머신러닝 기법을 이용한 한국 인플레이션 예측:시계열 지속성과 머신러닝 예측의 관계에 관한 사례 연구
Forecasting Korean Inflation: A Case Study on Relationship between Time Series Persistence and Machine Learning Forecasting
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본고는 XGBoost(Extreme Gradient Boosting), LSTM(Long Short-Term Memory) 등 다양한 머신러닝 방법을 포함한 총 13개의 모형을 활용하여 한국의 전년동월대비 물가상승률을 예측/분석하고 이를 통해 시계열 지속성과 머신러닝 예측 간의 관계에 관한 시사점을 제시한다. FRED-MD를 참고한 총 93개의 관련 국내외 거시경제/금융 변수들을 설명변수로 사용하고, 2004년 8월에서 2023년 6월까지의 표본을 고려하였다. 전월대비 물가상승률의 경우와는 달리 시계열 지속성(Persistence)이 높은 전년동월대비 물가상승률을 종속변수로 삼고 머신러닝 방법을 적용하여 예측할 때, 머신러닝 모형들의 예측력이 크게 떨어져 오히려 임의보행(Random Walk) 모형보다 예측오차가 더 큰 것으로 나타났다. 머신러닝 기법으로 시계열 지속성이 낮은 전월대비 물가상승률 예측치를 구하고 이를 통해 전년동월대비 물가상승률 예측치를 계산하면 전년동월대비 물가상승률 자체를 예측하는 경우에 비해 전반적으로 예측오차가 줄어드는 것을 확인하였고, 이 방법을 통해 전년동월대비 물가상승률 자체를 임의보행 모형으로 예측할 때보다 통계적으로 유의한 수준으로 우월한 예측치를 구할 수도 있는 것으로 나타났다.
Abstract
This paper investigates the forecasting of both month-on-month and year-on-year inflation rates in Korea, exploring the relationship between time series persistence and machine learning methodologies. Leveraging a dataset comprising 93 macroeconomic and financial variables spanning from August 2004 to June 2023, we employ various machine learning methods, including XGBoost and LSTM. While month-on-month inflation rates exhibit lower persistence, year-on-year rates demonstrate high persistence. Machine learning methods notably enhance month-on-month inflation forecasting accuracy. However, for year-on-year inflation forecasting, these methods perform less favorably compared to the random walk model. This underscores the necessity of caution when applying machine learning to highly persistent time series. Interestingly, converting month-on-month forecasts into year-on-year predictions yields reduced forecast losses and, in some cases, significantly outperforms the random walk model. Our results offer valuable insights for practitioners and policymakers seeking to leverage machine learning for inflation forecasting, emphasizing the nuanced impact of time series persistence on forecasting effectiveness.
참고문헌 (20)
- 강규호, "우리나라 소비자물가상승률 예측", 경제분석, 27(4), pp.1~42 (2021), 한국은행 경제연구원
- 김종화, "인플레이션 전망에 있어서 정보변수의 역할", 경제분석, 11(3), pp.31~58 (2005), 한국은행 경제연구원
- 예측조합 및 밀도함수에 의한 소비자물가 상승률 전망, "김현학", 한국은행 경제연구원, 1~33, pp.『BOK 경제연구』,제2015-11 (2015)
- 박강우, "고용지표의 유용성 : 인플레이션 예측력을 중심으로", 경제분석, 20(1), pp.1~32 (2014), 한국은행 경제연구원
- 이진희, "한국 경제변수에 대한 자기회귀 및 벡터자기회귀 모형의예측성과 비교", 경제분석, 20(4), pp.114~150 (2014), 한국은행 경제연구원
- 장나원, "머신러닝 방법을 활용한 한국의 수출입 증가율 예측 및 분석", 국제경제연구, 28(4), pp.59~89 (2022), 국제경제학회
- 최인, "한국의 인플레이션 예측", 응용경제, 14(3), pp.133~168 (2012)
- 한희준, "램덤 포레스트(Random Forest)의 시계열 적용에 관한 연구: 한국물가상승률 예측 사례 분석", 경제학연구, 71(3), pp.37~73 (2023), 한국경제학회
- Bai, J., "Forecasting economic time series using targeted predictors", Journal of Econometrics, 146, pp.304~317 (2009)
- Breiman, L., "Random Forests", Machine Learning, 45, pp.5~32 (2001)
- Clark, T., "Tests of equal forecast accuracy and encompassing for nested models", Journal of Econometrics, 105, pp.85~110 (2001)
- Giacomini, R., "Tests of conditional predictive ability", Econometrica, 74(6), pp.1545~1578 (2006)
- Hansen, P. R., "A test of superior predictive ability", Journal of Business & Economic Statistics, 23(4), pp.365~380 (2005)
- Hansen, P. R., "The model confidence set", Econometrica, 79(2), pp.453~497 (2011)
- Kim, B. Y., "Multi-step-ahead forecasting of the CBOE volatility index in a data-rich environment : Application of random forest with Boruta algorithm", The Korean Economic Review, 38(3), pp.541~569 (2022)
- Kursa, M. B., "Feature selection with the Boruta Package", Journal of Statistical Software, 36, pp.1~13 (2010)
- Masini, R. P., "Machine learning advances for time series forecasting", Journal of Economic Surveys, 37(1), pp.76~111 (2023)
- Medeiros, M. C., "Forecasting Inflation in a Data-rich Environment : The Benefits of Machine Learning Methods", Journal of Business & Economic Statistics, 39(1), pp.98~119 (2021)
- Speiser, J. L., "A Comparison of random forest variable selection methods for classification prediction modeling", Expert Systems with Applications, 134, pp.93~101 (2019)
- Zou, H., "The adaptive lasso and its oracle properties", Journal of the American Statistical Association, 101(476), pp.1418~1429 (2006)