IT산업지수와 코스피간의 대칭적·비대칭적 정보메커니즘에 관한 연구

국문 초록 (Abstract)

본 연구는 대략 10년 전부터 산업의 새로운 축을 형성하고 있는 IT산업지수와 코스피 사이의 정보전달메커니즘을 규명하는 데 있다. 이를 위해 한국거래소로부터 2015년 3월부터 2020년 3월까지의 약 5년간 국내 IT산업지수와 코스피의 일별자료를 제공받았다. 실증분석을 위한 절차는 다음과 같다. 먼저 유사한 과거 연구들에 대해 조사를 하였고 연구목적에 부합하는 가설설정을 설정하였다.
분석에 사용될 표본들의 특성을 파악하기 위해서 기초통계량분석을 실시하였다. 기초통계량분석에서는 평균, 표준편차 등을 비롯해서 표본의 정규분포여부를 파악하는 왜도, 첨도 및 하르케-베라검정을 실시하였다. 또한 자료의 추세를 살펴보기 위해 자기상관관계분석과 교차상관관계분석을 실시하여 대략적인 분석의 필요성을 인식하였다. 특히 시계열자료를 이용하는 만큼 자료의 안정성여부를 단위근 검정을 통해 파악하였고 추가로 공적분 검정도 실시하였다. 이를 기반으로 설정된 가설을 검정하기 위한 분석모형을 설정하였다.
실증분석은 대칭적 정보이전효과와 비대칭적 정보이전효과로 나누어 분석을 하게 되는데 대칭적 정보이전효과는 일반적으로 시계열자료 분석에서 많이 사용되는 VAR모델의 그랜저 인과관계 검정, 충격반응함수, 분산분해를 도입하였다. 또한 이분산성모형인 GARCH(1,1)-M모형을 이용하여 보다 심도 있는 분석을 실시하였다. 과거의 정보를 좋은 정보와 나쁜 정보로 분리하여 비대칭적 정보이전효과도 검정하였으며 이를 위해 GJR-GARCH(1,1)-M모형을 도입하였다.
주요 분석결과는 다음과 같다. 그랜저 인과관계검정으로부터 IT산업지수 수익률의 변화와 코스피 수익률의 변화 사이에는 상호 피드백적인 예측력을 보였지만 통계적 유의수준에서 코스피 수익률의 변화로부터 IT산업지수 수익률의 변화로의 기각확률이 높은 것으로 나타났다. 예측력의 지속성과 크기를 보여주는 충격반응함수와 분산분해의 결과는 그랜저 인과관계의 결과를 뒷받침해 주어 분석결과의 타당성을 높였다.
이분산성을 이용한 GARCH(1,1)-M모형의 결과에서도 VAR모형의 결과와 일맥상통한 결과를 보여 IT산업지수 수익률의 변화와 코스피 수익률의 변화 사이에는 상호 예측력을 지니는 것으로 나타났다. 마지막으로 과거의 정보를 분해하여 정보이전효과가 과연 호재정보에서 나오는지 아니면 악재정보에서 나오는가를 비대칭적 모형인 GJR-GARCH(1,1)-M모형을 통해 분석하였다. 분석결과 IT산업지수 수익률의 변화의 경우 악재정보만이 코스피 수익률의 변화에 영향을 미치는 것으로 나타났다. 반면 코스피 수익률의 변화의 경우 악재정보와 더불어 호재정보도 통계적 유의수준에서 IT산업지수 수익률의 변화에 영향을 미치는 것으로 나타났다. 이러한 결과는 투자자들에게 실무에서 포트폴리오를 관리하거나 지수투자를 선택할 경우 유용한 정보를 제공할 수 있을 것으로 기대된다. 또한 학계에는 기존의 분석은 매크로적인 측면에서 주로 주가지수 현/선물에 대한 정보전달메커니즘에 관한 연구가 주를 이루었다면 이제는 마이크로적인 측면에서 섹터별 자료를 이용한 정보전달메커니즘을 규명할 필요성을 제시하였다.

다국어 초록 (Multilingual Abstract)

This paper studies the information spillover effects between the return of IT industry index and the return of KOSPI using the daily data from March, 2015 to March, 2020 with VAR models including Granger-causality test, Impulse response function, Variance decomposition method and the conditional variance models including GARCH(1,1)-M model, GJR-GARCH(1,1)-M model. The main results are as follows.
First, the returns of IT industry index and KOSPI don’t follow the normal distribution process. And there are auto-correlations in the returns of IT industry index and KOSPI and cross-correlations between the returns of IT industry index and those of KOSPI from lag0 to lag3.
Second, there are unit root in IT industry index and KOSPI. According as the cointegration between IT industry index and KOSPI doesn’t exist, both returns of IT industry index and those of KOSPI which have the stability under unit root tests are employed for empirical tests.
Third, the null hypothesis that the returns of IT industry index don’t granger cause the returns of KOSPI is rejected at the 10% statistical level. It means that the returns of IT industry index effect the returns of KOSPI. In addition, the null hypothesis that the returns of KOSPI don’t granger cause the returns of IT industry index is rejected at the 5% statistical level. It means that the returns of KOSPI effect those of IT industry index.
Fourth, the shocks of the returns of IT industry index to those of KOSPI exit from lag 1 to lag 3. And the shocks of the returns of IT industry index to those of KOSPI exit from lag 1 to lag 3.
Fifth, 0.33% of the variance of KOSPI depend on the variance of IT industry index from lag 2. However, 48.82% of the variance of IT industry index depend on the variance of KOSPI from lag 1 and 48.81% of the variance of IT industry index depend on the variance of KOSPI from lag 2. These the results of impulse response function and variance decomposition analysis support those of granger causality test.
Sixth, there is the information spillover effect from the returns of IT industry index to those of KOSPI by the conditional mean equation. And also the information spillover effect from the returns of KOSPI to those of IT industry index by GARCH(1,1)-M model.
Seventh, only the bad news from the returns of IT industry index influences the returns of KOSPI. But not only the bad news from the returns of KOSPI but also the good news from the returns of KOSPI effect the returns of IT industry index by GJR-GARCH(1,1)-M model.
There are some contributions and limits of the paper. The paper provides the information spillover effects using micro variables different from previous papers using macro data like spot and futures from stocks, bonds, exchange rates. This try can help the investors who constitute the index portfolio in the field. And the paper can inspire researchers who explore the new areas in the field of study. In spite of above contributions, the paper doesn’t reveal the grounds of bad news and good news. And the paper doesn’t suggest the economic undertone of the empirical results.

목차 (Table of Contents)

• 제 1 장 서 론 1
• 제 1 절 연구배경과 목적 1
• 제 2 절 연구의 구성과 범위 5
• 제 2 장 이론적 배경 및 선행연구 6
• 제 1 절 코스피와 IT산업지수에 대한 이론적 고찰 6
• 제 2 절 선행연구 9
• 제 3 장 연구방법론과 가설설정 17
• 제 1 절 연구방법론 17
• 제 2 절 가설설정 19
• 제 4 장 예비분석 및 분석모형 22
• 제 1 절 예비분석 22
• 1. 상관관계 분석 26
• 1.1. 자기상관 관계분석 26
• 1.2. 교차상관 관계분석 28
• 제 2 절 연구모형 31
• 1. 단위근 검정모형과 공적분 검정모형 추정 31
• 2. VAR모형 추정 35
• 3. GARCH(1,1)-M모형 추정 39
• 4. GJR-GARCH(1,1)-M모형 추정 46
• 제 5 장 실증분석 결과 50
• 제 1 절 VAR모형의 실증분석결과 50
• 1. VAR모형의 검정결과 50
• 2. 그랜저 인과관계 검정결과 51
• 3. 충격반응함수 검정결과 53
• 4. 분산분해 검정결과 56
• 제 2 절 GARCH(1,1)-M모형의 실증분석결과 58
• 제 3 절 GJR-GARCH(1,1)-M모형의 실증분석결과 63
• 제 6 장 결론 및 시사점 74
• 참고문헌 78
• Abstract 83