Detecting Sparse Cointegration

논문 개요: 고차원 희소 공적분 (Sparse Cointegration) 탐지

이 논문은 고차원 단일 방정식 모델에서 희소 공적분 (Sparse Cointegration) 관계를 탐지하기 위한 새로운 2 단계 절차를 제안합니다. 많은 변수 (p) 가 존재하지만 실제 공적분 관계를 형성하는 변수는 소수 (s ≪ p) 일 때, 기존 방법론의 한계를 극복하고 견고한 추론을 가능하게 하는 것이 핵심 목표입니다.

1. 연구 배경 및 문제 제기

• 문제의식: 전통적인 공적분 분석 (Engle-Granger, Johansen 등) 은 저차원 환경에 적합합니다. 그러나 고차원 데이터 (예: 수백 개의 주식 시계열) 가 등장하면서, 수많은 후보 변수 중 소수의 관련 변수를 식별하고 공적분 관계를 검정하는 것이 어려워졌습니다.
• 고차원의 난제:
  • 최소제곱법 (OLS) 은 고차원에서 불안정해지며, 과적합 (Overfitting) 으로 인해 잔차가 노이즈가 되어 공적분 판단이 왜곡될 수 있습니다.
  • 기존 단위근 검정 (ADF, KPSS 등) 은 고차원 환경에서 비표준 극한 분포를 따르거나, 모델 선택의 불확실성으로 인해 적용이 어렵습니다.
  • 특히, 우변의 설명 변수들 (regressors) 자체가 서로 공적분 관계를 가질 경우 (내부 공적분), 기존 이론적 가정들이 깨져 추론이 불가능해질 수 있습니다.

2. 제안된 방법론 (2 단계 절차)

저자들은 적응형 라쏘 (Adaptive Lasso) 와 정보 기준 (Information Criterion) 을 결합한 2 단계 절차를 제안합니다.

1 단계: 적응형 라쏘를 이용한 변수 선택 및 추정

• 목표: $p$개의 I(1) 후보 변수 중 공적분을 유발하는 소수의 활성 변수 집합 ($S$) 을 식별하고, 공적분 벡터를 추정합니다.
• 모델: $y_t = \beta_0 + x_t'\beta + z_t$
• 적응형 라쏘 추정량:
  $$(\hat{\beta}_0^{AL}, \hat{\beta}^{AL}) = \arg \min_{\beta_0, \beta} \left( \sum_{t=1}^n (y_t - \beta_0 - x_t'\beta)^2 + \lambda_n \sum_{j=1}^p w_j |\beta_j| \right)$$
  • 여기서 $w_j = 1/|\tilde{\beta}_j|^\gamma$는 초기 OLS 추정치에 기반한 적응형 가중치입니다.
  • 특징: I(1) 시계열의 특성상 표준화 (standardization) 를 수행하지 않고 원본 데이터를 사용하며, 절편 ($\beta_0$) 은 패널티에서 제외합니다.
  • 역할: 희소성 (Sparsity) 을 가정하여 관련 없는 변수의 계수를 0 으로 수렴시키고, 관련 변수는 일관적으로 추정합니다.

2 단계: 정보 기준을 이용한 잔차 기반 공적분 판별

• 목표: 1 단계에서 얻은 잔차 $\hat{z}_t$가 정상성 (I(0)) 을 가지는지, 아니면 단위근 (I(1)) 을 가지는지 판별합니다.
• 접근 방식: 가설 검정 (Unit Root Test) 대신 모델 선택 (Model Selection) 문제로 접근합니다.
  • 모델 $M_0$ (단위근 제한): $\Delta \hat{z}_t = \mu + \sum \phi_j \Delta \hat{z}_{t-j} + \epsilon_t$ (공적분 부재, 허위 회귀)
  • 모델 $M_1$ (비제한): $\Delta \hat{z}_t = \mu + \phi \hat{z}_{t-1} + \sum \phi_j \Delta \hat{z}_{t-j} + \epsilon_t$ (공적분 존재, 정상성)
• 판단 기준: BIC(Bayesian Information Criterion) 형태의 정보 기준을 비교합니다.
  $$IC_{n,k} = \ln(\hat{\sigma}^2_k) + \frac{c_n}{n} \times (\text{모수 개수})$$
  • $IC_{n,0} > IC_{n,1}$이면 $M_1$(공적분 존재) 선택.
  • $IC_{n,0} \le IC_{n,1}$이면 $M_0$(허위 회귀) 선택.
• 장점: 복잡한 점근 분포에 의존하지 않으며, 잔차의 I(0)/I(1) 성질에 기반하여 내생성 (endogeneity) 과 자기상관 (serial correlation) 에 강건합니다.

3. 주요 이론적 기여 및 결과

가. 적응형 라쏘의 점근적 성질 (1 단계)

• 이상적인 조건 (Proposition 1): 설명 변수 간 내부 공적분이 없을 때, 적응형 라쏘는 모델 선택 일관성 (Model Selection Consistency) 과 초일관성 (Super-consistency) 을 가집니다.
• 내부 공적분 조건 (Proposition 1, Remark 3): 설명 변수들 ($x_t$) 이 서로 공적분 관계를 가지는 경우에도, 적응형 라쏘는 Sure Screening Property(확실한 스크리닝 성질) 를 유지합니다. 즉, 진짜 활성 변수를 놓치지 않고 포함시킵니다. 이는 공적분 벡터의 고유성 (uniqueness) 이 보장되지 않아도 잔차 추정이 가능함을 의미합니다.
• 허위 회귀 상황 (Proposition 2): 공적분이 없는 경우 ($\rho=1$), 적응형 라쏘는 모든 변수를 선택하는 경향 (과적합) 을 보입니다. 이는 2 단계에서 단위근을 유지하는 데 중요한 역할을 합니다.

나. 잔차 기반 공적분 탐지의 일관성 (2 단계, Proposition 3)

• 핵심 결과: 설명 변수들의 내부 공적분 구조 (Rank deficiency 등) 와 무관하게, 2 단계의 정보 기준 선택 규칙은 점근적으로 일관적입니다.
  • 공적분 존재 시 ($|\rho|<1$): 잔차 $\hat{z}_t$는 I(0) 과정을 따르며, 정보 기준이 $M_1$(정상성) 을 선택할 확률이 1 로 수렴합니다.
  • 허위 회귀 시 ($\rho=1$): 잔차 $\hat{z}_t$는 I(1) 과정을 유지하며, 정보 기준이 $M_0$(단위근) 을 선택할 확률이 1 로 수렴합니다.
• 의미: 이 결과는 생성된 회귀변수 (generated regressor) 의 문제가 점근적 판별 규칙에 영향을 미치지 않음을 보여줍니다.

다. 유한 표본에서의 개선 (Capping Mechanism)

• 문제: 고차원 ($p$가 큼) 이고 표본 크기가 유한할 때, 허위 회귀 상황에서 적응형 라쏘가 지나치게 많은 변수를 선택하면 잔차 $\hat{z}_t$가 인위적으로 정상성 (I(0)) 을 띠는 것처럼 보일 수 있습니다 (과적합으로 인한 추세 제거).
• 해결책: 저자들은 유한 표본을 위한 '캡 (Capping)' 메커니즘을 도입했습니다. 선택된 변수의 개수를 $s_{cap}$으로 제한하여, 불필요한 과적합을 억제하고 I(1) 신호를 보존합니다.
• 효과: 모의실험 결과, 캡을 적용한 절차는 고차원 환경에서도 허위 공적분 발견을 효과적으로 통제하며, 오라클 (Oracle) 성능에 근접하는 것을 확인했습니다.

4. 모의실험 (Monte Carlo) 결과

• 설계: 다양한 공적분 시나리오 (변수 간 공적분 유무, 내생성, 자기상관 포함) 와 $p=10, 50, 100$의 차원, 다양한 $\rho$ 값을 설정.
• 결과:
  • 정확한 변수 선택: 공적분 조건이 충족될 때 (C0, C1), 적응형 라쏘는 활성 변수를 높은 확률로 정확히 식별합니다.
  • 잔차의 성질: 1 단계 잔차는 실제 오차항의 성질 (I(0) 또는 I(1)) 을 잘 반영합니다. 특히 캡 메커니즘이 적용되었을 때, $\rho=1$인 경우에도 잔차가 I(1) 성질을 유지하여 2 단계 판별이 정확해집니다.
  • 검정력: 공적분 존재 여부에 대한 2 단계 판별 규칙은 설명 변수의 내부 구조와 무관하게 높은 정확도를 보입니다. 특히 $\rho=0.9$와 같은 단위근 경계 근처에서도 견고한 성능을 발휘합니다.

5. 의의 및 결론

• 실용적 가치: 고차원 금융/경제 데이터에서 소수의 관련 변수를 찾아 공적분 관계를 규명하는 실용적인 도구를 제공합니다.
• 이론적 혁신:
  1. 설명 변수 간의 복잡한 공적분 구조 (내부 공적분) 하에서도 공적분 탐지가 가능함을 증명했습니다.
  2. 단위근 검정을 가설 검정이 아닌 모델 선택 문제로 재정의하여, 비표준 극한 분포의 의존성을 제거했습니다.
  3. 고차원에서의 과적합 문제를 해결하기 위한 캡 메커니즘을 제안하여 유한 표본에서의 실용성을 높였습니다.
• 향후 연구: 다중 공적분 관계 탐지, 사후 선택 추론 (post-selection inference) 이론 개발, $p$가 $n$보다 커지는 증가 차원 (increasing-dimension) 점근론으로의 확장이 필요하다고 언급했습니다.

이 논문은 고차원 비정상 시계열 분석에서 Adaptive Lasso와 Information Criterion의 결합이 강력한 해결책이 될 수 있음을 이론적, 실증적으로 입증했습니다.