기술 요약: 극단값에서의 그랜저 인과관계 (Granger Causality in Extremes)

1. 문제 정의

시계열에서의 인과 발견(Causal discovery)은 동적 시스템을 이해하는 데 매우 중요하며, 특히 변동성이 높거나 극단적인 사건이 발생하는 기간에 더욱 그러하다. 그러나 최첨단 방법론들은 주로 분포의 "본체(body)"(예: 평균 또는 분산에서의 인과관계) 내에서의 인과관계에 집중되어 있다. 이러한 고전적 접근 방식은 극단적인 주식 수익률이 다른 자산에 미치는 영향이나, 극단적인 강수량이 하천 범람에 미치는 영향과 같이 오직 극단적인 사건 중에만 나타나는 메커니즘을 포착하는 데 실패하는 경우가 많다. 또한, 표준적인 인과 추론은 숨겨진 혼란 변수(hidden confounders)에 매우 민감하며, 기존의 극단값 분석 방법들은 정규 변이(regular variation), 꼬리 등가성(tail equivalence), 또는 특정 파라미터 모델에 대한 강한 가정에 의존하여 헤비 테일(heavy-tailed) 및 라이트 테일(light-tailed) 변수 모두에 대한 적용 가능성을 제한한다.

본 논문은 비선형, 고차원 시계열을 처리할 수 있고, 특정 꼬리 조건 하에서 숨겨진 혼란 변수에 강건하며, 극단적인 사건의 맥락에서 그랜저 유형의 인과관계를 공식적으로 정의하고 추론할 수 있는 프레임워크의 필요성을 다룬다.

2. 방법론

2.1 이론적 프레임워크: 극단에서의 인과관계

저자들은 변수 $Z$에 대해 조건화된 이변량 프로세스 $(X, Y)$를 위한 두 가지 새로운 극단 인과관계 정의를 도입한다 (여기서 $Z$는 $X$와 $Y$의 과거 값 및 잠재적 혼란 변수를 포함할 수 있다). 이 정의들은 Gnecco 등(2020)이 도입한 계수를 일반화한 **인과적 꼬리 계수(causal tail coefficient)**에 기반한다.

$F$를 모든 $x$에 대해 $F(x) < 1$인 분포 함수라고 하자. $Z$에 대해 조정된 인과적 꼬리 계수는 다음과 같이 정의된다:
$$\Gamma_{X \to Y|C} := \lim_{v \to \infty} \mathbb{E}[F(Y_{t+1}) \mid X_t > v, C^{-X}_t]$$
여기서 $C^{-X}_t$는 $X$의 과거를 제외한 정보 집합을 나타낸다.

논문은 두 가지 형태의 극단 인과관계를 정의한다:

1. 꼬리 인과관계 ($X \xrightarrow{tail} Y$): $X$의 상단 꼬리가 $Y$의 꼬리에 영향을 미친다는 것은, 위 조건부 기댓값이 기저 기댓값 $\mathbb{E}[F(Y_{t+1}) \mid C^{-X}_t]$와 다를 때를 의미한다.
2. 극단 인과관계 ($X \xrightarrow{ext} Y$): $X$의 극단값이 $Y$의 극단값을 유발한다는 것은 계수가 거의 확실하게(almost surely) 1인 경우를 의미한다. 이는 $X$의 극단적인 사건이 $Y$의 극단적인 사건을 확실하게 만든다(확률이 1로 수렴함)는 것을 시사한다.

이 프레임워크는 비단위 시차(max-lag $p$), 즉각적 효과(instantaneous effects), 양방향 꼬리( $|X|$ 및 $|Y|$ 사용), 그리고 유계 지지 집합(bounded supports)으로 확장된다.

2.2 동등성 및 강건성

저자들은 이 새로운 정의들과 고전적 개념들 사이의 공식적인 동등성을 확립한다:

• 가정 A1(구조적 의존성이 꼬리에서 사라지지 않음) 하에서, $X \xrightarrow{ext} Y \iff X \xrightarrow{tail} Y \iff X \xrightarrow{G} Y$ (그랜저 인과관계)이다.
• 숨겨진 혼란 변수에 대한 강건성: 핵심적인 이론적 기여는 정규 변이 가정(특히 Grey 가정)과 정상성(stationarity) 하에서, 혼란 변수 $Z$에 대한 조정을 무시할 수 있음을 입증한 것이다. 구체적으로, $\Gamma_{X \to Y|C} = 1 \iff \Gamma_{X \to Y|\emptyset} = 1$이다. 이를 통해 $X$의 극단적 행동이 충분히 자신의 혁신(innovations)에 의해 유도되는 경우, 고차원의 혼란 변수를 명시적으로 모델링하지 않고도 극단적 인과 관계를 탐지할 수 있다.

2.3 추정 및 추론

논문은 비모수적, 모델 프리(model-free) 추론 절차를 제안한다:

• 추정량: $X_t$가 극단적이고(임계값 $\tau_n$ 초과) 혼란 변수 $Z_t$(및 잠재적으로 $Y_t$)는 극단적이지 않은 시간 단계들의 부분 집합 $S$에 대해 $F(y_{t+1})$을 평균 내어 표본 기반 추정량 $\hat{\Gamma}_{X \to Y|Z}$를 구성한다.
• 집합 선택: $S$를 위해 두 가지 집합을 제안한다:
  • $S_1$: $X_t$가 극단적이고 $Z_t$ (및 $Y_t$)가 고정된 임계값 미만인 조건.
  • $S_2$: $X_t$가 극단적이고 $(Y_t, Z_t)$가 특정 지점 $(y_0, z_0)$ 주변의 작은 볼(ball) 내에 있는 조건.
• 일치성: 정리 2와 정리 3은 샘플 크기 $n \to \infty$일 때 이 추정량들이 일치(consistent)함을 증명한다.
• 알고리즘: 분류 알고리즘(Algorithm 1)은 추정된 계수를 기저값과 비교한다. 만약 $\hat{\Gamma} \approx 1$이면 극단 인과관계가 있다고 결론짓고, 그렇지 않으면 극단 인과관계가 없다고 결론짓는다.
• 다변량 확장: 알고리즘 2는 이를 $m$개의 변수에 대한 전체 인과 그래프 추정으로 확장한다. 이 알고리즘은 쌍별 스크리닝(pairwise screening, 혼란 변수 무시)을 먼저 수행한 후 부모 노드에 대해 조건화하여 그래프를 정교화하는 강건성 속성을 활용하며, 시간 복잡도는 $O(m^2 n \log n)$이다.
• 검정: 시간적 의존성을 보존하면서 꼬리 인과관계 검정을 위한 신뢰 구간을 구축하기 위해 이동 블록 부트스트랩(moving block bootstrap) 절차가 사용된다.

3. 주요 결과

3.1 이론적 기여

• 동등성: 논문은 완만한 구조적 가정(A1/A2) 하에서 극단에서의 인과관계가 고전적인 그랜저 및 구조적 인과관계와 동등함을 증명한다.
• 혼란 변수 강건성: 정리 1은 정규 변이를 만족하는 프로세스(Grey 가정)에 대해, 직접적인 경로가 꼬리에서 혼란 경로보다 우세할 경우 숨겨진 혼란 변수의 존재가 극단 인과관계($\Gamma=1$) 탐지를 변화시키지 않음을 확립한다.
• 노 프리 런치 정리 (No-Free-Lunch Theorem): 저자들은 모델 클래스(예: 구조적 인과 모델)를 제한하지 않고서는 그랜저 비인과관계(non-causality) 또는 극단에서의 비인과관계에 대한 유효 수준 검정이 존재할 수 없음을 보여줌으로써, 사용된 구조적 가정의 필요성을 강조한다.

3.2 경험적 성능

• 시뮬레이션: VAR 및 GARCH 모델(가우시안 및 헤비 테일 모두 포함)에 대해 최첨단 방법들(RobustParCorr를 사용한 PCMCI 및 GPDC)과 비교 연구를 수행한 결과, 제안된 방법은 다음과 같은 성과를 보였다:
  • 거의 모든 설정, 특히 고차원 및 헤비 테일 시나리오에서 평균 모델 오차가 현저히 낮았다.
  • 계산 효율성이 더 높다 (예: 20개 변수 데이터셋에 대해 PCMCI-GPDC가 1시간 이상 걸리는 동안 약 6초 소요).
  • 다른 방법들이 실패하는 지점에서 숨겨진 혼란 변수에 대한 강건성을 입증했다.
• 실제 응용:
  • 수문 기상학: 스위스의 하천 유량 및 강수량 데이터에 적용되었다. 이 방법은 극단적인 강수가 상류 관측소의 극단적인 유량을 유발한다는 것(극단 인과관계)을 성공적으로 식별한 반면, 지형에 의해 차단되거나 확률적인 연결을 갖는 관측소들에 대해서는 꼬리 인과관계만을 보여주었다.
  • 암호화폐: 14개의 고빈도 암호화폐 수익률을 분석하였다. 이 프레임워크는 비트코인과 라이트코인이 극단적인 시장 움직임의 주요 동인임을 식별하여, 시장 지식(예: 선행 지표로서의 비트코인)과 일치하는 일관된 인과 구조를 밝혀냈다.

4. 의의 및 주장

본 논문은 예측 인과관계와 극단값 분석 사이의 간극을 메우는 극단에서의 그랜저 인과관계에 대한 최초의 공식적 프레임워크를 제공한다고 주장한다. 그 의의는 다음과 같다:

1. 극단값 처리: 고전적인 평균 기반 방법으로는 불충분한 고영향, 저확률 사건을 위해 특별히 설계된 도구를 제공한다.
2. 강건성: 관찰 기반 인과 추론의 주요 과제인 숨겨진 혼란 변수가 존재하는 상황에서도 극단적 인과 관계를 탐지할 수 있다는 이론적 보증을 제공한다.
3. 실용적 유용성: 금융에서 기후 과학에 이르기까지 적용 가능한, 정확도와 속도 면에서 기존의 최첨단 방법들을 능가하는 빠르고 비모수적이며 오픈 소스인 구현체를 제공한다.

저자들은 이 프레임워크가 강력하지만, 특정 꼬리 가정(정규 변이, Grey 가정) 및 구조적 속성에 의존한다는 점을 언급한다. 또한 Kesten-Goldie 가정으로의 확장 및 부트스트랩 검정 절차에 대한 더 빠르고 이론적으로 정당화된 대안 개발에 관한 열린 과제들을 인정한다.