스왑포인트 결정요소를 이용한 머신러닝 기반의 원/달러 환율 예측 모형에 관한 연구 = 다층퍼셉트론의 최적구조 탐색을 중심으로

국문 초록 (Abstract)

경제의 개방화가 이루어지고 국가 간 교류가 더욱 증가하고 있는 상황 속에서, 국제간의 결제 및 금융거래의 기본이 되는 달러화는 대표적 기축통화로써 영향력이 증가하고 있다. 이러한 이유로 정확한 환율 예측에 대한 필요성은 금융시장에서 꾸준히 중요한 이슈로 다루어 지고 있다. 본 연구에서는 환율 및 금리와 관련된 데이터를 입력 값으로 다는 다층퍼셉트론 모형을 통해 원화와 달러화 사이의 환율을 예측한다. 환율 예측의 입력 변수는 외환시장의 스왑포인트 결정요소인 현물환율, 원화금리, 달러화금리, 달러화조달 리스크 프리미엄으로 설정하였으며, 다층퍼셉트론 모형의 은닉층과 노드의 개수를 변화시키면서 실험을 진행하여 환율예측에 가장 최적화된 구조를 탐색한다. 예측의 성과는 실제 환율과의 차이를 통해 측정하며, 정규분포에 기초한 랜덤워크 과정 및 선물환율 결정모형과 비교하여 본 모형의 우수성을 확인한다. 본 연구의 실험결과를 통해 대표적인 인공신경망 모형인 다층퍼셉트론 방법론의 환율 예측력을 확인했으며, 향후 시장 참여자들이 외환 투자에 대한 의사를 결정하고 거래에 참여하는데 도움을 줄 것으로 기대한다.

다국어 초록 (Multilingual Abstract)

With the globalization of the economy and the increasing interconnection of countries, the influence of the dollar, which is the main key currency of international settlement and financial transactions, is increasing, and the need for precise exchange rate prediction is emerging. In this study, the exchange rate between the korean won and the dollar is predicted by using multi layer perceptron model. The input variables are the spot exchange rate, the korean won interest rate, the dollar interest rate, and the dollar procurement risk premium, which are the determinants of the swap point. Empirical study is carried out by varying the number of hidden layers and nodes in the model to find the optimized model structure for USD/KRW exchange rate prediction. The performance of the prediction is measured by the difference from the actual exchange rate, and the superiority of the suggested model is verified by comparing the performance with the random walk process and forward exchange rate. The results of this study confirm the exchange rate forecasting ability of the multi layer perceptron, which is a representative artificial neural network. Also, the market participants will be supported for the foreign exchange investment by using proposed model in this study.

목차 (Table of Contents)

• 요약
• 1. 서론
• 2. 연구배경
• 3. 연구방법
• 4. 실증분석
• 5. 결론
• References
• Abstract