• 의료법학
• /
• 제22권1호
• /
• pp.91-124
• /
• 2021

2019년 5월 식약처는 원료의약품 등록 및 자체 생동성 시험 요건 충족 여부에 따라 제네릭 의약품의 가격을 차등 산정하는 것을 내용으로 하는 「약제의 결정 및 조정 기준」 고시를 개정하였다. 이는 기허가 제네릭 의약품에 대해서조차 자체 생동성 시험을 시행하지 않는 경우 기존 약가를 인하하는 것으로서 과연 그 입법목적과 수단에 관한 충분한 공법적 고려 하에 도입된 것인가 하는 의문이 든다. 이 글은 실질적으로는 위탁·공동 생동 시험을 제한하고자 자체 생동성 여부를 기준으로 제네릭 의약품의 약가를 결정·조정하는 개정 고시의 배경을 소개한 후 입법목적의 정당성 및 비례원칙의 관점에서 이를 비판적으로 검토하였다. 첫째, 목적의 정당성 측면에서 제네릭 의약품 난립 방지라는 목적이 과연 그 입법목적으로서 정당한 것인지에 대한 검토가 부족하였다는 점을 지적하였다. 둘째, '자체 생동 요건 미충족시 약가 인하'라는 내용의 개정 고시가 적합성 원칙에 부합하려면 위탁·공동 생동으로는 안전성·유효성을 인정하기 어렵다거나 적어도 위탁·공동 생동이 자체 생동에 비해 안전성·유효성 검증에 있어서 불충분하다는 전제가 성립해야 한다. 그럼에도 이에 대한 검토가 이루어지지 않은 것으로 보이는바, 안전성·유효성 확보라는 목적 달성을 위해서는 자체 생동이냐 위탁·공동 생동이냐보다 '생동성 인정 기준 및 생동성 시험자체의 관리 강화'에 초점이 맞추어져야 한다. 셋째, 필요성 및 상당성 판단에 있어서 품목허가 후 상당한 기간이 지나 충분히 안전성·유효성에 대한 검증이 이루어졌다고 볼 수 있는 제품에 대해서까지 일률적으로 개정된 고시 기준을 적용하는 것은 필요성 및 상당성 원칙에 반할 소지가 있다고 판단하였다. 개정 고시와 같은 행정입법은 많은 경우 법리적 검토나 공감대 형성이 부족한 상태에서 제·개정이 이루어지는 반면, 그에 따른 규제 효과는 피규제자에게 상당히 직접적이고 구체적이다. 이러한 점에서 행정입법 과정에 대해서도 규제목적과 수단에 대한 실질적인 검토가 요구되면, 사전통제로서 이해관계인 등의 절차참여제도가 보완되어야 함을 강조하였다.

• 지능정보연구
• /
• 제26권1호
• /
• pp.135-149
• /
• 2020

인공지능을 기반으로 한 다양한 연구들이 현대사회에 많은 변화를 불러일으키고 있다. 금융시장 역시 예외는 아니다. 로보어드바이저 개발이 활발하게 진행되고 있으며 전통적 방식의 단점을 보완하고 사람이 분석하기 어려운 부분을 대체하고 있다. 로보어드바이저는 인공지능 알고리즘으로 자동화된 투자 결정을 내려 다양한 자산배분 모형과 함께 활용되고 있다. 자산배분 모형 중 리스크패리티는 대표적인 위험 기반 자산배분 모형의 하나로 큰 자산을 운용하는 데 있어 안정성을 나타내고 현업에서 역시 널리 쓰이고 있다. 그리고 XGBoost 모형은 병렬화된 트리 부스팅 기법으로 제한된 메모리 환경에서도 수십억 가지의 예제로 확장이 가능할 뿐만 아니라 기존의 부스팅에 비해 학습속도가 매우 빨라 많은 분야에서 널리 활용되고 있다. 이에 본 연구에서 리스크패리티와 XGBoost를 장점을 결합한 모형을 제안하고자 한다. 기존에 널리 사용되는 최적화 자산배분 모형은 과거 데이터를 기반으로 투자 비중을 추정하기 때문에 과거와 실투자 기간 사이의 추정 오차가 발생하게 된다. 최적화 자산배분 모형은 추정 오차로 인해 포트폴리오 성과에서 악영향을 받게 된다. 본 연구는 XGBoost를 통해 실투자 기간의 변동성을 예측하여 최적화 자산배분 모형의 추정 오차를 줄여 모형의 안정성과 포트폴리오 성과를 개선하고자 한다. 본 연구에서 제시한 모형의 실증 검증을 위해 한국 주식시장의 10개 업종 지수 데이터를 활용하여 2003년부터 2019년까지 총 17년간 주가 자료를 활용하였으며 in-sample 1,000개, out-of-sample 20개씩 Moving-window 방식으로 예측 결과값을 누적하여 총 154회의 리밸런싱이 이루어진 백테스팅 결과를 도출하였다. 본 연구에서 제안한 자산배분 모형은 기계학습을 사용하지 않은 기존의 리스크패리티와 비교하였을 때 누적수익률 및 추정 오차에서 모두 개선된 성과를 보여주었다. 총 누적수익률은 45.748%로 리스크패리티 대비 약 5% 높은 결과를 보였고 추정오차 역시 10개 업종 중 9개에서 감소한 결과를 보였다. 실험 결과를 통해 최적화 자산배분 모형의 추정 오차를 감소시킴으로써 포트폴리오 성과를 개선하였다. 포트폴리오의 추정 오차를 줄이기 위해 모수 추정 방법에 관한 다양한 연구 사례들이 존재한다. 본 연구는 추정 오차를 줄이기 위한 새로운 추정방법으로 기계학습을 제시하여 최근 빠른 속도로 발전하는 금융시장에 맞는 진보된 인공지능형 자산배분 모형을 제시한 점에서 의의가 있다.