머신러닝을 이용한 설비투자 예측 및 분석: 뉴스심리지수와 구글 트렌드 데이터를 중심으로
Forecasting Facilities Investment using Machine Learning: The Role of the News Sentiment Index and Google Trends Data
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
설비투자는 국가의 생산능력을 결정하는 중요한 요인 중 하나이기 때문에, 이에 대한 정확한 예측을 통하여 동향을 파악하고 설비투자를 활성화할 수 있는 적절한 정책시행이 요구된다. 본 연구를 통해 설비투자에 영향을 미치는 다양한 거시경제 변수 외에도 텍스트 데이터(Text Data)인 한국은행 뉴스심리지수(News sentiment index, NSI) 와 구글 트렌드 데이터(Google Trends Data)를 이용하여 설비투자에 대한 예측력을개선할 수 있는지 분석하였다. 설비투자 예측 모형에서 거시경제 관련 설명변수를 이용한 모형의 예측력과 한국은행 뉴스심리지수 및 설비투자 관련 검색어 추세 변화량을추가한 모형의 예측력을 비교하였다. 설비투자 예측 모형의 예측력을 비교하기 위해머신러닝(Machine Learning)에 기반한 Adaptive LASSO, Ridge Regression, Random Forest, Neural Network 모형을 추정한 결과, 거시경제 변수를 포함하는 정형데이터만 활용한 모형의 예측력에 비하여 한국은행 뉴스심리지수와 구글 트렌드 데이터를함께 활용한 모형의 예측력이 개선됨을 보였다. 본 연구의 분석결과에 따르면, 향후설비투자의 예측에 있어 정형데이터 이외에도 뉴스 데이터 및 설비투자와 연관된 검색어 추세 등 텍스트 데이터를 활용한다면 정확도가 개선될 것이며, 더 나아가 이를정책 시행에 이용할 수 있을 것으로 보인다.
Abstract
Since facilities investment is regarded as one of the important factors that determines a country’s production capability, it appears to be necessary to implement a proper policy which helps understand patterns and trends and vitalize facilities investment through an accurate prediction. This study analyzes the predictive power using the Bank of Korea’s News sentiment index (NSI) and Google Trends Data in addition to a variety of macroeconomic variables. We compare the predictive power of the model for forecasting facilities investment using macroeconomic variables only to that of the model including the Bank of Korea’s NSI and Google Trends Data in addition to various macroeconomic variables. We employ Machine Learning-based models such as Adaptive LASSO, Ridge Regression, Random Forest, and Neural Network to compare predictability for facilities investment. The estimation results reveal that predictability is improved with the model using the Bank of Korea’s NSI and Google Trends Data in addition to various macroeconomic variables compared to the model using macroeconomic variables only. Our study suggests that it would be possible to improve the accuracy of prediction through the use of news-related data and a web-based search trend besides structured data and be useful for policy implementation.
참고문헌 (17)
- 김병화, "설비투자 결정요인 분석", 경제분석, 8(4), pp.32~74 (2002), 한국은행
- 김선미, "Machine Learning과 Google Trends Data를 이용한 유가 예측 및 분석", 한국경제학보(구 연세경제연구), 29(2), pp.175~193 (2022), 경제연구소
- 김치호, "경제심리지수의 유용성 및 개선방안에 관한 연구", 한국데이터정보과학회지, 26(6), pp.1335~1351 (2015), 한국데이터정보과학회[DOI]
- 글로벌 금융위기 이후의 설비투자 결정요인 변화, "박영준", 한국은행경기본부, ~ (2017)
- 박철형, "Lasso 기계학습을 이용한 주요 어종의 소비자가격 예측모형에 관한 연구", 해양비즈니스, (52), pp.53~71 (2022), 한국해양비즈니스학회
- 뉴스 텍스트를 이용한 경기 예측: 경제 부문별 텍스트 지표의 작성과 활용, "서범석", 한국은행, ~ (2022)
- 성노윤, "온라인 뉴스 및 거시경제 변수를 활용한 주가예측", Entrue Journal of Information Technology, 16(2), pp.41~54 (2017), 엘지씨엔에스
- 원지수, "벌점회귀를 통한 서울시 미세먼지 예측", 한국데이터정보과학회지, 32(3), pp.631~640 (2021), 한국데이터정보과학회[DOI]
- 유형주, "시계열 자료의 예측을 위한 자료 기반 신경망 모델에 관한 연구: 한강대교 수위예측 적용", 한국방재안전학회논문집, 12(2), pp.73~82 (2019), 한국방재안전학회
- 이용수, "불확실성 하에서의 설비 투자 결정에 대한 연구", 대한설비관리학회지, 11(1), pp.35~50 (2006), 대한설비관리학회
- 최정원, "빅데이터와 인공지능 기법을 이용한 기업 부도예측연구", 2017년 한국재무학회 추계학술대회, pp.396~435 (2017)
- 홍정효, "설비투자, 소비 및 저축률과 경제성장률(GDP)간의 인과성 연구", 지역산업연구, 41(4), pp.313~326 (2018), 산업경영연구소[DOI]
- Bühlmann, P., "Statistics for High-Dimensional Data:Methods, Theory" (2011), Springerverlag Berlin Heidelberg
- Hoerl, A. E., "Ridge regression : Biased estimation for nonorthogonal problems", Technometrics, 12, pp.55~67 (1970)
- Medeiros M. C., "Forecasting Inflation in a Data-Rich Environment : The Benefits of Machine Learning Methods", Journal of Business & Economic Statistics, 39, pp.98~119 (2021)
- Tibshirani, R., "Regression shrinkage and selection via the Lasso", Journal of the Royal Statistical Society, Series B(Methodological), 58, pp.267~288 (1996)
- Zou, H., "The Adaptive Lasso and its oracle properties", Journal of the American Statistical Association, 101, pp.1418~1429 (2006)