포트폴리오 변동성 예측을 위한 다변량 GARCH와 예측 조정의 융합

본 논문은 포트폴리오 위험 관리에서 포트폴리오 가중치가 사전에 알려진 상황을 전제로, 단변량 GARCH와 다변량 GARCH(MGARCH) 예측을 결합한 예측 조정(forecast reconciliation) 프레임워크를 제시한다. 연구는 크게 네 부분으로 구성된다. 1. **문제 정의 및 이론적 배경** 포트폴리오 변동성 예측은 두 가지 전통적 접근법이 있다. 첫 번째는 포트폴리오 수익률을 직접 계산하고, 그 시계열에 단변량 GARCH 모델을 적합해 다음 기간 변동성을 예측하는 ‘베이스’ 방법이다. 두 번째는 개별 자산 수익률에 MGARCH 모델을 적합해 조건부 공분산 행렬 Σ를 추정하고, 포트폴리오 가중치 ω와의 이중곱 ω′Σω을 통해 포트폴리오 변동성을 얻는 ‘바텀업’ 방법이다. 두 예측은 일반적으로 일치하지 않으며, 이는 각각이 포트폴리오 위험을 다르게 포착하기 때문이다. 저자는 이를 선형 제약을 갖는 일반화 최소제곱(GLS) 문제로 정식화하고, 예측 오차 공분산 행렬 Ω를 추정해 최적의 조정 해 e y를 구한다. 2. **조정 절차와 상관행렬 일관성 확보** 조정 후 재구성된 공분산 행렬 e Σ가 상관계수의 절대값이 1을 초과하는 등 수학적 정의를 위배할 수 있음을 인식하고, 두 가지 보완 전략을 제시한다. (A) 비선형 제약 최적화: 상관계수 절대값 제한을 직접 포함한 비선형 문제를 Rsolnp 패키지로 해결한다. (B) 상관분해 기반 조정: Σ를 표준편차 행렬 S와 상관행렬 R로 분해한 뒤, A σ = (ω′⊗ω′)(S⊗S)D_N 형태의 가중 행렬을 이용해 상관예측에만 조정을 적용하고, 최종적으로 e Σ = e S e R e S 로 재구성한다. 두 방법 모두 공분산 행렬의 양의 정부호와 상관계수의 유효성을 보장한다. 3. **시뮬레이션 연구** 시뮬레이션은 (i) 진정한 공분산을 알고 있는 경우와 (ii) 노이즈가 섞인 공분산 추정치를 사용하는 경우로 나뉜다. 다양한 MGARCH 사양(DCC, OGARCH, Scalar‑BEKK)과 포트폴리오 가중치를 조합해 1,000번 반복 실험을 수행한다. 결과는 다음과 같다. 진정한 공분산이 주어지면 조정된 포트폴리오 변동성 예측이 MSE 측면에서 표준 MGARCH보다 현저히 우수하며, 특히 모델이 미스스펙화된 경우 그 격차가 크게 나타난다. 노이즈가 큰 경우에는 정확히 지정된 MGARCH와 인터디펜던스를 무시한 미스스펙화된 MGARCH 사이의 성능 차이가 감소하지만, 조정 기법은 여전히 소폭의 개선을 제공한다. 이는 공분산 추정의 노이즈가 모델 지정 오류를 가리는 효과를 보여준다. 4. **실증 분석** 이탈리아 주식 시장(주요 20개 종목) 데이터를 사용해 포트폴리오를 구성하고, 실제 수익률을 기반으로 포트폴리오 변동성을 예측한다. 베이스 모델은 포트폴리오 수익률에 GJR‑GARCH(1,1) 를, 바텀업 모델은 DCC‑GARCH, OGARCH, Scalar‑BEKK 등을 적용한다. 조정 전후의 예측 정확도는 평균 절대오차(MAE), 평균 제곱오차(MSE), 로그점수(log‑score) 등으로 평가한다. 조정 후 모든 지표에서 개선이 관측되었으며, 특히 포트폴리오가 고변동성 자산에 집중된 경우 조정 효과가 두드러졌다. 또한, 조정된 공분산 행렬은 실제 시장 연결성을 반영하는 시스템리스크 지표와 높은 상관관계를 보이며, 실무적 활용 가능성을 시사한다. 5. **결론 및 정책적 함의** 논문은 (1) 포트폴리오 변동성 예측에 예측 조정 기법을 성공적으로 적용함으로써 금융 시계열 예측과 계층적 예측 조정 문헌을 연결, (2) 공분산 행렬의 구조적 일관성을 유지하면서 상관계수 제약을 만족시키는 실용적인 알고리즘을 제공, (3) 노이즈가 큰 공분산 추정 상황에서도 조정이 실질적인 성능 향상을 제공한다는 실증적 증거를 제시한다. 따라서 고차원 포트폴리오 관리, 위험 측정, 그리고 시스템리스크 모니터링에 있어 MGARCH 모델의 미스스펙화 위험을 완화하고, 보다 견고한 위험 예측을 구현할 수 있는 새로운 방법론적 길을 열었다.