계 학습 기반의 헤징 전략은 델타 헤징에 비해 전반적으로 더 낮은 비용을 유지했을 뿐만 아니라, 특히 시장 변동성에 대한 적응력이 우수함을 확인하였다. 이러한 결과는 기계 학습이 전통적인 델타 헤징 방법을 능가할 수 있는 잠재력을 지니고 있음을 보여주며, 금융 리스크 관리에서 기계 학습의 적용 가능성을 더욱 확대할 수 있는 기반을 마련한다. 본 연구는 또한 기계 학습을 활용한 헤징 전략이 다양한 시장 조건에서도 안정적이고 효율적인 성과를 나타낼 수 있음을 제시하였다. 아울러 본 연구는 기계 학습의 지속적인 발전과 적용 확대를 위한 방향성을 모색하며, 다양한 자산군 및 시장 환경에서의 추가적인 연구를 제안한다. 향후 연구에서는 강화 학습과 같은 더욱 진보된 기계 학습 기법을 적용하여, 더욱 복잡한 시장 환경에서의 리스크 관리 효율성을 평가할 필요가 있음을 강조한다. 이러한 연구는 금융 리스크 관리의 새로운 패러다임을 구축하는 데 기여할 수 있을 것으로 기대된다.
#기계 학습
#델타 헤징
#리스크 관리
#KOSPI200 지수
#옵션
#Machine Learning
#Delta Hedging
#Risk Management
#KOSPI200 Index
#Options
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
목차
등록된 정보가 없습니다.
참고문헌
참고문헌 신청최근 본 자료
