Forecasting with Feedback

🦠 비유 1: 전염병 예보와 예방 행동 (예측이 현실을 바꾸는 경우)

먼저, 전염병 유행 상황을 생각해 보세요.
역학자가 "다음 주에 감염자 수가 급증할 것입니다"라고 예측한다고 가정해 봅시다.

이 예측을 들은 사람들은 위생 수칙을 철저히 지키고, 불필요한 외출을 자제하며, 마스크를 더 꼼꼼히 씁니다. 그 결과, 실제 발생한 감염자 수는 예측했던 수치보다 훨씬 적게 늘어납니다.

여기서 예측이 현실을 바꿔버린 것입니다. 역학자의 말 (예측) 이 사람들의 행동 (예방 조치) 을 자극했고, 그 행동이 다시 실제 결과 (감염자 수) 를 바꿨습니다. 이를 논문에서는 **'피드백 (Feedback)'**이라고 부릅니다.

즉, 이 모델에서 '피드백'이란 예측된 변수의 실제 결과가, 그 예측에 대한 사람들의 대응 행동에 의해 결정되는 상황을 의미합니다.

🌧️ 비유 2: 날씨 예보와 폭우 (예측이 현실을 바꾸지 않는 경우)

반면, 날씨 예보는 이와 다릅니다.
예보관이 "내일 비가 올 것입니다"라고 예측하면, 사람들은 우산을 챙기거나 소풍을 취소합니다. 하지만 우리가 우산을 챙긴다고 해서 비가 오지 않거나, 비가 더 많이 오지는 않습니다. 비는 하늘의 결정이지, 우리의 행동이 바꿀 수 있는 것이 아니죠.

이런 경우, 예보관은 "정확한 날씨"만 예측하면 됩니다. 만약 예보가 틀렸다면, 그것은 예보관이 무능하거나 정보가 부족해서일 뿐입니다.

이 논문이 다루는 핵심은 바로 날씨가 아닌, 전염병이나 경제 지표처럼 '예측이 결과를 바꿀 수 있는' 상황입니다.

🏦 비유 3: 중앙은행과 인플레이션 (경제학에서의 피드백)

이 논문이 다루는 핵심은 바로 중앙은행의 금리 결정 같은 상황입니다.
중앙은행의 예보관 (예: 미국 연방준비제도) 이 "내년 인플레이션이 5% 로 치솟을 것이다"라고 예측한다고 가정해 봅시다.

예측: 예보관이 "5% 로 오를 거야!"라고 말합니다.
반응: 중앙은행 총재는 이 예보를 듣고 "오, 인플레이션이 너무 높네! 금리를 확 올려서 잡아야겠다"라고 결정합니다.
결과: 금리를 올린 결과, 실제 인플레이션은 5% 가 아니라 2% 로 떨어집니다.

여기서 예측이 현실을 바꿔버린 것입니다. 예보관의 말 (예측) 이 총재의 행동 (정책) 을 자극했고, 그 행동이 다시 실제 결과 (인플레이션) 를 바꿨습니다.

🎯 핵심 문제: 왜 예측이 '의도적으로' 틀릴까?

일반적으로 우리는 "예측은 정확해야 한다"고 생각합니다. 하지만 이 논문은 **"예측이 정확하지 않은 것이 오히려 더 현명할 수 있다"**고 주장합니다.

예를 들어 들어볼까요?

상황: 예보관 (나) 은 중앙은행 총재 (상사) 가 내 예보에 어떻게 반응할지 정확히 알 수 없습니다.

내 예보가 "인플레이션이 5% 로 오를 거야"라고 하면, 상사는 금리를 완전히 올릴 수도 있고, 반만 올릴 수도 있고, 아예 안 올릴 수도 있습니다. (이게 바로 '불확실성'입니다.)

만약 내가 "정확히 5% 가 될 거야"라고 말하면, 상사가 금리를 너무 많이 올려서 인플레이션이 0% 로 떨어질 수도 있습니다. 반대로 상사가 금리를 아예 안 올리면 인플레이션은 10% 로 폭등할 수도 있습니다.

이때 내가 가장 좋은 전략은 무엇일까요?
정확한 5% 를 말하는 게 아니라, **"아마 3~4% 사이일 거예요"**라고 약간 낮게 (편향되게) 예측하는 것입니다.

이유: 내가 예측을 조금만 낮게 하면, 상사가 금리를 덜 올리거나, 더 많이 올릴지라도 결과물이 극단적으로 치우치는 것을 막을 수 있습니다.
결과: 내 예측은 '편향 (Bias)'이 생깁니다. 하지만 이 편향 덕분에 실제 결과와 예측의 차이 (오차) 가 전체적으로 더 작아집니다.

즉, 정확한 예측을 하려고 애쓰는 것보다, 예측을 살짝 왜곡해서 '실수'의 범위를 줄이는 것이 더 현명한 선택이 될 수 있다는 것입니다.

🧩 이 논문의 주요 발견 3 가지

편향된 예측은 '바보'가 아닙니다:
과거에는 예측이 틀리면 예보관이 무능하거나, 실수를 두려워해서 일부러 틀리게 예측한다고 생각했습니다. 하지만 이 논문은 **"예측이 정책 결정에 영향을 주고, 그 정책이 다시 결과를 바꿀 때, 예측이 의도적으로 틀리는 것이 오히려 최선"**이라고 말합니다.
예측과 결과의 관계가 뒤틀립니다:
통계학에서는 보통 "예측이 높으면 결과도 높다"는 관계가 1:1 로 이어져야 한다고 봅니다. 하지만 이 모델에서는 예측이 높을수록 상사가 과잉 대응을 해서 결과가 오히려 낮아질 수 있습니다. 그래서 통계 그래프를 그렸을 때 예측과 결과가 반대로 움직이거나, 전혀 상관없어 보이는 이상한 모양이 나올 수 있습니다.
불확실성이 핵심입니다:
만약 예보관이 상사의 반응을 100% 정확히 안다면, 예측을 정확히 맞춰서 상사가 적절히 대응하게 만들 수 있습니다. 하지만 상사의 반응이 불확실할 때 (예: 위원회 결정이라 누가 어떻게 할지 모름), 예보관은 예측을 살짝 왜곡해서 '안전장치'를 마련하게 됩니다.

💡 결론: 우리가 배울 수 있는 교훈

이 논문은 **"예측이 틀린 이유를 무조건 예보관의 실수로 돌리지 말라"**고 경고합니다.

날씨 예보처럼 예측이 결과에 영향을 주지 않는 분야는 정확해야 합니다.
하지만 경제 정책, 주식 시장, 선거 결과처럼 예측이 사람들의 행동을 바꾸고, 그 행동이 다시 결과를 바꾸는 분야에서는 예측이 '편향'되어 있는 것이 오히려 합리적일 수 있습니다.

마치 비행기 조종사가 바람이 어떻게 불지 정확히 모를 때, 목적지보다 약간 더 멀리 날아가서 착륙 지점에 정확히 도착하려는 것과 같습니다. 우리는 그 '약간의 오차'를 보고 조종사가 실수했다고 비난하기보다, **"아, 바람이 불어올지 모를 때를 대비해 살짝 더 멀리 가는 전략을 쓴구나"**라고 이해해야 합니다.

이 논문은 바로 그런 전략적인 예측의 세계를 수학적으로 증명해 보인 것입니다.

1. 연구 문제 (Problem)

전통적인 예측 이론에서는 예측이 체계적인 편향 (systematic bias) 을 보일 때, 이를 예측자의 비합리성 (irrationality) 이나 비대칭적 손실 함수 (asymmetric loss) 의 결과로 해석합니다. 그러나 본 논문은 다음과 같은 새로운 상황을 제시합니다.

예측 - 정책 - 결과의 피드백 루프: 중앙은행의 인플레이션 예측과 같은 경우, 예측은 정책 결정 (예: 금리 조정) 을 유도하고, 이 정책 결정이 다시 실제 인플레이션 (예측 대상) 에 영향을 미칩니다.
불확실성: 예측자는 정책 결정자 (DM, Decision Maker) 가 예측에 어떻게 반응할지 완벽하게 알지 못합니다 (예: 위원회 내 의견 불일치, 비공개 전략 등).
핵심 질문: 예측자가 이차 손실 함수 (MSE 최소화) 를 가진 합리적 행위자임에도 불구하고, 이러한 피드백 환경에서 왜 예측이 편향될 수 있으며, 그 통계적 특성은 무엇인가?

2. 방법론 (Methodology)

저자들은 게임 이론과 통계적 예측 모델을 결합한 전략적 상호작용 모델을 구축했습니다.

모델 구조:
- 예측자 (Forecaster): 경제 상태 $\theta_t$ 를 관찰하고 예측치 $f_t$ 를 발표합니다. 손실 함수는 $L = (y_{t+1} - f_t)^2$ (이차 손실) 입니다.
- 결과 방정식: 실제 결과 $y_{t+1} = \theta_t + a_t + \epsilon_{t+1}$ 로 정의됩니다. 여기서 $a_t$ 는 정책 결정자의 행동입니다.
- 정책 결정자 (DM): 예측 $f_t$ 를 관찰하여 목표치 $y^T$ 에 도달하기 위해 행동 $a_t$ 를 취합니다. DM 의 반응 함수는 $a_t = x_t(y^T - E[\theta_t|f_t])$ 로 모델링됩니다.
- 불확실성: DM 의 반응 강도를 결정하는 매개변수 $x_t$ 는 예측자에게는 확률 분포로만 알려져 있고, DM 에게는 사적 정보 (private information) 입니다. 이는 예측자가 DM 의 반응을 완벽하게 예측할 수 없음을 의미합니다.
해법:
- 예측자는 DM 의 반응 함수를 고려하여 기대 손실 (MSE) 을 최소화하는 예측 규칙을 도출합니다.
- 균형 (Equilibrium): DM 이 예측자의 전략을 정확히 이해하고 이에 반응하는 '완전 베이지안 균형 (Perfect Bayesian Equilibrium, PBE)'을 분석합니다.
- 통계적 분석: 최적 예측의 편향 (bias) 과 민서 - 자른비츠 (Mincer-Zarnowitz, MZ) 회귀 계수 (절편과 기울기) 를 유도합니다.

3. 주요 기여 (Key Contributions)

이차 손실 하의 최적 편향 발견: 기존 문헌에서는 이차 손실 하에서 최적 예측은 편향이 없어야 한다고 보았습니다. 본 논문은 피드백과 정책 반응에 대한 불확실성이 공존할 때, 예측자가 편향된 예측을 하는 것이 오히려 MSE 를 최소화하는 전략임을 증명했습니다.
편향 - 분산 트레이드오프 (Bias-Variance Tradeoff) 메커니즘: 예측자가 DM 의 불확실한 반응을 완화하기 위해 예측의 민감도 (slope) 를 낮추면, 결과적으로 예측치와 실제 값 사이의 체계적인 오차 (편향) 가 발생하지만, 전체적인 결과의 변동성 (분산) 을 줄여 총 MSE 를 감소시킵니다.
MZ 회귀 계수의 비선형성: 전통적인 합리적 예측에서는 MZ 회귀의 절편이 0 이고 기울기가 1 이어야 합니다. 그러나 본 모델에서는 불확실성과 정책 반응 강도에 따라 기울기가 0 에 가까워지거나, 심지어 음수가 될 수도 있음을 보여줍니다.
실증적 동기 부여: 연방준비제도 (Fed) 의 그린북 (Greenbook) 인플레이션 예측 데이터에서 관찰되는 "시간에 따라 부호가 변하는 편향"과 "MZ 기울기의 급격한 변화 (심지어 음수)"를 이 모델로 설명할 수 있음을 제시합니다.

4. 주요 결과 (Key Results)

최적 예측의 편향:
- 예측자는 DM 의 반응을 완전히 예측할 수 없기 때문에, 편향을 0 으로 만들면 결과의 분산이 커집니다.
- 따라서 예측자는 예측치를 목표치 ( $y^T$ ) 쪽으로 "당겨서" (shrinkage) 결과의 변동성을 줄이는 편향을 선택합니다.
- 편향의 부호는 경제 상태 ( $\theta_t$ ) 가 목표치보다 높을 때 과소평가 (underprediction), 낮을 때 과대평가 (overprediction) 되는 식으로 변합니다.
MZ 회귀의 통계적 특성:
- 절편 (Intercept): 0 이 아니며, 목표치와 불확실성에 의존합니다.
- 기울기 (Slope): 1 이 아니며, DM 의 평균 반응 강도 ( $\mu$ $μ$ ) 와 불확실성 ( $\tau^2$ $τ^{2}$ ) 에 따라 다양한 값을 가집니다.
  - 불확실성이 높고 DM 이 공격적으로 반응할 때 기울기는 0 에 수렴하거나 음수가 될 수 있습니다.
  - 불확실성 ( $\tau^2 \to 0$ ) 이 사라지면 기울기는 1 로, 절편은 0 으로 수렴하여 전통적인 합리적 예측의 특성을 회복합니다.
균형 존재 조건:
- 정책 반응의 불확실성 ( $\tau^2$ ) 이 일정 임계값 (예: $1/4$ ) 을 초과하면 선형 균형이 존재하지 않을 수 있습니다. 이는 예측자가 DM 의 반응을 전혀 예측할 수 없을 때 예측 시스템이 붕괴될 수 있음을 시사합니다.

5. 의의 및 시사점 (Significance)

예측 합리성 테스트의 재해석: 기존 연구에서 MZ 회귀 계수가 0, 1 이 아니거나 예측 오차가 예측 정보와 상관관계가 있을 때 이를 '비합리성'이나 '손실 함수의 비대칭성'으로 결론내렸다면, 본 논문은 이것이 피드백과 불확실성에 기인한 합리적인 행동일 수 있음을 지적합니다.
정책 평가의 함의: 중앙은행 등 정책 기관의 예측을 평가할 때, 단순한 예측 오차 분석만으로는 부족하며, 예측이 정책에 미치는 피드백 효과와 정책 결정 과정의 불확실성을 함께 고려해야 합니다.
실증 연구 방향: 그린북 예측과 같은 실제 데이터에서 관찰되는 복잡한 패턴 (편향의 부호 변화, 기울기의 변동) 을 설명하는 새로운 이론적 틀을 제공합니다.

결론적으로, 본 논문은 예측이 단순히 미래를 내다보는 수동적인 활동이 아니라, 정책 결정과 상호작용하는 능동적인 전략적 행위임을 보여주며, 이로 인해 발생하는 통계적 왜곡이 반드시 비합리성을 의미하지는 않음을 규명했습니다.