변동성은 최근의 큰 움직임이 이어지는 지속성과 국면이 갑자기 바뀌는 성격을 함께 가진다. 연준 연구는 서로 다른 기간의 과거 변동성을 함께 쓰는 HAR, 충격의 영향이 오래 남는 장기기억을 다루는 ARFIMA, 국면변화 모형과 XGBoost·신경망을 동일 조건에서 비교한다. 단순한 기준 하나만 이기는지보다 강한 모형 집합 전체를 살핀다.
평가는 오차·비대칭 손실·통계적 비교뿐 아니라 효용과 위험지표를 포함한다. 단기에는 Markov-switching HAR, 월간에는 ARFIMA가 강했다. 머신러닝은 기본 HAR를 이기는 경우가 있지만 다른 계량모형까지 지속적으로 앞서지는 못했다.
연구는 모형 이름보다 기간에 맞는 지속성·비선형 동학이 중요하다고 판단한다. 정보집합·재추정 빈도·학습창을 바꿔도 결과가 유지됐다는 설명이다. 국내 국채에 적용할 때 발표 직후와 평시를 구분해 강한 기준을 두고 위험관리 효과를 별도로 평가해야 한다.
SCOPE해당 자료·기간의 모형 비교다. 머신러닝 전반의 열위나 국내 비용후 수익을 단정하지 않는다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
오차와 위험을 함께 비교하는 변동성모델0 primary · 7 archived +
These 7 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓Show the original briefing text
구분: Federal Reserve FEDS · Volatility Forecasting / ML Benchmarking
최신 개정: 2026년 9월 2일
주의: underlying data는 주식 realized volatility지만 채권 volatility/risk model의 방법론적 가치 때문에 선정
핵심 요약
Fed 연구는 HAR, ARFIMA, threshold HAR, smooth-transition HAR, Markov-switching HAR와 XGBoost 및 여러 neural network를 동일 조건에서 비교한다. 평가도 단순 MSFE가 아니라 MAE·QLIKE·Model Confidence Set·Diebold–Mariano test뿐 아니라 realized utility, VaR, Expected Shortfall까지 포함한다. Federal Reserve 원문
결과는 상당히 실무적이다. 단기에서는 Markov-switching HAR, 월간 horizon에서는 ARFIMA가 강했고, ML은 기본 HAR를 이기는 경우가 있지만 broader econometric set을 지속적으로 이기지는 못했다.
저자는 결론적으로 모델 class보다 해당 horizon에서 persistence와 nonlinear dynamics를 얼마나 잘 표현하느냐가 더 중요하다고 판단한다. 이 결과는 information set, re-estimation frequency, estimation window 등을 바꿔도 유지된다.
채권 리스크관리 시사점
이 결과를 국채 volatility에 옮기면 중요한 교훈이 있다.
“Transformer로 volatility를 예측할까?”
보다 먼저:
현재 시장의 volatility dynamics가
long memory 문제인지, regime-switching 문제인지 판단해야 한다.
예를 들어 금통위·CPI 직후 volatility는 regime jump 성격이 강하므로 Markov-switching 계열이 더 자연스러울 수 있고, 평시 일별 realized vol은 HAR/long-memory model이 훨씬 강한 benchmark가 될 수 있다.
한국 시장 복제 아이디어
3선/10선 realized volatility prediction에서 최소한 아래를 한 scoreboard에 넣는다.
HAR
HAR + event dummy
Markov-switching HAR
LightGBM
MLP/LSTM
그리고 horizon을:
- 5분
- 30분
- next day
로 나눠 각각 winner를 따로 정한다.
최종 risk budget은:
Expected Alpha / Predicted Volatility
이므로 volatility model의 개선은 direction alpha가 없어도 position sizing과 stop/risk control을 통해 직접 P&L로 연결된다.
실무 적용 우선순위: ★★★★★