Earticle

초록

한국어

자산의 기대수익률이 어떠한 요인과 구조에 의해 결정되는지를 규명하는 자산가격결정 문제는 경영학의 핵심적인 연구 과제로 다루어져 왔으며 이와 관련한 다양한 모형이 제시되어 왔다. 특히 인공지능 기법이 발전함에 따라 머신러닝과 딥러닝 기법을 활용한 자산가격결정모형 역시 새롭게 시도되고 있다. 그러나 이러한 연구들은 요인 간 비선형적 상호작용을 반영하지 못한다는 점 또는 제한적인 해석 가능성으로 인해 자산가격결정 메커니즘을 효과적으로 설명하지 못한다는 점이 각각 한계로 지적되고 있다. 기존 연구의 한계를 극복하기 위해 본 연구에서는 인공지능 기반 방법론 중 하나인 기호적 모형화(symbolic modeling) 기법을 한국 주식시장에 적용하여 기대수익률과 이의 영향 요인 간의 관계를 해석 가능한 비선형적 수식 구조로 도출하고 이를 미국 시장에서 도출된 수식 구조와 비교 분석함으로써 보다 정교한 자산가격결정모형을 파악하고자 하였다. 분석 결과 기호적 모형화 기법은 기존 선형모형보다 더 높은 성능을 보이는 것으로 나타났다. 나아가 미국 주식시장 데이터를 기반으로 도출된 자산가격결정 수식은 한국 시장에 직접 적용할 경우 성능이 저하되는 것으로 나타났으며 이를 기반으로 자산가격결정 구조의 시장 간 이전 가능성이 제한적임을 확인하였다. 본 연구는 기호적 모형화를 활용하여 해석 가능한 비선형적 자산가격결정 구조를 파악하였다는 측면에서 학문 및 실무적 의의가 있다고 할 수 있다.

영어

The problem of asset pricing has long been a central research topic in financial economics, and a wide range of asset pricing models have been proposed in the literature. With recent advances in artificial intelligence, asset pricing models based on machine learning and deep learning techniques have also been increasingly explored. However, these studies are often criticized for their limitations, either because they fail to adequately capture nonlinear interactions among factors or because their limited interpretability constrains their ability to effectively explain the underlying asset pricing mechanism. To address these limitations, this study applies symbolic modeling, an artificial intelligence approach, to the Korean stock market in order to derive interpretable nonlinear functional relationships between expected returns and their determining factors. In addition, the symbolic equations obtained for the Korean market are compared with those derived from the U.S. market to examine cross-market differences in asset pricing structures. The results show that symbolic modeling achieves higher performance than traditional linear asset pricing models. Moreover, asset pricing equations derived from U.S. market data exhibit deteriorated performance when directly applied to the Korean market, suggesting that the transferability of asset pricing structures across markets is limited. This study contributes to the literature by demonstrating that symbolic modeling provides an effective framework for uncovering interpretable nonlinear asset pricing structures, offering both academic and practical implications.

목차

요약
Ⅰ. 서론
Ⅱ. 선행 연구
2.1 전통적 자산가격결정모형
2.2 머신러닝 및 딥러닝 기반 자산가격결정 연구
2.3 기호적 모형화(Symbolic Modeling)
Ⅲ. 연구 방법론
3.1 비교 모형(Baseline Asset Pricing Methods)
3.2 자산가격결정을 위한 기호적 모형화(Symbolic Modeling)
Ⅳ. 실험
4.1 데이터 수집
4.2 변수 정의 및 요인 구성
4.3 평가 지표
4.4 하이퍼파라미터 설정
4.5 비교 분석
Ⅴ. 결과
5.1 기호적 모형 수식 구조 분석
5.2 자산가격결정모형 성능 분석
5.3 자산가격결정모형의 시장 간 이전 가능성 분석
5.4 논의
5.5 시사점
Ⅵ. 결론
참고문헌
Abstract

저자

• 김지용 [ Ji-Yong Kim | 국민대학교 데이터사이언스학과 석사과정 ]
• 최병구 [ Byounggu Choi | 국민대학교 경영대학 AI빅데이터융합경영학과 교수 ] 교신저자

참고문헌