FARS: Factor Augmented Regression Scenarios in R

FARS: R 기반 요인 증강 회귀 시나리오(Factor Augmented Regression Scenarios in R) 기술 요약

문제 제기
거시경제 및 금융 시계열 맥락에서, 단순한 점 예측(point forecasts)을 넘어 핵심 변수의 전체 확률 밀도를 예측하고자 하는 수요가 증가하고 있다. 이는 거시경제적 취약성을 평가하고, 회복력 있는 정책을 설계하며, 불리한 조건하에서의 경제 시스템 회복력을 이해하기 위한 현실적인 스트레스 시나리오를 구축하는 데 매우 중요하다. 기존의 접근 방식들은 종종 한계에 직면한다: 표준 주성분(PC) 방법은 잠재 요인이 특정 변수 그룹(블록 구조)에만 부하(load)되는 경우 어려움을 겪으며, 요인 추정의 불확실성을 고려하면서 "스트레스" 요인 시나리오 하에서의 조건부 밀도를 구축할 수 있는 도구도 거의 없다. 또한, 요인 증강 분위 회귀(FA-QR)가 조건부 분위수를 추정할 수는 있지만, 이를 다층적 요인 구조와 통합하고 확률적 스트레스 시나리오를 생성하기 위해서는 통일되고 유연한 프레임워크가 필요하다.

방법론
본 논문은 조건부 밀도를 모델링하고 예측하기 위한 4단계 방법론을 구현하는 FARS 패키지를 제시한다:

1. 다층 동적 요인 모델(MLDFM)을 통한 요인 추출:
   본 프레임워크는 비중첩 및 중첩 블록(예: 지리적 영역 또는 경제 부문)을 수용할 수 있는 유연한 MLDFM 구조를 사용하여 잠재 요인을 추출한다.

   • 모델 구조: 모델은 모든 변수에 공통적인 보편적(global) 요인, 블록별 요인, 그리고 특정 블록의 부분 집합에 부하되는 준보편적(semipervasive, 쌍방향 또는 고차) 요인을 포함한다.
   • 추정: 요인은 순차 최소제곱(SLS) 추정기를 사용하여 추정된다. 알고리즘은 정준 상관 분석(CCA) 또는 주성분(PC)을 사용하여 요인을 초기화하고, 수렴할 때까지 변수를 요인에, 요인을 부하(loading)에 회귀시켜 잔차 제곱합(RSS)을 반복적으로 최소화한다.
   • 불확실성 정량화: 패키지는 추정된 요인에 대한 점근적으로 유효한 신뢰 영역을 계산한다. 이 과정은 부하의 불확실성과 특이 성분의 잠재적 교차 상관을 고려하기 위해 서브샘플링(subsampling, 시계열의 부분 집합 사용) 접근 방식을 채택하여 점근적 평균 제곱 오차(MSE)를 보정한다. 이를 통해 극단적이지만 실현 가능한 요인 실현을 나타내는 신뢰 타원체를 구축할 수 있다.

2. 요인 증강 분위 회귀(FA-QR):
   추출된 요인은 대상 변수 $y_t$의 조건부 분위수를 추정하기 위한 FA-QR 모델의 회귀 변수로 사용된다. 모델은 다음과 같이 명시된다:
   $$q_{\tau^*}(y_{t+h} | y_t, F_t) = \mu(\tau^*, h) + \phi(\tau^*, h)y_t + \sum_{k=1}^r \beta_k(\tau^*, h)F_{kt}$$
   매개변수는 Koenker와 D'Oray 알고리즘을 사용하여 추정된다.

3. 조건부 밀도 구축:
   추정된 분위수로부터 전체 예측 조건부 밀도를 복원하기 위해, 패키지는 왜도-티(Skewed-Student, Skew-t) 분포를 적합시킨다. Skew-t 분포의 매개변수(위치, 척도, 모양 및 꼬리 두꺼움)는 추정된 FA-QR 분위수와 Skew-t 분포에 의해 함의되는 이론적 분위수 사이의 제곱 차이를 최소화함으로써 결정된다.

4. 스트레스 시나리오 생성:
   스트레스 시나리오를 생성하기 위해, 본 방법론은 특정 목표 변수의 조건부 분포의 분위수를 최소화하거나 최대화하는 (특정 스트레스 수준 $\alpha$에 의해 정의된) 신뢰 타원체의 경계에 있는 요인 값을 식별한다. 이러한 "스트레스 요인"은 FA-QR 모델에 다시 입력되어 스트레스된 분위수를 도출하며, 이후 스트레스된 조건부 밀도로 매끄럽게(smoothing) 처리된다.

주요 기여
본 논문은 다음과 같은 몇 가지 뚜렷한 기술적 기여를 제공하는 FARS R 패키지를 소개한다:

• 유연한 요인 추출: SLS 추정기를 사용하여 중첩된 블록 구조를 가진 MLDFM으로부터 요인을 추출하는 최초의 공개된 R 패키지이다. 이는 두 단계 이상의 계층 구조(글로벌, 준보편적, 블록별)를 지원한다.
• 요인에 대한 추론: 서브샘플링을 통해 부하의 불확실성을 명시적으로 보정함으로써, SLS로 추출된 요인에 대한 점근적으로 유효한 신뢰 영역을 제공한다. 이는 다른 요인 추정 소프트웨어(대개 부트스트래핑에 의존하거나 부하의 불확실성을 무시함)에는 없는 기능이다.
• 통합된 밀도 및 리스크 프레임워크: FA-QR의 추정, Skew-t 매칭을 통한 조건부 밀도 복원, 그리고 리스크 척도(예: Growth at Risk, Inflation at Risk) 계산을 통합한다.
• 스트레스 시나리오 설계: 요인의 결합 분포의 극단적인 윤곽선 상에서 요인 값을 최적화하여 조건부 밀도와 리스크 척도를 도출하는 독특한 기능을 구현한다.
• 모듈성: 패키지는 사용자가 자신의 사전 추정된 요인이나 밀도를 공급하여 나머지 워크플로우와 통합할 수 있도록 모듈식으로 설계되었다.

결과 및 예시
본 논문은 두 가지 실증적 응용을 통해 패키지의 기능을 설명한다:

1. 유럽 인플레이션 리스크: 저자들은 3개 지리적 블록(서부, 동부, 북부)으로 그룹화된 38개 유럽 국가의 헤드라인 CPI 데이터로부터 요인을 추출한다. 이들은 독일 인플레이션의 조건부 밀도를 추정한다. 결과에 따르면, 요인에 대한 99% 스트레스 시나리오 하에서 도출된 "스트레스 하의 인플레이션(Inflation in Stress, IiS)"은 표준 "인플레이션 리스크(Inflation at Risk, IaR)"보다 유의미하게 높게 나타났으며, 이는 요인 스트레스를 고려하는 것의 중요성을 강조한다.
2. 미국 GDP 성장 리스크: González-Rivera 등(2024)을 따라, 저자들은 세 개의 블록(국제 거시, 국내 거시, 국제 금융)으로 나뉜 519개의 변수를 포함하는 데이터셋을 사용하여 미국 GDP 성장을 위한 밀도를 구축한다. 이 분석은 "스트레스 하의 성장(Growth in Stress, GiS)"이 표준 "성장 리스크(Growth at Risk, GaR)"보다 더 음(-)의 값을 가짐을 보여주며, 이는 평균적인 시나리오가 하방 리스크를 과소평가할 수 있음을 나타낸다.

의의 및 주장
본 논문은 FARS의 주요 의의가 복잡한 요인 구조와 불확실성을 고려하는 고급 밀도 기반 예측 방법론을 구현하는 데 있어 응용 연구자와 정책 기관의 진입 장벽을 낮추는 데 있다고 주장한다. 중첩 블록을 가진 유연한 요인 추출부터 스트레스 시나리오 생성에 이르는 전체 워크플로우를 오픈 소스 R 도구로 패키징함으로써, 이와 관련된 계산 및 구현상의 어려움을 해결한다. 저자들은 이 패키지가 평균적인 요인 변화만을 고려했을 때 간과될 수 있는 취약성(예: 높은 인플레이션 또는 낮은 성장)을 드러내는 현실적인 스트레스 시나리오를 구축할 수 있게 해준다고 강조한다. 본 논문은 모든 분포 형태에서 기존 방법보다 우수하다고 주장하는 것이 아니라(Skew-t가 다봉 분포에는 덜 적합할 수 있음을 언급), MLDFM 내의 FA-QR에 특화된 포괄적인 도구로서 본 패키지를 위치시킨다.