통화정책 자료를 활용한 시장참가자의 기대금리에 관한 연구 (A Study on The Future Interest Rate Expectation of Market Participants Using the Sentiment Analysis of the Monetary Policy Press Releases)

서지정보

· 발행기관 : 한국지급결제학회
· 수록지 정보 : 지급결제학회지 / 15권 / 1호 / 209 ~ 234페이지
· 저자명 : 김재필, 박재진

초록

중앙은행의 통화정책 결정관련 내용이 향후 시장참가자의 시장금리에 대한 기대에 매우 큰 영향을 미친다는 점에서 Moniz and Jong(2014)은 경제적 감성 분석기법을 이용하여 중앙은행의 통화정책관련 커뮤니케이션이 시장참가자의 기대금리에 미치는 효과를 연구하였다. 구체적으로 매월 영란은행의 통화정책위원회 회의록(Monetary Policy Committee Minutes)에서 통화정책 주제(경제성장, 인플레, 시장금리)를 추출하고, 동 주제에서 경제적 감성(economic sentiment) 단어를 선별하여 경제적 감성지수를 산출한 다음, 이들을 합성한 시계열로 시장참가자의 미래 시장금리 기대 수준을 예측하였다. 다양한 모형에 의한 금리 예측과 함께 Ensemble 기법에 의한 예측치를 기대금리 수준으로 평가한 결과 예측력이 높아짐을 보여주었다.
본 연구는 Moniz and Jong(2014)의 연구 방법을 원용하여 우리나라의 통화정책 관련자료를 사용하여 시장참가자의 향후 기대금리 수준에 대한 예측을 실시하였다. 먼저 우리나라 통화정책 커뮤니케이션 효과분석에 관한 기존 연구(박재진‧김재필, 2022)의 방법을 이용하여 통화정책관련 기자간담회 자료에서 통화정책 주제를 추출한 후, 이들 각 주제에서 경제적 감성단어를 선별하였다. 그리고 경제적 감성단어를 반영한 새로운 통화정책 주제 시계열을 작성하여 향후 시장 금리수준을 예측하였다. 예측모형으로는 일반선형회귀분석모형 이외에 random forest 등 기계학습(machine learning) 모형과 인공신경망(deep neural net) 모형도 사용하였다. 예측대상금리는 매월 통화정책결정 이후 1개월 후의 시장금리(CD금리, 3년만기 국고채금리)로 하였으며, 이를 위해 총 15년간의 시장금리 시계열 자료 중 기계학습 모형의 학습을 위해 동 시계열의 75%를 사용하고 예측력 검증을 위해 나머지 25%를 활용하였다. 감성분석 효과를 살펴보기 위하여 감성분석기법을 사용한 경우와 사용하지 않은 경우로 구분하여 예측력을 비교하였다. 분석 결과 감성분석기법을 사용한 경우의 예측력이 훨씬 높아지는 것으로 나타난 가운데 예측 모형 중에서는 기계학습 모형에 의한 예측치가 상대적으로 높은 예측력을 보이는 것으로 나타났다.
이러한 실증분석 결과는 우리나라 통화정책과 관련하여 시장참가자가 기대하는 향후 시장금리 수준을 예측하고자 하는 경우 통화정책 주제 외에 경제적 감성단어에도 주의를 기울일 필요가 있음을 시사한다. 또한 금리 예측 시 일반선형회귀모형 외에 기계학습 모형도 적극 활용하는 것도 바람직함을 보여준다. 이와 같은 연구결과에 비추어 향후에는 금리 외에도 환율, 주가 등 시장변수 예측에 관한 연구에 있어서 경제적 감성분석을 활용한 연구가 활성화될 것으로 기대된다.

영어초록

The contents of press release relating to the monetary policy decision of the central banks have an significant effect on the expectation of the market participants for the future economic condition. In this respect, Moniz and Jong(2014) had studied the effect of the monetary policy communication of the Bank of England on the future market interest rate expectation of the market participants using the economic sentiment analysis. In detail, they had extracted the monetary policy themes, relating to economic growth, inflation, and market interests, from the minutes of the monthly monetary policy meeting of the Bank of England, and they had also extracted the economic sentiment words, such as positive or negative words among those monetary policy themes. Then they had created the economic sentiment index using these words. And with these data, they predicted the market interest rate, such as forward interest rates, using the various prediction models. Finally, they showed that the market interest rate prediction using these data reflected the significant change in the future interest rates.
This paper also tried to reveal the usefulness of the sentiment analysis for forecasting of the market interest rates, supposed that the market participants would predict the future market interest rates using those information. Therefore, based on the Moniz and Jong(2014)’s technique, we studied if Korean market interest rates in the future would properly reflect those economic sentiments. For this purpose, this study, firstly extracted five monetary policy themes from the press releases of the Bank of Korea relating to the monetary policy decision in the every month during the period of 15 years, using the text mining method of Park and Kim(2022). And secondly, we extracted economic sentiment words from each monetary policy themes and created each economic sentiment index. Lastly we forecasted the future interest rates of a Convertible Deposit(maturity of three months) and Treasury Bond rate(maturity of three years) in one month later just after the date of the monetary policy decision of the Bank of Korea. As a forecasting method, we used machine learning method, such as support vector machine and random forest, and a deep learning method using simple neural nets in addition to a general linear regression method. And we included the average of the above all predicted interest rates as a predicted data. For the test of forecasting power, we segregated the whole data into two parts. One part is 75% of the whole data for the training of machine learning and deep learning models, and the other is 25% of the whole data for the test of the forecasting power. As a result of this analysis, we found that the interest rate forecasting power were much higher when the economic sentiment information was included. Among the forecasting methods, the machine learning methods had much higher forecasting power. Especially the random forest method had the better forecasting power among all forecasting methods. Lastly, the average of all forecasting results of every forecasting methods had the best forecasting power.
As a result of this study, it is implied that the usage of economic sentiment analysis would be a better way of forecasting the future interest rates and the machine learning methods would be also helpful to forecast future interest rates. In addition, it is also implied that the sentiment analysis may be helpful for the study of forecasting the other market variables such as exchange rates and stock prices.

참고자료

· 없음