High-dimension stock price modeling and Evaluation of the model-based portfolio optimization in the Korea stock market

Abstract

In this thesis, we propose a model-driven statistical arbitrage method, with application to the Korean stock market from January, 2009 to December, 2020. Specifically, we first estimate high-dimensional systematic risks with principle component analysis. Subsequently, with the estimated systematic risks, we then employ the mean-reverting and volatility clustering strategies, which are representative characteristics frequently observable in various finance data. Unlike previous researches which attempted to model the idiosyncratic risk via stochastic process models, we instead consider a systematic risk-based autoregressive model. Moreover, based on our proposed model, we construct a conditional mean-variance optimized portfolio by building upon Markowitz's mean-variance optimized portfolio method. Our results show that our optimized portfolio outperforms other signal-based strategies throughout the analysis period.

본 논문에서는 한국 주식시장의 모델 기반 통계적 차익거래전략을 연구하였다. 고차원 자료로부터 체계적 위험을 추정하기 위해 주성분 분석기법을 사용하였다. 금융자료의 주요 현상으로 관찰되는 평균 회귀와 분산 군집화와 같은 특성들이 추정된 체계적 위험 요소와 함께 평가되었다. 이런 평가로부터 개별위험기반에 확률 과정모형을 적용한 기존 연구들과는 달리 체계적 위험 기반의 자기 회귀 모형이 한국 주식의 일간 수익률을 설명하기 위해 제안되었다. 제안된 모형을 기반으로 Markowitz의 평균 분산 최적화 포트폴리오를 조건부 기대 평균 분산 최적화 방식의 포트폴리오 전략으로 개선하였다. 분석에 사용된 데이터는 한국 주식시장의 2009년 1월부터 2020년 12월 자료이며, 테스트를 포함한 분석 기간 전체에서 제안된 조건부 최적화 포트폴리오의 성능이 기존의 KOSPI와 다른 단순 신호기반의 전략들의 성능을 크게 상회하는 결과를 보여주었다.