[논문 리뷰] Algorithmic Monitoring: Measuring Market Stress with Machine Learning

Marc Schmitt|arXiv (Cornell University)|2026. 02. 05.

Financial Markets and Investment Strategies인용 수 0

한 줄 요약

논문은 MSPI를 구성하는데, 미국 주식시장을 대상으로 한 달 앞의 주가 상승 위험을 실시간으로 측정하는 오직 주식시장에 한정된 확률적 스트레스 지표로 제시하고, 교차 섹션 취약성 신호와 라쏘-로지트(lasso-logit)를 사용하며 비선형 학습자와의 비교를 수행합니다.

ABSTRACT

I construct a Market Stress Probability Index (MSPI) that estimates the probability of high stress in the U.S. equity market one month ahead using information from the cross-section of individual stocks. Using CRSP daily data, each month is summarized by a set of interpretable cross-sectional fragility signals and mapped into a forward-looking stress probability via an L1-regularized logistic regression in a real-time expanding-window design. Out of sample, MSPI tracks major stress episodes and improves discrimination and accuracy relative to a parsimonious benchmark based on lagged market return and realized volatility, delivering calibrated stress probabilities on an economically meaningful scale. Further, I illustrate how MSPI can be used as a probability-based measurement object in financial econometrics. The resulting index provides a transparent and easily updated measure of near-term equity-market stress risk.

연구 동기 및 목표

• 전자 시장에서 알고리즘적 실시간 시장 스트레스 모니터링의 필요성을 촉구한다.
• 보정된 한 달 앞 스트레스 확률을 출력하는 주식시장 전용, 투명한 Market Stress Probability Index(MSPI)를 구성한다.
• 희소한 라쏘-로지트 MSPI를 비선형 학습자(랜덤 포레스트, 그래디언트 부스팅)와 실시간 확장 윈도우 프로토콜 하에서 비교한다.
• MSPI의 보정성, 구별력, 실제 시장 결과와의 관계를 입증한다.
• MSPI를 금융계량경제학에서 사용할 수 있는 측정 객체로서 강조한다.

제안 방법

• CRSP 일일 주가 데이터에서 분산, 꼬리분포, 왜도, 첨도, 거래 강도 등의 교차 섹션 취약성 신호를 정의한다.
• 신호를 매월 집계하여 X_t를 스트레스 예측 변수로 형성한다.
• 수익 커트오프와 변동성 분위수 q_{t-1}(α)에 기반하여 월간 스트레스 지표 S_t를 정의한다.
• L1 규제를 갖는 MSPI_t를 한 달 앞 스트레스 확률로 모델링한다: MSPI_t = Λ(β_0 + X_t'β),
• 초기 120개월 학습과 시간 시계열 교차 검증으로 선택된 고정 λ를 갖는 확장 윈도우 실시간 학습 프로토콜을 적용한다.
• 지연된 시장 수익률과 실현 변동성을 사용하는 소박한 벤치마크를 L2 규제로 대조한다.
• Platt 보정이 적용된 확률 출력으로 각 학습 창에서 비선형 모델(그래디언트 부스팅, 랜덤 포레스트)을 평가한다.

Figure 1: MSPI out-of-sample. The solid line plots the predicted probability that the next month is a stress month. Dots mark months for which stress is realized in the subsequent month under the definition in equation ( 8 ).

실험 결과

연구 질문

• RQ1 주식시장에 한정된 실시간 교차 섹션 취약성 프레임워크가 한 달 앞의 보정된 확률로 시장 스트레스를 산출할 수 있는가?
• RQ2 희소한 라쏘-로지트 MSPI가 실시간 확장 윈도우 디자인에서 구별력과 확률 정확도 측면에서 비선형 학습자와 비교해 우수한가?
• RQ3 MSPI의 확률 출력이 모니터링 및 계량경제학적 사용에 대해 안정적이고 경제적으로 해석 가능한가?
• RQ4 MSPI 수치 수준과 변화가 변동성과 같은 이후 실현 시장 결과와 관련이 있는가?

주요 결과

모델	AUC	PR-AUC	브라이어	로그손실
MSPI	0.800	0.538	0.106	0.352
벤치마크	0.752	0.444	-	-
그래디언트 부스팅	0.756	0.481	-	-
랜덤 포레스트	0.727	0.447	-	-

• MSPI는 샘플 외 AUC 0.800 및 PR-AUC 0.538를 달성하여 벤치마크(AUC 0.752, PR-AUC 0.444)를 능가한다.
• 비선형 학습자(그래디언트 부스팅, 랜덤 포레스트)는 구별력이나 보정된 확률 정확도 측면에서 일관되게 MSPI를 능가하지 않는다.
• MSPI는 평가된 모델 중 가장 낮은 브이어 점수(0.106)와 로스(0.352)를 기록하여 확률 정확도가 강하게 나타난다.
• MSPI의 확률 경로는 모니터링에 더 매끄럽고 해석 가능하며, 날카로운 비선형 모델보다 안정적이다.
• MSPI의 평균 예측 확률(~0.180)은 실현 스트레스 비율(~0.159)에 근접하여 보정이 양호함을 반영한다.
• MSPI 신호는 주요 스트레스 사례(예: 2008-09 위기, 2020년 코로나)보다 앞서 상승하며 시간에 따라 군집화된다.

Figure 2: Out-of-sample stress probability - model horse race (calibrated). MSPI (black) is the L1-logit probability of next-month stress. Random forest (blue) and gradient boosting (orange) are estimated under the same expanding-window design and Platt-calibrated in real time within each training w