지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 박민호
- 발행연도
- 2023
- 저작권
- 숭실대학교 논문은 저작권에 의해 보호받습니다.
이용수4
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
금융 산업의 발전과 더불어 금융 투자 관련 범죄가 증가하자 금융당국은 2021년 금융소비자보호법을 시행해 판매사의 펀드 설명의무를 강화했다. 설명의무 대상인 위험등급은 투자 상품의 위험을 직관적으로 파악할 수 있는 중요한 지표이지만 그동안 관리가 소홀히 이루어져 왔다. 금소법 시행 이후 판매업계에서는 자체적으로 펀드 위험등급을 검증하고 선제적으로 관리하는 시스템을 구축하고 있다. 본 논문은 해당 시스템의 일환으로 머신러닝을 활용한 펀드 위험등급 2단계 예측 모델을 제안한다. 1단계에서는 금융 시계열 변동성 추정 모형인 GARCH 모형과 머신러닝 모델인 LSTM, 두 모형을 결합한 GARCH(1,1)-LSTM 모형을 사용하여 결산일 시점의 1개월 변동성을 예측한다. 2단계에서는 1단계에서 추정한 변동성과 기타 중요 위험지표를 4가지 커널별 SVM 분류 알고리즘에 입력해 펀드 위험등급을 예측한다. 연구 결과 GARCH(1,1)-LSTM 결합 모형이 가장 높은 변동성 예측 성과를 보였으며 RBF 커널을 이용한 다변량 SVM이 가장 높은 위험등급 예측 정확도를 보였다.
목차
제 1 장 서론 11.1 연구 배경 및 필요성 11.1.1 불완전 판매와 금융소비자보호법 11.1.2 펀드 위험등급 예측의 필요성 21.2 선행 연구 41.2.1 주식 변동성 예측 41.2.2 펀드 변동성 예측 51.3 연구 구성 6제 2 장 이론적 배경 72.1 펀드의 개요 72.2 펀드 위험지표의 개요 72.3 펀드 위험등급의 개요 8제 3 장 분석 모형 103.1 GARCH 103.2 LSTM 113.3 GARCH-LSTM 123.4 SVM 13제 4 장 연구 설계 154.1 연구 모형 154.1.1 변동성 예측 154.1.2 위험등급 예측 164.2 연구 자료 174.3 검증 방법 및 성능 평가 지표 184.3.1 K-fold 교차검증 184.3.2 MSE와 RMSE 194.3.3 정확도(Accuracy) 20제 5 장 연구 결과 215.1 펀드 변동성 예측 결과 215.1.1 모델별 예측 평가 215.1.2 유형별 예측 평가 235.2 펀드 위험등급 예측 결과 23제 6 장 결론 24참고문헌 25
최근 본 자료
댓글(0)
0