랜덤 포레스트(Random Forest)의 시계열 적용에 관한 연구: 한국 물가상승률 예측 사례 분석
Random Forest for Stationary Time Series: The Case of Forecasting Inflation in Korea
0
조회
0
다운로드
4
인용
0
참고문헌
키워드
초록
본고는 한국과 미국의 물가상승률 예측에 랜덤 포레스트 모형을 적용할 때, Stationary Bootstrap이나 Moving Block Bootstrap 등 Block Bootstrap을 사용하는 것이 통상적인 독립 부트스트랩(Independent Bootstrap)을 사용하는 것에 비해 통계적으로 유의한 수준으로 예측력을 개선하지는 못한다는 것을 보인다. 그리고 FRED-MD를 참고한 총 93개의 관련 국내외 거시경제/금융 변수들을 사용하고, XGBoost, LSTM 등 다양한 머신러닝 방법을 활용하여 한국의 물가상승률을예측하고 분석한다. 2004년 9월에서 2022년 3월까지의 표본을 이용하였고, 1개월에서 12개월의 예측 대상기간(Forecast Horizon)을 고려하였다. 총 13개의 모형 중 대부분의 예측 대상기간에 있어 예측력이 우수한 모형이 존재하는 것으로나타났는데, 이는 보루타 알고리즘(Boruta Algorism)을 통해 중요한 변수로 분류된 변수들만을 랜덤 포레스트에 적용하는 모형이다. Giacomini and White(2006) 와 Hansen et al.(2009)의 검정을 통해 대부분의 예측 대상기간에서 통계적으로유의하게 예측력이 우수함을 확인하였는데, 특히 경제활동인구 및 취업자 수의증가율 등 고용시장 관련 변수, 기업경기실사지수, 주택가격 변화율 등이 물가상승률 예측에 중요한 변수로 선택되는 것으로 나타났다.
Abstract
This paper first investigates whether adopting the stationary bootstrap or the moving block bootstrap, instead of the usual independent bootstrap, in the random forest method improves forecasting of stationary time series. It is shown that the block bootstrap procedures adopted in the random forest method do not make any statistically significant improvement in Korean or US inflation forecasting. Secondly, we consider inflation forecasting in Korea using 93 macroeconomic/financial variables and various machine learning methods. The samples are from September 2004 to March 2022. Comparing total 13 models, one model outperforms the rest models for most forecast horizons, which is a simplified method of the model proposed by Kim and Han (2022). The method consists of the following two steps: 1) Select important variables based on the Boruta algorithm, 2) Using only those selected variables, implement the random forest and produce a forecast. The tests by Giacomini and White (2006) and Hansen et al. (2009) show that the model provides significantly better forecasts for most forest horizons. In particular, the Boruta algorithm selected total economically active population, total employed persons, BSI, house price as important variables for Korean inflation forecasting.
참고문헌 (28)
- 강규호, "우리나라 소비자물가상승률 예측", 경제분석, 27(4), pp.1~42 (2021), 한국은행
- 김종화, "인플레이션 전망에 있어서 정보변수의 역할", 경제분석, 11(3), pp.34~58 (2005), 한국은행
- 예측조합 및 밀도함수에 의한 소비자물가 상승률 전망, "김현학", 한국은행 경제연구원, 1~33, pp.BOK 경제연구, 제2015-11 (2015)
- 박강우, "고용지표의 유용성: 인플레이션 예측력을중심으로", 경제분석, 20(1), pp.1~32 (2014), 한국은행
- 이진희, "한국 경제변수에 대한 자기회귀 및 벡터자기회귀 모형의 예측성과 비교", 경제분석, 20(4), pp.115~151 (2014), 한국은행
- 장나원, "머신러닝 방법을 활용한 한국의 수출입 증가율 예측 및 분석", 국제경제연구, 28(4), pp.59~89 (2022), 한국국제경제학회[DOI]
- 최인, "Forecasting Korean inflation", 응용경제, 14(3), pp.133~168 (2012), 한국응용경제학회
- 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)
- Faust, J., "Handbook of Economic Forecasting (Vol. 2A)" (2013), Elsevier
- Goehry, B., "Random Forests for Time-dependent Processes", ESAIM : Probability and Statistics, 24, pp.801~826 (2020)
- Hansen, P. R., "A Test of Superior Predictive Aability", 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)
- 김병연, "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), 한국경제학회[DOI]
- Kursa, M. B., "Feature Selection with the Boruta Package", Journal of Statistical Software, 36, pp.1~13 (2010)
- Künsch, H. R., "The Jackknife and the Bootstrap for General Stationary Observations", Annals of Statistics, 17, pp.1217~1241 (1989)
- Lahiri, S. N., "Theoretical Comparisons of Block Bootstrap Methods", Annals of Statistics, 27, pp.386~404 (1999)
- 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)
- Kursa, M. B., "Boruta-A System for Feature Selection", Fundamenta Informaticae, 101, pp.271~285 (2010)
- Patton, A., "Correction to “Automatic Block-length Selection for Dependent Bootstrap,” by D. Politis and H. White", Econometric Rev, 28, pp.372~375 (2009)
- Politis, D. N., "The Stationary Bootstrap", Journal of the American Statistical Association, 89, pp.1303~1313 (1994)
- Politis, D. N., "Automatic Block-length Selection for Dependent Bootstrap", Econometric Rev, 23, pp.53~70 (2004)
- Speiser, J. L., "A Comparison of Random Forest Variable Selection Methods for Classification Prediction Modeling", Expert Systems with Applications, 134, pp.93~101 (2019)
- Modeling Inflation After the Crisis, "Stock, J.", National Bureau of Economic Research, ~ (2010)
- Zou, H. White, "The Adaptive Lasso and its Oracle Properties", Journal of the American Statistical Association, 101(476), pp.1418~1429 (2006)