[논문 리뷰] Hedging and machine learning driven crude oil data analysis using a refined Barndorff-Nielsen and Shephard model

Humayra Shoshi, Indranil SenGupta|arXiv (Cornell University)|2020. 04. 29.

Market Dynamics and Volatility참고 문헌 20인용 수 12

한 줄 요약

이 논문은 바른도르프-니르센과 셰퍼드(BN-S) 확률적 변동성 모델을 기계학습 기반으로 개선하여 바켄 원유 가격 분석에 활용한다. 변동성과 지속시간 기반 분류를 통해 결정론적 파라미터 θ를 추출하며, 개선된 모델은 고전적 BN-S 모델 대비 제곱 헤지 오차를 크게 감소시켜 장기적 의존성과 크래시 유사 시장 역학을 효과적으로 포착함을 입증한다.

ABSTRACT

In this paper, a refined Barndorff-Nielsen and Shephard (BN-S) model is implemented to find an optimal hedging strategy for commodity markets. The refinement of the BN-S model is obtained with various machine and deep learning algorithms. The refinement leads to the extraction of a deterministic parameter from the empirical data set. The problem is transformed to an appropriate classification problem with a couple of different approaches: the volatility approach and the duration approach. The analysis is implemented to the Bakken crude oil data and the aforementioned deterministic parameter is obtained for a wide range of data sets. With the implementation of this parameter in the refined model, the resulting model performs much better than the classical BN-S model.

연구 동기 및 목표

• 상품 시장에서 고전적 바른도르프-니르센과 셰퍼드(BN-S) 확률적 변동성 모델의 장기적 의존성 한계를 해결하기 위해.
• 데이터 기반 기법을 활용해 BN-S 모델을 개선함으로써 원유 가격에 대한 제곱 헤지 전략의 정확도를 향상시키기 위해.
• 기계학습이 실증적 원유 가격 데이터로부터 결정론적 파라미터(θ)를 효과적으로 추출할 수 있는지 조사하기 위해.
• 변동성과 지속시간이라는 두 가지 다른 분류 접근법이 원유 시계열에서 크래시 유사 시장 이벤트를 식별하는 데 얼마나 효과적인지 평가하기 위해.
• 데이터 과학 기반 모델 개선이 더 견고하고 정확한 상품 시장 모델링 및 리스크 관리로 이어지는지 입증하기 위해.

제안 방법

• 확률적 파라미터 θ ∈ [0,1]를 포함한 개선된 BN-S 모델을 제안하며, 이는 두 개의 독립적인 서브오르다이저(Z와 Z(b))가 변동성 과정에 기여하는 상대 기여도를 제어한다.
• 변동성 접근법은 이동 평균 20일 창에서의 실현 변동성 기반으로 데이터를 분류하며, 최대 수익률을 크래시 지표로 사용한다.
• 지속시간 접근법은 국소 최고점에서 다음 국소 최저점까지의 시간(하락 기간)을 기반으로 데이터를 분류하며, 장기적인 시장 하락을 식별한다.
• 감독 학습 기반 기계학습 모델(Logistic Regression, Random Forest, Neural Networks, LSTM, Bayesian Networks)을 활용해 변동성과 지속시간에서 유도된 특징을 기반으로 θ를 예측한다.
• 장기적 의존성을 유지하기 위해 두 개의 점프 성분을 허용하며, θ는 분류 기반으로 데이터로부터 학습되며 모델의 해석 가능성은 유지된다.
• 개선된 모델에 대해 제곱 헤지 기법을 적용하여 헤지 오차를 최소화하고, 다양한 시간 창에서 정밀도, 재현율, F1 점수를 사용해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 기계학습 기법을 활용해 원유 가격 데이터에서 결정론적 파라미터 θ를 효과적으로 추출하여 고전적 BN-S 모델을 개선할 수 있는가?
• RQ2 변동성 기반 분류 접근법이 원유 시계열에서 크래시 유사 시장 이벤트를 신뢰성 있게 식별하는 데 효과적인가?
• RQ3 하락 기간의 지속시간 기반 분류가 장기적인 시장 하락을 더 잘 탐지하고 모델의 견고성을 향상시킬 수 있는가?
• RQ4 개선된 BN-S 모델이 고전적 BN-S 모델 대비 제곱 헤지 오차와 리스크 관리 측면에서 얼마나 우수한가?
• RQ5 데이터 과학 및 딥러닝 기법을 얼마나 활용해 상품 시장에서 확률적 변동성 모델의 예측 능력을 향상시킬 수 있는가?

주요 결과

• 기계학습 기반 θ를 적용한 개선된 BN-S 모델은 여러 바켄 원유 가격 데이터 창에서 고전적 BN-S 모델 대비 제곱 헤지 오차를 크게 감소시켜 뛰어난 성능을 보였다.
• 변동성 접근법에서 LSTM 모델은 θ = 0일 경우 F1 점수 0.95를 기록했으며, 이는 비크래시 기간을 효과적으로 식별함을 의미한다 (표 20).
• 지속시간 접근법에서 베이지안 네트워크(BN) 모델은 2013–2014년 데이터 창에서 θ = 0일 경우 F1 점수 0.65, θ = 1일 경우 0.62를 기록했으며, 다양한 시장 제도에서의 강력한 일반화 능력을 보였다 (표 21).
• 변동성 접근법은 지속시간 접근법 대비 일관되게 높은 F1 점수(예: 0.85–0.95)를 기록했으며, 이는 이 데이터셋에서 크래시 탐지에 더 효과적임을 시사한다.
• 기계학습을 통해 학습된 θ를 가진 모델은 방정정식 (2.6)의 상관 구조를 통해 장기적 의존성을 보였으며, 지속적인 변동성 클러스터링을 포착했다.
• 데이터 기반 접근법은 실증 데이터에서 결정론적 파라미터 θ를 성공적으로 추출했으며, 모델의 핵심 스토케스틱 구조를 유지하면서 장기 기억 기능을 통합할 수 있었다.