캡스톤 선행연구 분석 (산업별 주가지수와 거시경제변수들의 클러스터링 분석)

산업별 주가지수와 거시경제변수들의 클러스터링 

 

데이터 수집 범위와 출처

• 시간 범위: 2000년 11월부터 2008년 12월까지의 데이터를 사용한다. 이 시간 범위는 한국 경제의 다양한 거시경제적 변화를 포괄하며, 이를 통해 거시경제 변수와 산업별 주가지수 간의 관계를 분석하기에 적합하다.
• 데이터 출처: 산업별 주가지수 데이터와 거시경제 변수 데이터는 공신력 있는 데이터베이스나 기관으로부터 수집된다. 예를 들어, 한국은행, 한국거래소(KRX), 통계청 등에서 제공하는 공식 통계 자료를 활용할 수 있다.

사용된 변수

• 산업별 주가지수: 한국의 23개 산업군에 대한 주가지수 데이터를 포함한다. 각 산업군의 월별 종가 기준 데이터를 사용하여 산업별 주가의 움직임을 분석한다.
• 거시경제 변수: 배당수익률, 인플레이션, 이자율, 원/달러 환율, 산업생산지수, 화폐공급(M2), 실업률, 청년 실업률, 선행종합지수, 동행종합지수, 후행종합지수 등 11개의 거시경제 변수를 사용한다. 이 변수들은 경제의 다양한 측면을 대표하며, 산업별 주가지수와의 관계를 이해하는 데 중요한 역할을 한다.

데이터 처리 방법

• 변수 처리: 연구에서는 원본 데이터를 직접 사용하는 방법 외에도, 데이터의 평균을 뺀 값과 데이터를 표준화하는 방법 등을 통해 변수를 처리한다. 이러한 다양한 데이터 처리 방법을 통해 분석의 강도를 조절하고, 더 정확한 클러스터링 결과를 도출하기 위한 시도를 한다.

분석 목적

• 이 데이터를 사용하여 산업별 주가지수의 움직임이 거시경제 변수와 어떠한 관계를 가지는지 분석하며, 이를 통해 투자자들이 특정 거시경제 상황에서 유리한 산업군을 선택할 수 있는 근거를 제공한다.

3.2 클러스터링 결과

3.2.1 K-means clustering 결과

K-means clustering은 사전에 클러스터의 개수를 정하고, 각 데이터 포인트를 가장 가까운 클러스터 중심에 할당함으로써 클러스터를 형성하는 방법이다. 이 연구에서 K-means clustering 결과는 각 산업군과 거시경제 변수가 어떻게 그룹화되는지 보여준다. 결과 해석을 통해 특정 거시경제 변수가 특정 산업군의 주가지수와 유사한 패턴을 보이는지 분석할 수 있다.

3.2.2 Hierarchical clustering 결과

Hierarchical clustering은 데이터 포인트 간의 유사성에 기반하여 점진적으로 클러스터를 형성하는 방법이다. 이 연구에서는 Hierarchical clustering의 세 가지 주요 접근 방식인 평균 연결법, 중심 연결법, 그리고 Ward의 방법을 사용한다.

• 평균 연결법(Average Linkage Method): 클러스터 간의 모든 쌍의 평균 거리를 최소화하며 클러스터를 형성한다.
• 중심 연결법(Centroid Linkage Method): 클러스터의 중심(평균) 간 거리를 기준으로 클러스터를 합친다.
• Ward의 방법: 클러스터 내 분산을 최소화하는 방식으로 클러스터를 형성한다. 이 방법은 각 클러스터 내의 동질성을 최대화하고, 클러스터 간의 차이를 명확히 하는 데 유용하다.

 

K-means 클러스터링

 

와드 연결법

 

연구의 주요 발견

• 표준화와 클러스터링 방법의 중요성: 데이터를 표준화하고, 계층적 클러스터링의 와드 방법을 사용함으로써, 거시경제 변수와 산업별 주가지수 간의 뚜렷한 관계를 식별할 수 있었다. 이는 분석의 정확성을 높이는 데 중요한 요소로 작용했다.
• 산업별 주가지수와 거시경제 변수 간의 관계: 특정 거시경제 변수들은 특정 산업군의 주가지수와 유의미한 관계를 가지고 있음을 확인했다. 이는 투자자들이 거시경제 상황을 고려하여 투자 결정을 내릴 때 중요한 정보를 제공한다.
• 투자 전략과 경제 정책 결정에의 응용 가능성: 이 연구 결과는 투자자들이 보다 정보에 기반한 투자 결정을 내릴 수 있도록 돕고, 정책 입안자들이 산업별 경제 활동에 미치는 거시경제 변수의 영향을 이해하는 데 도움이 된다.

연구의 의의

이 연구는 산업별 주가지수와 거시경제 변수 간의 복잡한 상호작용을 통계적 클러스터링 방법으로 분석함으로써, 경제학과 금융학 분야에 기여한다. 특히, 와드 방법과 같은 계층적 클러스터링 접근 방식이 이러한 유형의 분석에 효과적임을 보여준다.

향후 연구 방향

• 더 넓은 범위의 변수 포함: 더 다양하고 포괄적인 거시경제 변수와 산업 데이터를 분석에 포함시켜 결과의 일반화 가능성을 탐색한다.
• 장기간 데이터 분석: 더 긴 시간 동안의 데이터를 분석하여 경제 사이클이나 장기적인 추세가 산업별 주가지수와 거시경제 변수 간의 관계에 미치는 영향을 조사한다.
• 국제 비교 연구: 다른 국가들의 데이터를 분석하여 국가별 경제 구조와 거시경제 변수가 산업별 주가지수에 미치는 영향의 차이를 비교한다.