ìœ ìœ„í—˜ 이자율 í‰ê°€ì´ë¡ ê²€ì •ì„ 위한 연속시간의 준모 ... - í•œêµ­ê²½ì œí•™íšŒ

84經 濟 學 硏 究 제 60 집제3 호적으로 유의함을 발견하였다. 위험프리미엄이 상수인 경우와 가변적인 경우 모두 이라는 귀무가설을 기각하지 않는다. 하지만 확률적 변동성 즉 이분산성을 고려하지 않을 경우 음의 회귀계수 값으로 UIP퍼즐 현상이 나타나고 있음을 알 수 있다. 마지막으로 시가변적인 위험프리미엄을 가정한 후 OLS를 적용한 결과 회귀계수는 2에 근접한 값으로 이론에서 제시한 값보다 크며 유의하지 않다. 이러한 결과를 종합해 볼 때, 미국-한국의 경우, 시간변화를 통해 확률적 변동성을 효율적으로제거한다면 양의 회귀계수를 얻을 수 있었으며 이는 확률적 변동성이 UIP검증결과에 가장 큰 영향을 주었을 것이라고 판단된다. 캐나다와 영국의 경우와는 달리 위험프리미엄이 상수일 경우 양의 값이 유의적인 결과를 얻을 수 있었으나 이론에서제시한 값보다 다소 크다. 따라서 한국의 경우 우리의 모형을 적용할 경우 시가변적 위험프리미엄을 가정할 때 비유의적이긴 하지만 UIP가설에 가장 부합되는 회귀계수 추정치를 얻을 수 있었다. 하지만 표본기간이 상대적으로 짧고 또한 외환위기기간을 포함하고 있기 때문에 큰 사이즈의 점프를 제거하는 방법으로 인한 불가피한 자료의 손실로 인하여 위험프리미엄을 추정하기 위한 충분한 샘플을 확보하지못하였음을 간과할 수는 없을 것이다. 따라서 한국의 사례에서 위험프리미엄 추정에 관한 논의는 추가적 연구가 필요할 것이다. 연속시간 UIP모형 분석 결과Ⅰ Ⅱ Ⅲ ⅣKorea 0.717 1.824 -0.579 1.986(2.789) (0.737) (1.628) (1.870)note: Ⅰ은 시가변적 위험프리미엄을 가정할 경우 우리의 회귀식 (13)에 대한 시간변화 후 도구변수추정법을 Ⅱ는 위험프리미엄이 상수일 경우 시간변화 후 도구변수추정법을 그리고 Ⅲ은 시가변적인 위험프리미엄을 가정하고 고정시간 샘플링 방법을 적용한 후 도구변수추정법을 마지막으로 Ⅳ는 시가변적인 위험프리미엄을 가정한 후 시간변화를 이용한 후 일반적인 최소자승추정법에 의한 결과를 각각 보여준다. 괄호안의 숫자는 표준오차를 나타낸다.3. 위험프리미엄과 이자율간의 관계다음의 은 우리의 모형에서 추정된 위험프리미엄, 을 보여준다. 위험프리미엄을 시간에 대한 평활함수, 즉 삼각함수로 가정했기 때문에 그림에서 보여