Enhancing non-linear asset volatility forecasting models with investor sentiment and explainable AI

Abstract

This study investigates the enhancement of non-linear asset volatility forecasting models by incorporating exogenous variables, including investor sentiment, and using explainable AI with SHAP analysis. Comparing non-linear neural network models to the traditional HAR model, we demonstrate superior forecasting performance. Our findings underscore the significance of economic variables and the role of investor sentiment and attention in non-linear volatility prediction, as revealed by SHAP analysis. Specifically, we discover that exogenous variables take precedence as the primary drivers in the realized volatility forecast, surpassing the influence of return and historical volatilities.

본 논문에서는 투자자 심리로 대표되는 외생변수의 활용과 SHAP 분석을 활용한 설명 가능 인공지능 기법 적용을 통해 비선형 자산 변동성 예측 모형을 개선하는 방법을 제시한다. 자산 변동성 예측 분야에 있어 비선형 모형의 개발은 주로 정확도 향상에 초점을 맞춰 왔지만, 모델 내 각 변수의 중요도와 영향에 대한 이해가 제한되어 있어 잠재적인 신뢰성 저하로 이어졌다. 이러한 한계를 극복하기 위해 본 연구에서는 모델의 예측 능력을 개선하는 것뿐만이 아니라 외생변수의 중요성에 대한 분석을 통해 신뢰할 수 있는 예측 모형을 제시한다. 이를 위해, 우선적으로 자산 변동성 예측에 널리 사용되는 이질적 자기회귀 (HAR) 모형에 비해 신경망 구조를 활용한 비선형 예측 모형이 우수한 성능을 가지는 것을 확인한다. 또한 이 과정에서 다양한 외생변수를 포함하였을 때, 외생변수의 실제 영향력을 분석하여 비선형 모델 내에서 외생변수의 중요성과 영향력에 대한 분석을 제공한다. 분석 결과, 경제 상황과 관련된 변수가 지배적인 역할을 하며 변동성 역학에 상당한 영향을 미치는 것을 확인하였다. 또한 투자자의 심리와 관심 역시 비선형 변동성 예측에 유의하게 기여하는 것을 확인하였다. 본 연구는 예측 정확도의 향상과 더불어 변수의 중요성에 대한 이해 심화를 통해 보다 더 신뢰할 수 있는 예측 모형을 제시하였다는 점에서 기존의 자산 변동성 예측 모델을 개선한다. 외생변수의 활용과 설명 가능 인공지능 기법의 활용을 통해 본 연구는 리스크 관리 및 투자 전략에 대한 귀중한 인사이트를 제공할 수 있는 신뢰할 수 있고 효과적인 비선형 변동성 예측 모형 개발 방향성을 제시한다.