[국면전환 예측 프로젝트] - 빅데이터 기반의 국제거시경제 전망모형 개발 연구보고서 리뷰

제 1장 서론

최근 글로벌 경제 환경은 코로나19 팬데믹, 인플레이션 등으로 인해 큰 불확실성에 직면하고 있습니다. 이러한 상황에서 경제 전망의 정확성과 신속성이 그 어느 때보다 중요해졌습니다. 이번 포스트에서는 대외경제정책연구원이 발행한 "빅데이터 기반의 국제거시경제 전망모형 개발 연구" 보고서를 바탕으로, 빅데이터와 머신러닝을 활용한 경제 전망의 현황과 시사점을 자세히 살펴보겠습니다.

 

연구의 배경 및 목적

 

이 연구는 빅데이터를 활용하여 경제성장률을 단기 전망하고, 전통적 통계모형 및 구조적 거시모형의 예측력과 비교 분석하는 것을 목적으로 합니다. 이를 통해 빅데이터와 새로운 분석 기법이 경제 전망의 정확성을 어떻게 향상시킬 수 있는지 평가하고자 합니다.

 

연구의 내용과 구성

 

연구는 총 다섯 개의 장으로 구성되어 있으며, 각 장의 주요 내용은 다음과 같습니다:

1. 서론: 연구의 배경과 목적, 연구 내용과 구성
2. 국제거시경제 전망모형 선행연구: 기존 연구 분석 및 이론적 배경
3. 정형 및 비정형 데이터 기반의 거시경제 전망모형: 다양한 데이터와 분석 기법 소개
4. 모형 추정 및 전망 예측: 데이터 분석 결과 및 예측 성과 비교
5. 결론 및 시사점: 연구 결과 요약 및 정책적, 학술적 시사점 도출

제2장: 국제거시경제 전망모형 선행연구

본 장에서는 경제학 이론을 바탕으로 한 전통적 경제 전망모형에 대해 설명합니다. 특히 소규모 개방경제 동태확률일반균형(SOE-DSGE) 모형을 중심으로, 한국의 GDP 성장률을 전망하는 방법을 다룹니다. SOE-DSGE 모형은 경제정책의 효과를 분석할 수 있는 장점을 지니고 있으나, 모든 데이터를 활용하지 못하는 한계가 있습니다.

 

제3장: 정형 데이터 기반의 거시경제 전망모형

 

이 장에서는 대량의 거시 및 금융 데이터를 활용하여 미국과 한국의 GDP 성장률을 전망합니다. 연구에서는 머신러닝 기법인 랜덤포레스트, 엑스지부스트, LSTM을 활용한 예측모형과, 동적요인모형(DFM) 및 Diffusion Index 모형을 사용합니다. 예측 결과, 머신러닝 기법을 활용함으로써 GDP 성장률 예측력이 향상되었으며, 이는 전통적 계량경제 모형보다 뛰어난 성과를 보였습니다.

 

구체적으로 각국의 다양한 거시ㆍ금융 지표 200여 개를 가용하고 머신러닝 기법 세 가지, 혼합형 모형 다섯가지, 머신러닝 예측조합과 전통적 계량경제 전망모형을 추정하여 GDP 성장률을 전망하였습니다.

• 미국은 1959년 1/4분기부터 2023년 1/4분기까지 총 230개의 거시ㆍ금융 지표, 한국은 1960년 1/4분기부터 2023년 1/4분기까지 총 210개의 거시ㆍ금융 지표를 활용
• 머신러닝은 선행연구에서 예측 성과가 좋았던 랜덤포레스트(Random Forest), 엑스지부스트(XGBoost)와 LSTM(Long Short-Term Memory)을 사용
• 혼합형 모형은 두 가지 머신러닝 기법을 각각 예측변수 선별과 전망에 사용한 방법론으로 본 연구에서는 LASSO/OLS, LASSO/RF, LASSO/XGBoost, RF/OLS, RF/LASSO를 사용
• 전통적 계량경제 전망모형은 자기회귀모형(AR: Autoregressive Model)과 대량의 예측변수를 사용할 수 있는 동적요인모형(DFM: Dynamic Factor Model), Stock and Watson(2002)의 Diffusion Index 모형을 사용

결과적으로 빅데이터를 활용한 머신러닝의 예측 성과가 우수한 편이나 연구에서 채택한 롤링윈도(rolling window)와 훈련 및 검증 집합의 표본 수에 대해 구한 결과라 전망기간, 국가, 시기에 따라 예측력이 달라질 수 있음을 주의해야합니다.

머신러닝 예측조합의 한국 GDP 성장률 예측

 

제4장: 비정형 데이터를 이용한 거시경제 전망모형

 

네이버 검색 데이터를 비정형 데이터로 정의하고, 동적모형 평균화(DMA) 및 선택(DMS) 방법론을 통해 한국의 GDP 성장률을 전망합니다. 네이버 검색지수는 특정 시점의 경제성장률 예측에 유용하며, 검색지수를 이용한 전망 모형이 AR 모형보다 예측력이 높다는 결과를 얻었습니다.

• 구체적으로 한국 GDP 성장률을 전망하는 데 네이버 검색지수를 사용한 DMA와 DMS가 검색지수를 사용하지 않은 OLS, AR(2), 임의보행 모형들보다 예측력이 향상되었습니다.
• 또한 거시변수를 보조하기 위해 네이버 검색지수를 추가한 DMA와 DMS가 거시변수만을 사용한 결과보다 예측력이 개선되어 온라인 검색 데이터가 경제전망에 유용한 정보를 제공할 수 있음을 나타냄.
• 기존의 전망모형들이 평균 회귀적인 성향을 보이는 데 비해 네이버 검색지수를 사용한 DMA와DMS는 변곡점들을 잘 예측하는 것으로 나타나 경기변동 시점에 유용하게 사용될 것으로 보임.
• 네이버 검색지수 8개 중 DMA 모형에 꾸준하게 높은 확률로 기여하는 지수는 실업률, 금리 스프레드와 산업생산임.

온라인 검색 결과 자체가 정확한 경제 정보를 반영하는 것은 아니지만, 기존의 거시경제 데이터가 추적하지 못하는 여론의 흐름 혹은 소비자들의 경제심리 등을 반영할 수 있으므로 경제 전망모형에 보조적인지표로 활용된다면 예측력 향상을 기대할 수 있습니다.

 

2016Q2 ~ 2022Q4 한국 GDP 성장률(QoQ) 전망 결과

제5장: 결론 및 시사점

연구결과 요약

1. 빅데이터와 머신러닝을 활용한 경제 전망
   • 빅데이터를 활용한 경제성장률 전망은 전통적인 통계모형보다 높은 예측력을 보였습니다.
   • 머신러닝 기법을 활용하여 경제성장률을 예측한 결과, 특히 금융위기와 같은 급격한 경제 변동 시기에 뛰어난 예측 성과를 보였습니다.
   • 한국과 미국의 GDP 성장률 예측에서 머신러닝 기법의 성과가 다르게 나타났으며, 이는 국가별 경제 구조와 데이터 특성에 따라 달라질 수 있음을 시사합니다.
2. 머신러닝과 전통적 모형의 비교
   • 머신러닝 모형은 비선형성과 상호의존적 관계를 잘 반영하여 예측력을 높일 수 있습니다.
   • 그러나, 머신러닝은 변수 간의 인과관계를 명확히 제시하지 못하므로, 경제정책 효과 분석에는 한계가 있습니다.
   • 전통적 모형은 이론적 일관성이 높아 경제정책 효과 분석에 유리하나, 데이터 활용의 한계로 예측력이 떨어질 수 있습니다.

시사점

1. 데이터 활용의 중요성
   • 빅데이터를 활용함으로써 잠재적으로 중요한 정보를 추가로 사용할 수 있어 경제성장률 예측력이 향상됩니다.
   • 다양한 소스의 데이터를 발굴하여 거시경제 데이터베이스를 구축하는 것이 중요합니다
     
     • 거시변수만의 사용한 전망모형보다 네이버 검색지수를 이용한 전망치가 경제성장률의 급락 및 반등하는 움직임을 잘 예측하는 것으로 나타나 새로운 소스의 데이터가 경제지표 예측에 중요한 요소임을 짐작할 수 있습니다.
     • 온라인 검색 데이터는 소비자들의 경제심리를 실시간으로 반영하여 급변하는 경기 상황을 전망하는 데 유용하므로 다양한 소스의 자료를 발굴하여 적극적으로 활용할 필요가 있습니다.
2. 머신러닝의 역할
   • 머신러닝 기법은 기존의 경제 모형을 완전히 대체할 수는 없지만, 경제 전망의 보조 지표로서 유용하게 활용될 수 있습니다.
   • 급변하는 경제 상황에서 머신러닝은 기존 모형이 포착하지 못하는 정보를 제공할 수 있습니다.
3. 향후 연구 방향
   • 빅데이터와 전통적 모형을 결합한 새로운 전망 모형의 개발이 필요합니다. 예를 들어, DSGE-DFM 모형과 같은 통합 모형은 더 정교한 경제 전망을 가능하게 할 수 있습니다.
   • 머신러닝 기법의 예측 성과를 향상시키기 위해서는 더 많은 데이터와 고도화된 알고리즘 개발이 필요합니다.

결론

이번 연구는 빅데이터와 머신러닝이 경제성장률 예측에 있어 얼마나 효과적인지 보여주었습니다. 전통적인 예측 모형과 비교했을 때, 빅데이터 기반의 예측 모형이 예측력 향상에 기여할 수 있음을 확인했습니다. 앞으로도 이러한 기술을 활용한 경제 전망 연구가 활발히 이루어지기를 기대합니다.

---

출처

• Baek, Yaein, et al. "Developing an International Macroeconomic Forecasting Model Based on Big Data." KIEP, 2023.

 

이 글은 GPT 모델이 자동 요약한 것을 바탕으로 작성하여 잘못된 내용이 있을 수 있으니 원문을 참고해주세요!
읽으시면서 어색하거나 잘못된 내용을 발견하시면 댓글로 알려주시기를 부탁드립니다!