경제학과 한철우 교수는 최근 비지도학습을 활용한 주식쌍거래(pair trading) 전략에 관한 혁신적인 연구 결과를 발표했다. 주식쌍거래란 유사한 성격을 갖는 두 주식의 움직임에 괴리가 발생했을 때, 상대적으로 저평가된 주식을 사고 고평가된 주식을 파는 시장 중립 투자기법이다. 이번 연구는 기존의 주식쌍거래 전략을 한층 발전시켜 더 높은 수익률을 달성하고, 금융 시장에서의 적용 가능성을 확장하는 데 중점을 두었다.

한 교수는 최근 활발히 이루어지고 있는 머신러닝을 활용한 금융 연구에 많은 기여를 해오고 있다. 기존의 연구들이 대부분 지도학습(supervised learning)에 의존하고 있는데 반해, 한 교수는 이번 연구에서 비지도학습(unsupervised learning)을 활용한 주식쌍거래 전략을 탐구하였다. 비지도학습은 데이터를 군집화하여 유사한 특성을 가진 표본들을 묶어내는 기법으로, 기존의 가격 데이터뿐만 아니라 기업 특성까지 고려하여 보다 정교하게 주식쌍을 선정하는 것을 가능하게 한다.

한 교수와 연구팀은 k-means, DBSCAN, 그리고 응집형 군집화(agglomerative clustering)와 같은 대표적인 군집화 알고리즘을 미국 주식 시장 데이터에 적용하여 주식쌍거래 전략을 테스트하였다. 연구 결과, 응집형 군집화를 통해 선별된 주식쌍들을 이용하여 만든 롱-숏(long-short) 포트폴리오는 연평균 24.8%의 수익률을 기록했으며, 샤프 비율은 2.69로 나타났다. 이는 기존의 주식쌍거래 전략보다 월등히 높은 성과이다. 특히, 이번 연구는 거래 비용을 고려한 후에도 여전히 높은 수익성을 유지하는 것으로 나타났다.

한 교수는 "기업 특성을 반영한 주식쌍 선정은 기존의 단순한 가격 데이터 기반 방법에 비해 훨씬 더 높은 정확성과 수익성을 제공합니다"라며, "이번 연구는 금융 시장에서 비지도학습의 가능성을 크게 확장하는 계기가 될 것입니다"라고 밝혔다. 연구팀은 다양한 강건성 테스트를 통해 이러한 결과가 데이터 편향이나 우연에 의한 것이 아님을 확인했다. 또한, 군집화 알고리즘을 활용한 롱-숏 전략은 금융위기와 같은 극단적인 시장 상황에서도 높은 수익성을 유지할 수 있음을 입증했다.

한 교수는 이번 연구를 통해 금융공학과 머신러닝 분야에서 중요한 기여를 할 수 있을 것으로 기대하고 있다. "비지도학습을 통해 보다 정교하고 효율적인 금융 모델을 개발할 수 있을 것입니다"라며, "앞으로도 지속적인 연구를 통해 실제 금융 시장에서 활용될 수 있는 다양한 알고리즘을 개발하겠습니다"라고 말했다. 이러한 연구는 금융 시장의 안정성과 수익성을 동시에 추구하는 데 큰 도움이 될 것으로 기대된다.

한철우 교수의 이번 연구는 금융공학과 머신러닝 분야의 학계와 산업계에 큰 반향을 일으키며, 앞으로의 연구 방향에 대한 중요한 시사점을 제공할 것이다.