Knowledge Management Research (지식경영연구)

The Knowledge Management Society of Korea (한국지식경영학회)
권호 표지
DOI QR코드

DOI QR Code

A Study on Foreign Exchange Rate Prediction Based on KTB, IRS and CCS Rates: Empirical Evidence from the Use of Artificial Intelligence

국고채, 금리 스왑 그리고 통화 스왑 가격에 기반한 외환시장 환율예측 연구: 인공지능 활용의 실증적 증거

  • Lim, Hyun Wook (Department of Investment Information Engineering, Yonsei University) ;
  • Jeong, Seung Hwan (Department of Industrial Engineering, Yonsei University) ;
  • Lee, Hee Soo (Department of Business Administration, Sejong University) ;
  • Oh, Kyong Joo (Department of Industrial Engineering, Yonsei University)
  • 임현욱 (연세대학교 투자정보공학 협동과정) ;
  • 정승환 (연세대학교 산업공학과) ;
  • 이희수 (세종대학교 경영학과) ;
  • 오경주 (연세대학교 산업공학과)
  • Received : 2021.09.10
  • Accepted : 2021.10.22
  • Published : 2021.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

The purpose of this study is to find out which artificial intelligence methodology is most suitable for creating a foreign exchange rate prediction model using the indicators of bond market and interest rate market. KTBs and MSBs, which are representative products of the Korea bond market, are sold on a large scale when a risk aversion occurs, and in such cases, the USD/KRW exchange rate often rises. When USD liquidity problems occur in the onshore Korean market, the KRW Cross-Currency Swap price in the interest rate market falls, then it plays as a signal to buy USD/KRW in the foreign exchange market. Considering that the price and movement of products traded in the bond market and interest rate market directly or indirectly affect the foreign exchange market, it may be regarded that there is a close and complementary relationship among the three markets. There have been studies that reveal the relationship and correlation between the bond market, interest rate market, and foreign exchange market, but many exchange rate prediction studies in the past have mainly focused on studies based on macroeconomic indicators such as GDP, current account surplus/deficit, and inflation while active research to predict the exchange rate of the foreign exchange market using artificial intelligence based on the bond market and interest rate market indicators has not been conducted yet. This study uses the bond market and interest rate market indicator, runs artificial neural network suitable for nonlinear data analysis, logistic regression suitable for linear data analysis, and decision tree suitable for nonlinear & linear data analysis, and proves that the artificial neural network is the most suitable methodology for predicting the foreign exchange rates which are nonlinear and times series data. Beyond revealing the simple correlation between the bond market, interest rate market, and foreign exchange market, capturing the trading signals between the three markets to reveal the active correlation and prove the mutual organic movement is not only to provide foreign exchange market traders with a new trading model but also to be expected to contribute to increasing the efficiency and the knowledge management of the entire financial market.

본 연구는 채권시장과 금리시장의 지표를 이용한 외환시장 환율예측 모델을 만드는데 있어 어떤 인공지능 방법론이 가장 적합한지 밝혀내는데 그 목적이 있다. 채권시장의 대표 상품인 국고채와 통안채는 위험회피 상황이 올 때 대규모로 매도되어지고 그런 경우 환율이 상승하는 모습을 자주 보여주었고, 금리시장에서 통화 스왑 (Cross Currency Swap) 가격은 달러 유동성 문제가 생길 때 주로 하락하였으며, 그 움직임은 환율의 상승에 직간접적인 영향을 미쳐온 점 등을 고려하면, 채권시장과 금리시장에서 거래되는 상품의 가격과 움직임은 외환시장에도 직간접적인 영향을 주고 있으며, 세 시장 사이엔 상호 유기적이고 보완적인 관계가 있다고 볼 수 있다. 지금까지 채권시장, 금리시장, 그리고 외환시장 사이의 관계와 연관성을 밝히는 연구는 있어왔으나, 과거 많은 환율예측 연구들이 주로 GDP, 경상수지 흑자/적자, 인플레이션 등 거시적인 지표를 기반으로 한 연구에 집중되어 왔으며, 채권시장과 금리시장 지표를 기반으로 인공지능을 활용하여 외환시장의 환율을 예측하는 적극적인 연구는 아직 진행되지 않았다. 본 연구는 채권시장 지표와 금리시장 지표를 기반으로, 비선형데이터 분석에 적합한 인공신경망(Artificial Neural Network) 모델과, 선형데이터 분석에 적합한 로지스틱 회귀분석 (Logistic regression), 그리고 비선형/선형데이터 분석에 활용 가능한 의사결정나무 (Decision Tree)를 각각 사용하여 환율예측 모델을 만들고 그 수익률을 비교하여 어떤 모델이 가장 외환시장 환율 예측을 하는데 적합한지 알려준다. 또한, 본 연구는 주식시장, 금리시장, 오일시장, 그리고 외환시장 환율 등 비선형적 시계열 데이터 분석에 많이 사용되어진 인공신경망 모델이 채권시장과 금리시장 지표를 기반으로 한 외환시장 환율예측 모델에 가장 적합한 방법론을 제공하고 있다는 것을 증명한다. 채권시장, 금리시장, 그리고 외환시장 간의 단순한 연관성을 밝히는 것을 넘어, 세 시장 간의 거래 신호를 포착하여 적극적인 상관관계를 밝히고 상호 유기적인 움직임을 증명하는 것은 단순히 외환시장 트레이더 들에게 새로운 트레이딩 모델을 제시하는 것뿐만 아니라 금융시장 전체의 효율성을 증가시키는데 기여할 것이라 기대한다.

Keywords

Acknowledgement

이 성과는 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(No. 2021R1A2C1094211).

References

  1. 곽주영, 윤현식 (2019). 머신러닝을 활용한 TV 오디션 프로그램의 우승자 예측 모형 개발: 프로듀스 X 101 프로그램을 중심으로. 지식경영연구, 20(3), 155-171. https://doi.org/10.15813/kmr.2019.20.3.010
  2. 김진호, 김세완 (2008). 역전된 스왑 금리와 차익거래 지속의 이례현상 분석. Working Paper, 이화여자대학교.
  3. 김현호, 오경주 (2012). 러프집합을 활용한 캔들스틱 트레이딩 최적화 전략. 한국데이터정보과학회지, 23(5), 881-893.
  4. 김홍곤, 김소담, 김희웅 (2018). 핀테크 기반 주식투자 최적화 모델 구축 사례 연구: 기관투자자 대상. 지식경영연구, 19(1), 97-118. https://doi.org/10.15813/kmr.2018.19.1.006
  5. 김홍원 (2008). 최근 환율변동이 한국의 국제수지에 미치는 영향에 관한 연구. 관세학회지, 9(3), 385-405.
  6. 오경주, 김태윤, 정기웅, 김치호 (2011). 선형 및 신경망 자기회귀모형을 이용한 주식시장불안정성지수 개발. 한국데이터정보과학회지, 22(2), 335-351.
  7. 윤상혁, 이소현, 김희웅 (2019). 머신러닝 기반의 디지털 방송프로그램 유형 분류 및 활용 방안 연구. 지식경영연구, 20(3), 119-137. https://doi.org/10.15813/kmr.2019.20.3.008
  8. 윤재형 (2012). 금리, 환율, 주식수익률의 상호의존성 분석: 다변량 VAR-EGARCH 모델을 중심으로. 산업경제연구, 25(4), 2485-503.
  9. 이근영 (2009). 외환, 주식, 화폐, 채권시장의 연계성 분석. 한국경제연구, 25, 97-133.
  10. 이대기, 유병학 (2009). 한국금융시장의 국내외 연관성 분석. East Asian Economic Review, 13(2),145-72. https://doi.org/10.11644/kiep.jeai.2009.13.2.204
  11. 이덕호 (2006). WTO 환경 하에서 국내 환율결정요인에 대한 실증분석. 통상정보연구, 8(4), 159-175.
  12. 이명종 (2020). CRS 시장, IRS 시장, KTB 시장, 외환스왑시장, 외환시장 간 동적연계성에 대한 연구. 금융공학연구, 19(2), 121-51. https://doi.org/10.35527/KFEDOI.2020.19.2.005
  13. 이현수, 정승환, 오경주 (2019). 한국 NPL 시장 수익률 예측에 관한 연구. 지능정보연구, 25(2), 123-139. https://doi.org/10.13088/JIIS.2019.25.2.123
  14. 이현재 (1997). 원화의 대미 환율결정에 관한 실증분석: 공적분추정법에 의한 접근. 국제경제연구, 3(3), 129-151.
  15. 조득환, 류호선, 정승환, 오경주 (2020). 인공지능 (AI)을 활용한 공모주 투자여부 및 기준 수익률 달성 여부 예측 모델. 한국데이터정보과학회지, 31(3), 579-590.
  16. 지호준, 김상환 (2001). 외환, 주식, 채권시장의 상호 관련성한국, 일본의 비교. 재무관리연구, 18(2), 169-191.
  17. 홍유정, 하홍열 (2019). 금융자산시장에서의 외국인투자와 환율에 관한 연구: 한국의 채권이자율과 주가수익률을 중심으로. 사회과학연구, 26(1), 39-60.
  18. 홍정효, 조혜원 (2010). 환율, 금리, 주가사이의 동적연관성 연구. Asia-Pacific Journal of Business & Commerce, 2(1), 1-21.
  19. Boudt, K., Neely, C. J., Sercu, P., & Wauters, M. (2019). The response of multinationals' foreign exchange rate exposure to macroeconomic news. Journal of International Money and Finance, 94, 32-47. https://doi.org/10.1016/j.jimonfin.2019.01.009
  20. Cheung, Y. W., & Chinn, M. D. (1999). Macroeconomic implications of the beliefs and behavior of foreign exchange traders. Working Papers, National Bureau of Economic Research.
  21. Evans, C., Pappas, K., & Xhafa, F. (2013). Utilizing artificial neural networks and genetic algorithms to build an algo-trading model for intra-day foreign exchange speculation. Mathematical and Computer Modelling, 58(5-6), 1249-1266. https://doi.org/10.1016/j.mcm.2013.02.002
  22. Fuchs, F. U. (2020). Macroeconomic determinants of foreign exchange rate exposure. The Quarterly Review of Economics and Finance.
  23. Grassberger, P., & Procaccia, I. (2004). Measuring the strangeness of strange attractors. In The theory of chaotic attractors (pp. 170-189). Springer, New York, NY.
  24. Huang, W., Lai, K. K., Nakamori, Y., & Wang, S. (2004). Forecasting foreign exchange rates with artificial neural networks: A review. International Journal of Information Technology & Decision Making, 3(01), 145-165. https://doi.org/10.1142/S0219622004000969
  25. Kim, T. Y., Oh, K. J., Kim, C., & Do, J. D. (2004). Artificial neural networks for non-stationary time series. Neurocomputing, 61, 439-447. https://doi.org/10.1016/j.neucom.2004.04.002
  26. Kocenda, E., & Poghosyan, T. (2009). Macroeconomic sources of foreign exchange risk in new EU members. Journal of Banking & Finance, 33(11), 2164-2173. https://doi.org/10.1016/j.jbankfin.2009.05.015
  27. Lahmiri, S. (2016). A variational mode decompoisition approach for analysis and forecasting of economic and financial time series. Expert Systems with Applications, 55, 268-273. https://doi.org/10.1016/j.eswa.2016.02.025
  28. Lahmiri, S. (2016). Interest rate next-day variation prediction based on hybrid feedforward neural network, particle swarm optimization, and multiresolution techniques. Physica A: Statistical Mechanics and Its Applications, 444, 388-396. https://doi.org/10.1016/j.physa.2015.09.061
  29. Lahmiri, S. (2017). Modeling and predicting historical volatility in exchange rate markets. Physica A: Statistical Mechanics and Its Applications, 471, 387-395. https://doi.org/10.1016/j.physa.2016.12.061
  30. Maher, J. J., & Sen, T. K. (1997). Predicting bond ratings using neural networks: A comparison with logistic regression. Intelligent Systems in Accounting, Finance & Management, 6(1), 59-72. https://doi.org/10.1002/(SICI)1099-1174(199703)6:1<59::AID-ISAF116>3.0.CO;2-H
  31. Mun, K. C. (2012). The joint response of stock and foreign exchange markets to macroeconomic surprises: Using US and Japanese data. Journal of Banking & Finance, 36(2), 383-394. https://doi.org/10.1016/j.jbankfin.2011.07.014
  32. Oh, K. J., & Han, I. (2000). Using change-point detection to support artificial neural networks for interest rates forecasting. Expert Systems with Applications, 19(2), 105-115. https://doi.org/10.1016/S0957-4174(00)00025-7
  33. Omrane, W. B., & Savaser, T. (2016). The sign switch effect of macroeconomic news in foreign exchange markets. Journal of International Financial Markets, Institutions and Money, 45, 96-114. https://doi.org/10.1016/j.intfin.2016.07.002
  34. Stokes, A., & Abou-Zaid, A. S. (2012). Forecasting foreign exchange rates using artificial neural networks: A trader's approach. International Journal of Monetary Economics and Finance, 5(4), 370-394. https://doi.org/10.1504/IJMEF.2012.052502
  35. Trippi, R. R., & Turban, E. (Eds.). (1992). Neural networks in finance and investing: Using artificial intelligence to improve real world performance. McGraw-Hill, Inc..
  36. Wang, X., Liu, Z., & Wang, M. (2013). The correlation fractal dimension of complex networks. International Journal of Modern Physics C, 24(05), 1350033. https://doi.org/10.1142/S0129183113500332
  37. Federal Reserve System. (2021). https://www.federalreserve.gov/monetarypolicy/openmarket.htm