선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- BasicRNN, LSTM, GRU의 경우 파라미터의 조정에 따라 학습의 결과가 바뀌기 때문에 구조는 고정하되, 그리드서치(grid search) 방법을 통해 정해진 기준 내에서 적합 파라미터를 찾고자 하였다. 미국 금리 차 예측 시, 정규화 작업을 거치는 것이 효과적이기 때문에 MinMaxScaler를 통해 데이터의 범위가 0과 1 사이의 값을 갖도록 변환시켜주었으며, 학습 횟수(Iterations)의 수는 500으로, 학습률(Learning Rate)을 0.
- 또한 Althelaya et al.[2]은 LSTM과 GRU(Gated Recurrent Unit)의 앙상블 모형을 통해 주식 시장을 예측하고자 하였다.
- 한 나라의 경제 불황은 그 나라에만 국한된 것이 아니고, 그 나라의 경제와 무역 규모에 따라 다른 나라에 많은 영향을 미친다. 따라서 국내 금융 상황은 미국의 금융 상황과 상당 부분 동조화되어, 충분한 분석 자료 확보가 쉬운 미국의 금리 스프레드를 이용하여, 간접적으로 한국의 금리 스프레드를 예측하는 모델을 연구하였다.
- 본 연구모델에서 사용되는 데이터는 시간의 순서, 즉 시계열의 속성을 가지고 있다. 따라서 미국의 금리 스프레드 예측을 위해서는 시간의 흐름에 따라 변화하는 시계열 데이터 처리에 좋은 성능을 보이는 RNN 모델을 활용하고자 한다. RNN은 은닉 노드가 순환구조 형태를 보이는 인공신경망의 한 종류이며, 과거 학습 결과가 현재의 학습에 활용되는 딥러닝 네트워크이다.
- 따라서 본 연구에서는 딥러닝 기법을 이용한 한국 금리 스프레드 예측을 위한 모델에 관한 연구를 진행하였다. 하지만 국내의 경제지표들은 딥러닝 기법을 적용하기 위한 자료의 양이 부족한 측면이 존재한다.
- 2009년 서브프라임 모기지 사태 이후 미국의 금리시장과 한국의 금리시장이 동조화되었다. 이에 본 연구는 미국 데이터를 이용하여 2009년 이후의 한국 금리 스프레드를 예측하는 모델을 제안하였다. [Figure 4]와 [Figure 5]에서 볼 수 있듯이 한국 금리 스프레드를 예측하는 앙상블 모델과 SVR 모델 모두 2017년을 예측하지 못한 것을 볼 수 있는데, 이는 45대 미국 대통령 트럼프 당선 시기와 맞물리는 것을 알 수 있다.
제안 방법
- 2017년 1월부터 4월까지의 금리 스프레드 예측은 실제 금리 스프레드의 등락과 정반대인 것을 알 수 있으며, 이에 대한 보정을 위해 예측 모형을 수정하였다. 실제 금리 스프레드 값과 차이가 가장 많이 났던 2017년을 기점으로 기존 SVR 모델을 나누어 기간별로 다르게 학습한 모델을 설계하였고 이것을 수정된 SVR(Modified SVR)로 명명하였다.
- 일반적인 앙상블 모형은 ‘1/요인 수’를 곱하는 형태로 세 가지 모델의 영향력의 비중이 같아지도록 하였다. 그러나 본 연구모델은 각각의 요인들이 한국 금리 스프레드에 끼치는 영향력을 개별적으로 고려할 수 있는 기계 학습 기법의 SVR을 통해 각 요인의 정확한 계수들을 구하여 앙상블 모델을 사용하였다.
- 본 연구에서는 금리 스프레드를 예측하기 위해 미국의 정책이 통화정책에서 금리정책으로 바뀐 시기인 1992년 1월 1일부터 미국 국고채 3개월 물과 10년 물의 스프레드를 월 단위로 분석하였다. 금리 스프레드에 영향을 미치는 요인으로 선행연구에서 학자들이 제시한 요인들과 미국 콘퍼런스 보드(Conference board)에서 매달 발표하는 경기 동향 지표에 영향을 주는 요인들을 사용하였다. 이 과정에서 차원 축소와 변수 추출 기법으로 널리 쓰이고 있는 주성분 분석(PCA)을 활용하여 차원이 축소된 주성분을 통해 금리 스프레드 예측 모델을 구현하였다.
- 각 모델의 은닉층 노드의 내부 구조는 [Figure 2]를 통해 확인할 수 있다. 다수의 경제지표 데이터를 입력받아 금리스프레드 예측값을 출력하는 다대일(many-to-one) 모델을 설계한다.
- 이 과정에서 미국 금리 스프레드에 영향을 주는 요인들을 PCA(Principal Component Analysis) 분석을 통해 차원을 축소한 후 딥러닝 모델의 독립변수로 사용하여 미국 금리 스프레드를 예측하는 BasicRNN, GRU, LSTM 세 가지 딥러닝 모델을 구현하였다. 다음 단계로 예측된 미국 금리 스프레드를 이용하여 SVR 앙상블 모델을 통해 한국 금리 스프레드를 예측하는 모델을 설계하였다.
- 또한, 딥러닝에서 하나의 요인이 증가하면, 하나의 차원이 증가하게 되는데, 이는 데이터 간의 거리를 증가시키고 모델을 복잡하게 하여 과적합 위험이 커지는 경향이 존재한다. 따라서 주성분 분석을 통해 축약된 주성분을 금리 스프레드 예측을 위한 지표로 사용하였다. 그리고 실증분석 결과는 다음 장에서 제시하였다.
- 본 논문은 제 2장에서 금리 스프레드에 관한 선행연구와 시계열 데이터 예측에 관한 연구를 조사, 분석하였으며, 제 3장에서는 본 연구에서 사용하는 요인들과 차원 축소를 위해 주성분 분석을 하였고, 시계열 예측에 활용되는 RNN(Recurrent Neural Network)가 모델, 분류와 회귀분석에 사용되는 SVR(Support Vector Regression) 모델을 제시하였다. 제 4장에서는 3장에서 제시한 분석 모델에 관한 결과를 논하였다.
- 본 연구는 미국 금리 스프레드에 영향을 주는 27가지 요인을 주성분 분석을 통해 새로운 5가지 차원의 독립변수로 차원을 축소하여, 이를 이용한 RNN 모델을 통해 미국 금리 스프레드를 예측하였다. 그리고 미국 금리 스프레드 예측값들로 SVR 앙상블 모델을 통해 한국 금리 스프레드를 예측하여, 상당히 높은 예측력을 보여주었다.
- 이를 일반 앙상블 모델(Normal Ensemble)이라 명명한다. 본 연구의 한국 금리 스프레드의 예측을 위해 사용한 SVR 앙상블 모델의 우수성을 입증하기 위해 일반 앙상블 모델을 대조군으로 설정하여 비교 분석을 하였다. 일반 앙상블 모델을 통해 한국 금리 스프레드를 예측한 결과, [Figure 5]와 같이 실제 한국 금리 스프레드를 예측하였다.
- 2017년 1월부터 4월까지의 금리 스프레드 예측은 실제 금리 스프레드의 등락과 정반대인 것을 알 수 있으며, 이에 대한 보정을 위해 예측 모형을 수정하였다. 실제 금리 스프레드 값과 차이가 가장 많이 났던 2017년을 기점으로 기존 SVR 모델을 나누어 기간별로 다르게 학습한 모델을 설계하였고 이것을 수정된 SVR(Modified SVR)로 명명하였다. [Figure 6(a)], [Figure 6(c)]는 2011년부터 2019년까지 전체기간을 학습하여, 금리 스프레드를 예측한 결과를 2017년 기준으로 나누어서 나타냈다.
- 앞서 언급한 것과 같이 세 가지 딥러닝 모델을 통한 미국 금리 스프레드 예측값을 독립변수로 활용하여, SVR 앙상블 모델을 설계하였다. 딥러닝 모델 간의 장단점이 존재하므로 단점을 감소시키고, 장점을 증가시키기 위해 앙상블 모델을 사용하고자 하였다.
- 앞서 제시한 BasicRNN, LSTM, GRU 모델의 결과를 통해 획득한 미국 금리 스프레드 예측 데이터를 조합하여 SVR 앙상블 모델을 통해 한국의 금리 스프레드 예측 모델을 설계하였다. 파라미터는 그리드 서치를 통해 γ(gamma)는 0.
- 본 연구모델은 한국 금리 스프레드를 예측하기 위해 미국의 금리 스프레드를 이용한다. 연구모델은 두 가지 과정을 거치게 되는데, 첫 번째는 딥러닝 모델을 이용하여 미국의 금리 스프레드를 예측하는 것이다. 이 과정에서 미국 금리 스프레드에 영향을 주는 요인들을 PCA(Principal Component Analysis) 분석을 통해 차원을 축소한 후 딥러닝 모델의 독립변수로 사용하여 미국 금리 스프레드를 예측하는 BasicRNN, GRU, LSTM 세 가지 딥러닝 모델을 구현하였다.
- 연구모델은 두 가지 과정을 거치게 되는데, 첫 번째는 딥러닝 모델을 이용하여 미국의 금리 스프레드를 예측하는 것이다. 이 과정에서 미국 금리 스프레드에 영향을 주는 요인들을 PCA(Principal Component Analysis) 분석을 통해 차원을 축소한 후 딥러닝 모델의 독립변수로 사용하여 미국 금리 스프레드를 예측하는 BasicRNN, GRU, LSTM 세 가지 딥러닝 모델을 구현하였다. 다음 단계로 예측된 미국 금리 스프레드를 이용하여 SVR 앙상블 모델을 통해 한국 금리 스프레드를 예측하는 모델을 설계하였다.
- 금리 스프레드에 영향을 미치는 요인으로 선행연구에서 학자들이 제시한 요인들과 미국 콘퍼런스 보드(Conference board)에서 매달 발표하는 경기 동향 지표에 영향을 주는 요인들을 사용하였다. 이 과정에서 차원 축소와 변수 추출 기법으로 널리 쓰이고 있는 주성분 분석(PCA)을 활용하여 차원이 축소된 주성분을 통해 금리 스프레드 예측 모델을 구현하였다.
- 그러나 한국 금리 스프레드를 예측하는데 데이터의 수가 부족하다. 이를 보완하기 위해 데이터의 양이 상대적으로 많은 미국 금리 스프레드를 이용하여 한국 금리 스프레드를 예측하였다.
- 이를 위해서 한국과 미국 금리 스프레드 상관분석을 실시하였다. 미국의 장단기 금리 스프레드의 장기 국채는 10년 물로 하였고 단기 국채는 3개월물로 정의되고 있다.
- 주성분 분석에서 도출된 5가지 주성분을 독립변수로 사용하여 앞서 제시한 3가지 모델(BasicRNN, LSTM, GRU)을 구현하였다.
대상 데이터
- [1]의 소비자 물가지수 Park et al.[19]의 산업생산지수의 데이터가 본 연구에 사용되었다.
- 나머지 14가지 요인은 경기지표 중 선행, 동행, 후행지수를 사용하였다. 경기 동향 지표는 미국의 각종 경제지표에 대해서 조사, 분석 발표하는 미국 콘퍼런스보드의 자료를 이용하였다. 이 지표들은 경기 선행지수, 경기 동행지수, 경기 후행지수로 이루어져 있다.
- 데이터를 구성하는 요인은 총 27가지로 앞에서 조사한 금리 스프레드에 영향을 주는 요인 중 중복되는 요인을 제외한 13가지의 요인을 사용했다. Far and Arriff[7]의 연구에서는 무역수지, GDP 성장, 소비자 생산 지수, 구매자 관리지수 Min[18]의 부채 비율, 상업 및 산업 대출, 유가, 환율, 금리 Cheng et al.
- 본 연구모델에서 사용되는 데이터는 시간의 순서, 즉 시계열의 속성을 가지고 있다. 따라서 미국의 금리 스프레드 예측을 위해서는 시간의 흐름에 따라 변화하는 시계열 데이터 처리에 좋은 성능을 보이는 RNN 모델을 활용하고자 한다.
- 본 연구에서는 금리 스프레드를 예측하기 위해 미국의 정책이 통화정책에서 금리정책으로 바뀐 시기인 1992년 1월 1일부터 미국 국고채 3개월 물과 10년 물의 스프레드를 월 단위로 분석하였다. 금리 스프레드에 영향을 미치는 요인으로 선행연구에서 학자들이 제시한 요인들과 미국 콘퍼런스 보드(Conference board)에서 매달 발표하는 경기 동향 지표에 영향을 주는 요인들을 사용하였다.
- 경기 후행지수는 현재 경기의 사후 확인에 이용되며, 평균 실업 기간, 생산 단위 노동비용, 은행 평균 대출 금리, 서비스 소비자 가격 지수, 무역 재고 판매 비율이 사용되었다. 위 요인들은 세인트루이스 연방 준비은행에서 제공하는 데이터베이스, FRED(Federal Reserve Economic Data)에서 추출했으며, 1992년 1월 1일부터 2019년 10월 1일까지 월간 데이터의 종가를 사용했다.
- 01로 설정하였다. 활용한 금리 스프레드 예측을 위한 변수들의 기간을 고려하여 시퀀스(Sequence)는 1년, 12달 데이터를 기준으로 학습하여 12로 설정하였다. 각 순환신경망 모형의 은닉층은 10개의 층을 사용하였으며, 활성화 함수로는 tanh, 손실 함수로는 RSME(Root Mean Square Error), 최적화 방법은 Adam Optimizer를 활용하였다.
데이터처리
- [Table 1]은 수집한 27개의 요인에 대한 주성분 분석 결과이다. SPSS(Statistical Package for the Social Sciences)를 사용하여 분석하였고, 요인 회전은 Varimax방식을 채택하여 고유값이 1 이상인 주성분만 제시하였다. 주성분 분석을 통해 생성된 주성분 1은 전체 27개의 인자 특성 중 약 57%를 나타내고 있고, 주성분 2는 약 14%를 나타내고 있다.
- 실제 데이터와 예측 데이터 간 오차의 평균 제곱합 RMSE를 활용하여 개별 모델들을 평가하는 지표로 사용했다.
이론/모형
- 활용한 금리 스프레드 예측을 위한 변수들의 기간을 고려하여 시퀀스(Sequence)는 1년, 12달 데이터를 기준으로 학습하여 12로 설정하였다. 각 순환신경망 모형의 은닉층은 10개의 층을 사용하였으며, 활성화 함수로는 tanh, 손실 함수로는 RSME(Root Mean Square Error), 최적화 방법은 Adam Optimizer를 활용하였다.
- 그리고 Φ(x)는 입력 변수의 x를 고차원으로 변환하는 함수를 의미한다. 그리고 본 논문에서 사용한 SVR 모델은 RBF kernel을 사용한다. RBF kernel은 재무 관련 시계열 데이터를 예측할 때 더욱 광범위하게 사용되며, 다른 유형의 kernel보다 우수하다고 할 수 있다[11].
- 앞서 언급한 것과 같이 세 가지 딥러닝 모델을 통한 미국 금리 스프레드 예측값을 독립변수로 활용하여, SVR 앙상블 모델을 설계하였다. 딥러닝 모델 간의 장단점이 존재하므로 단점을 감소시키고, 장점을 증가시키기 위해 앙상블 모델을 사용하고자 하였다. 일반적인 앙상블 모형은 ‘1/요인 수’를 곱하는 형태로 세 가지 모델의 영향력의 비중이 같아지도록 하였다.
- 본 연구모델은 한국 금리 스프레드를 예측하기 위해 미국의 금리 스프레드를 이용한다. 연구모델은 두 가지 과정을 거치게 되는데, 첫 번째는 딥러닝 모델을 이용하여 미국의 금리 스프레드를 예측하는 것이다.
성능/효과
- 미국의 경우 장단기 금리 역전 이후 대체로 12~24개월 안에 경기침체가 뒤따랐다. 80년 이후 장단기 금리가 역전되고 나면 평균적으로 15개월 내외에서 경기침체가 발생하고 있음을 경제 데이터를 통해 확인할 수 있다. 따라서 금리 스프레드의 역전을 예측할 수 있다면 불황에 미리 대비할 수 있고 불황에 도달하지 않도록 적절한 정책을 사용할 수 있을 것이다.
- 0905로 SVR 앙상블 모델에 비해 높은 값을 나타내었으며, 실제 데이터의 추세를 반영하지 못하는 구간이 존재하였다. SVR 앙상블 모델이 일반 앙상블 모델보다 RMSE와 경향성 측면에서 뛰어난 예측력을 보이며 등락에 기민하게 예측한다. 하지만 두 모델 모두 2017년~2018년 구간에서 예측의 정확도가 다른 기간에 비해 낮음을 확인하였다.
- 본 연구는 미국 금리 스프레드에 영향을 주는 27가지 요인을 주성분 분석을 통해 새로운 5가지 차원의 독립변수로 차원을 축소하여, 이를 이용한 RNN 모델을 통해 미국 금리 스프레드를 예측하였다. 그리고 미국 금리 스프레드 예측값들로 SVR 앙상블 모델을 통해 한국 금리 스프레드를 예측하여, 상당히 높은 예측력을 보여주었다.
- 이것은 2008년 서브프라임 모기지 사태 이후 미국의 금융 정책에 대한 영향이 이 전보다 훨씬 증가하였음을 보여주고 있다. 그리고 이 분석을 통해 미국의 금리 스프레드를 이용한 국내 금리 스프레드 예측이 유효한 전략임을 보여주고 있다.
- 주성분 분석은 상관관계가 높지 않고, 독립성이 약한 다수의 변수 조합을 통해, 그 변수들의 정보를 가장 많이 나타낼 수 있는 새로운 변수를 생성하는 것으로, 차원을 축소하거나 단순화하는 다변량 자료 분석 기법이다[17]. 본 연구를 위해 수집한 27개 요인 간의 관계가 분명치 않아 금리 스프레드를 예측하는 모형의 데이터로 모두 사용하는 것은 비효율적인 측면이 존재한다. 또한, 딥러닝에서 하나의 요인이 증가하면, 하나의 차원이 증가하게 되는데, 이는 데이터 간의 거리를 증가시키고 모델을 복잡하게 하여 과적합 위험이 커지는 경향이 존재한다.
- 정책의 급격한 변화는 예측에 변동을 발생시키므로, 예측 시 발생할 수 있는 각 국가의 상황을 고려한 모델이 필요하다. 셋째, RNN 모델(BasicRNN, LSTM, GRU) 3가지를 조합한 SVR 앙상블 모델을 통해 향상된 성능의 예측 모델을 제시하였으며, 이는 단순 앙상블보다 높은 성능을 보여주었다.
- 이 모델 연구를 통해 서브프라임 모기지 사태 이후 실행한 미국의 정책에 의해 전 세계의 여러 나라가 동조화 되어있음을 보여주었고, 미국 금리 스프레드의 요인들을 활용하여 다른 나라의 금리 스프레드를 예측에도 큰 도움이 된다는 것을 보여주었다. 또한, 국가별 예측뿐만 아니라 국제 경제 상황을 나타낸 글로벌 데이터를 사용하여 금리 스프레드를 예측할 수 있을 것이다.
- 본 연구에서 구현 모델을 통해 다음과 같은 시사점을 도출할 수 있었다. 첫째, 장기간 수집된 미국의 데이터를 통하여 한국의 금리 스프레드에 대한 매우 높은 예측도를 보여주고 있다. 이는 세계적으로 진행된 경제 동조화의 결과로 보인다.
후속연구
- 80년 이후 장단기 금리가 역전되고 나면 평균적으로 15개월 내외에서 경기침체가 발생하고 있음을 경제 데이터를 통해 확인할 수 있다. 따라서 금리 스프레드의 역전을 예측할 수 있다면 불황에 미리 대비할 수 있고 불황에 도달하지 않도록 적절한 정책을 사용할 수 있을 것이다.
- 이 모델 연구를 통해 서브프라임 모기지 사태 이후 실행한 미국의 정책에 의해 전 세계의 여러 나라가 동조화 되어있음을 보여주었고, 미국 금리 스프레드의 요인들을 활용하여 다른 나라의 금리 스프레드를 예측에도 큰 도움이 된다는 것을 보여주었다. 또한, 국가별 예측뿐만 아니라 국제 경제 상황을 나타낸 글로벌 데이터를 사용하여 금리 스프레드를 예측할 수 있을 것이다. 세계화로 인해 전 세계의 경제는 연동되어 있으므로 한나라의 데이터가 아닌 글로벌 데이터를 이용하면 다양한 모델을 구현할 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.