머신러닝모형을 이용한 글로벌 자동차 기업의 주가 예측 비교

Price Prediction of Global Automotive Companies using Machine Learning Models

국내외 주식시장 간의 주가 디커플링(decoupling) 현상이 장기화하면서 글로벌 주식시장으로 투자 대상을 확대하는 서학 개미들이 등장하고 있다. 본 연구의 목적은 글로벌 자동차 기업의 주가와 변동성을 예측하고 투자전략의 성과 분석을 통해 경제적 가치가 나타나는지를 분석하는 것이다. 투자 대상은 전기차와 자율 주행차로 패러다임이 바뀌면서 치열한 경쟁을 벌이고 있는 글로벌 자동차 산업 선진국인 독일, 미국, 일본, 한국의 자동차 기업으로 선택하였다. 예측모형으로는 불규칙하게 변동하는 주가와 같은 시계열 자료의 예측 연구에서 좋은 결과를 보여주고 있는 기계학습 모형을 활용하였다. 2011년 1월부터 2022년 9월까지의 일별 주가 자료를 이용한 실증분석 결과는 다음과 같다. 첫째, 주가 예측을 위한 특성 변수에서는 일별 저가가 가장 높은 중요도를 보여주었다. 둘째, 주가 예측에서는 Random Forest 모형, 변동성 예측에서는 Support Vector Regression 모형이 우수한 예측력을 보여주었다. 셋째, 예측 주가를 이용한 투자전략은 벤치마크보다 높은 수익성을 보여주어 예측 주가의 경제적 가치를 발견하였다. 글로벌 주식투자가 확대되는 국면에서 기계학습모형을 활용하여 치열한 경쟁이 벌어지고 있는 글로벌 자동차 산업에 대한 주가를 예측하고 투자전략의 성과를 분석하였다는 점에서 본 연구의 학술적, 실무적 의의가 있다. 향후 연구에서는 투자 대상을 다양화하고 정교한 예측 기법을 추가하여 연구할 필요가 있다.

As the stock price decoupling between domestic and foreign stock markets is prolonged, the so-called ‘Seohak ants’ are emerging to expand investing targets to the global stock market. This study is to predict the stock prices and volatility of global automotive companies and analyze whether economic value appears through performance analysis of investment strategy. The investment target was selected as automakers in Germany, the U.S., Japan, and Korea, which are advanced countries in the global automotive industry and fiercely competing as the paradigm of electric and self-driving cars emerged. Machine learning models were used to predict the stock prices, which show good results in predictive studies of time series data such as irregular and nonlinear moving stock prices. The empirical results from January 2011 to September 2022 data are as follows. First, daily low prices showed the highest importance score in feature variables for stock price prediction. Second, the random forest model in stock price prediction and the support vector regression model in volatility prediction showed excellent predictive power. Third, the investment strategy using the predicted stock price showed higher profitability than the benchmark, finding the economic value of the predicted stock price. This study is of academic and practical significance in that it predicted the stock prices volatility of the global automotive industry by using the machine learning models in the face of expanding global stock investment. In future studies, it is necessary to diversify the investment target and add sophisticated prediction techniques to study to improve the predictive performance.