[논문 리뷰] Know Your Clients’ Behaviours: A Cluster Analysis of Financial Transactions

John R. J. Thompson|arXiv (Cornell University)|2021. 01. 25.

Financial Markets and Investment Strategies참고 문헌 68인용 수 19

한 줄 요약

이 연구는 50,000건 이상의 고객 금융 거래 기록을 대상으로 수정된 RFM(Recency, Frequency, Monetary) 모델과 k-프로토타입 클러스터링을 적용하여, 고객을 식별하는(Know Your Client, KYC) 데이터가 투자자 거래 행동을 설명하는 데 거의 기여하지 않음을 밝혀냈다. 대신 거래 빈도와 거래량이 투자자 행동 클러스터를 가장 강력하게 예측하는 요소였다. 연구 결과는 KYC 데이터가 투자자 적합성에 신뢰성 있게 기여한다는 전제를 도전하며, 규제 기관과 자문가들이 더 동적이고 행동 기반의 지표를 채택해야 한다고 제안한다.

ABSTRACT

In Canada, financial advisors and dealers are required by provincial securities commissions and self-regulatory organizations—charged with direct regulation over investment dealers and mutual fund dealers—to respectively collect and maintain know your client (KYC) information, such as their age or risk tolerance, for investor accounts. With this information, investors, under their advisor’s guidance, make decisions on their investments that are presumed to be beneficial to their investment goals. Our unique dataset is provided by a financial investment dealer with over 50,000 accounts for over 23,000 clients covering the period from January 1st to August 12th 2019. We use a modified behavioral finance recency, frequency, monetary model for engineering features that quantify investor behaviours, and unsupervised machine learning clustering algorithms to find groups of investors that behave similarly. We show that the KYC information—such as gender, residence region, and marital status—does not explain client behaviours, whereas eight variables for trade and transaction frequency and volume are most informative. Hence, our results should encourage financial regulators and advisors to use more advanced metrics to better understand and predict investor behaviours.

연구 동기 및 목표

• KYC 데이터(연령, 위험 감수성 등)가 실제 투자자 거래 행동을 신뢰성 있게 예측할 수 있는지 조사하기 위해.
• 행동 금융학에서 유래한 수정된 RFM 모델을 활용해 행동 기반 금융 특징을 개발하기 위해.
• 기계학습을 활용해 투자자 행동 클러스터를 식별하고, KYC 프로파일과의 일관성을 검증하기 위해.
• KYC를 통해 유도된 위험 감수성과 규제 기대치에 비해 투자자 행동의 적합성을 평가하기 위해.
• KYC 가정과 실제 투자자 행동 간 격차를 규명함으로써 규제 및 자문 실무에 영향을 주기 위해.

제안 방법

• 거래의 최근성, 빈도, 금액을 포함한 수정된 RFM 모델을 활용해 행동 특징을 설계하였다.
• 수치형 및 범주형 특징을 혼합하여 유사도 비용 함수를 최소화하는 방식으로 k-프로토타입 클러스터링을 적용하였다.
• 클러스터링 품질 평가를 위해 실루엣 계수와 Davies-Bouldin(DB) 점수를 사용하였다.
• 해석 가능성 향상을 위해 t-분포 확률 이웃 임베딩(t-SNE)을 활용해 클러스터를 시각화하였다.
• 각 클러스터에서 관찰된 위험 감수성(거래 행동에서 유도)을 KYC에서 유추된 예상 위험 감수성과 비교하였다.
• 향후 자산 구성, 보안 위험 평가(SRR), 포트폴리오 수익률 분석을 통해 적합성과 결과를 평가할 계획이다.

실험 결과

연구 질문

• RQ1 실제 금융 자문 환경에서 KYC 데이터가 실제 투자자 거래 행동을 얼마나 잘 예측할 수 있는가?
• RQ2 유사한 KYC 프로필을 가진 투자자 클러스터가 일관되고 예측 가능한 거래 행동을 보이는가?
• RQ3 거래 행동에서 유도된 관찰된 위험 감수성은 KYC 데이터에서 유추된 위험 감수성과 어떻게 비교되는가?
• RQ4 위험 감수성의 극단(높음 또는 낮음)에 속하는 투자자들이 현재 KYC 프레임워크에 충분히 반영되고 있는가?
• RQ5 기계학습 기반 행동 클러스터링이 적합성 평가와 투자 성과를 향상시킬 수 있는가?

주요 결과

• 연령, 소득, 자가 평가 위험 감수성 등 KYC 데이터는 투자자 클러스터 전반에서 실제 거래 행동과 거의 또는 전혀 상관관계가 없었다.
• 모든 클러스터에서 평균 관찰된 위험 감수성은 5점 만점에 3.12점이었고, 표준편차는 0.73였으며, 이는 KYC 프로파일과 무관하게 일관된 중간 수준의 위험 행동을 나타냈다.
• 클러스터 1(활발한 거래자)은 위험 감수성 3.19/5를 보였지만, KYC에서는 5/5로 예상되었으며, KYC 기대치와 실제 행동 사이에 심각한 괴리가 있었다.
• 클러스터 4(고령 투자자)는 관찰된 위험 감수성이 가장 낮았고 2.95/5였지만, KYC에서는 1/5로 예상되었으며, 이는 고령 고객의 위험 회피 성향을 KYC가 과소평가하고 있음을 시사한다.
• 클러스터 간 위험 감수성 분포는 놀랄 정도로 유사했으며, 이는 KYC 기반 위험 점수가 실제 거래 행동을 신뢰성 있게 예측하거나 반영하지 못한다는 것을 의미한다.
• 연구는 KYC 기준이 극단적인 위험 선호 또는 회피 성향을 수용하지 못하는 엄격하고 좁은 범주를 만들어내며, 특히 매우 위험 회피성 또는 공격적인 투자자들에 대해 부적절할 수 있다고 결론 내린다.