[논문 리뷰] Supervised Neural Networks for Illiquid Alternative Asset Cash Flow Forecasting

Tugce Karatas, Federico Klinkert외 1명|arXiv (Cornell University)|2021. 08. 05.

Stock Market Forecasting Methods인용 수 4

한 줄 요약

이 논문은 비상장 사모펀드의 현금흐름을 예측하기 위해 슬라이딩 윈도우 방식을 사용하는 LSTM/GRU 네트워크를 활용한 새로운 직접 및 간접 딥러닝 프레임워크를 제안한다. 기존 기준 모델 대비 실제 현금흐름과의 정렬도가 뛰어나며, 특히 거시경제 지표를 직접 예측 모델에 통합한 경우 성능이 더욱 향상된다.

ABSTRACT

Institutional investors have been increasing the allocation of the illiquid alternative assets such as private equity funds in their portfolios, yet there exists a very limited literature on cash flow forecasting of illiquid alternative assets. The net cash flow of private equity funds typically follow a J-curve pattern, however the timing and the size of the contributions and distributions depend on the investment opportunities. In this paper, we develop a benchmark model and present two novel approaches (direct vs. indirect) to predict the cash flows of private equity funds. We introduce a sliding window approach to apply on our cash flow data because different vintage year funds contain different lengths of cash flow information. We then pass the data to an LSTM/ GRU model to predict the future cash flows either directly or indirectly (based on the benchmark model). We further integrate macroeconomic indicators into our data, which allows us to consider the impact of market environment on cash flows and to apply stress testing. Our results indicate that the direct model is easier to implement compared to the benchmark model and the indirect model, but still the predicted cash flows align better with the actual cash flows. We also show that macroeconomic variables improve the performance of the direct model whereas the impact is not obvious on the indirect model.

연구 동기 및 목표

• 기존 모델이 제한적인 가정에 의존하는 바람에 비상장 대체자산, 특히 사모펀드의 현금흐름 예측이라는 핵심 과제를 해결하기 위한 도전에 대응한다.
• 유연하고 가정 없는 딥러닝 프레임워크를 개발하여 사모펀드의 현금 유입 및 유출 예측 정확도를 향상시킨다.
• 거시경제 지표와 시장 지수를 통합하여 모델이 변화하는 시장 환경에 더 민감하게 반응하도록 한다.
• 직접 및 간접 예측 접근 방식을 비교하여 성능, 내구성, 시장 충격에 대한 적응 능력을 평가한다.
• 비교 평가를 위한 기준 모델로 분기 조정된 Yale 모델을 기반으로 한다.

제안 방법

• 다양한 빌드 연도와 역사적 데이터 길이를 가진 펀드 간의 시계열 현금흐름 데이터를 표준화하기 위해 슬라이딩 윈도우 기법을 적용한다.
• 표준화된 데이터를 직접 및 간접 현금흐름 예측 프레임워크 모두에 LSTM 및 GRU 신경망에 입력한다.
• 중간 단계의 매개변수 추정에 의존하지 않고 향후 현금흐름을 종단 간 예측하는 직접 예측 모델을 구현한다.
• 먼저 펀드 라이프사이클 매개변수(예: 수명, 투자 기간 등)를 추정한 후 현금흐름을 예측하는 간접 예측 모델을 개발한다.
• GDP, 실업률, 인플레이션, 수익률, 금 가격, S&P 500, Russell 2000 등의 거시경제 변수를 입력 특성에 통합하여 시장 환경 영향을 포착한다.
• 100 에포크 동안 평균 제곱오차(MSE) 손실을 사용해 모델을 훈련하며, 과적합을 방지하기 위해 조기 정지 및 별도의 검증 세트를 활용한다.

실험 결과

연구 질문

• RQ1 직접 및 간접 딥러닝 모델은 기준 모델인 분기 조정 Yale 모델에 비해 사모펀드 현금흐름 예측에서 어떻게 비교되는가?
• RQ2 거시경제 지표는 현금흐름 예측 모델의 예측 성능을 어느 정도 향상시키는가?
• RQ3 슬라이딩 윈도우 방식은 빌드 연도와 기간이 다른 펀드에서 유래한 이질적인 현금흐름 데이터를 효과적으로 표준화할 수 있는가?
• RQ4 직접 예측 프레임워크는 간접 접근 방식에 비해 시장 충격과 현금흐름 패턴의 동적 변화를 더 잘 포착하는가?
• RQ5 공동 시장 지수 및 거시경제 변수 통합은 모델의 일반화 능력과 내구성에 어떤 영향을 미치는가?

주요 결과

• 직접 예측 모델은 훈련 세트에서 평균 제곱오차(MSE) 0.000093, 검증 세트에서 0.0011을 기록하여 기준 모델과 간접 접근 방식을 모두 앞선다.
• 직접 모델은 기여금과 순자산가치(NAV)에 대해 간접 모델보다 실제 현금흐름과 더 잘 일치하는 경향을 보였으며, 간접 모델은 중간 단계의 매개변수 추정 과정에서 노이즈가 유입되어 성능에 악영향을 미쳤다.
• 거시경제 변수 통합은 직접 모델의 성능을 뚜렷이 향상시켰으며, 손실 값 감소로 확인되었지만, 간접 모델에 대한 영향은 명확하지 않았다.
• 직접 모델은 비선형 현금흐름 패턴을 더 잘 포착하고 변화하는 시장 환경에 더 유연하게 반응하여 스트레스 테스트에 더 적합하다.
• 간접 모델은 매개변수 추정 덕분에 더 해석 가능성이 있었지만, 초기 매개변수 피팅 단계에서 발생하는 오차 전파로 인해 성능 저하를 겪었다.
• 2006년 및 2008년 빌드 연도 펀드의 예측 플롯을 분석한 결과, 직접 모델이 실현된 기여금과 NAV 값을 잘 따라가지만 누적 분포에는 일부 격차가 존재하여, 후속 모델에서 분기 단위 데이터를 사용하는 것이 타당하다고 판단된다.