A Bayesian Dirichlet Auto-Regressive Conditional Heteroskedasticity Model for Forecasting Currency Shares

이 논문은 COVID-19 와 같은 충격으로 인한 변동성 군집 현상을 포착하면서도 합성 데이터의 유효성을 유지하는 새로운 베이지안 디리클레 DARCH 모델 (B-DARMA-DARCH) 을 제안하여 Airbnb 수수료 비율 예측의 정확도와 구간 보정 능력을 기존 모델 대비 향상시켰음을 보여줍니다.

핵심

1. 문제 상황: "어떤 나라의 돈이 얼마나 들어올까?"

에어비앤비는 전 세계 100 개 이상의 나라에서 숙박을 예약받습니다.

• 미국 사람은 달러 (USD) 로, 유럽 사람은 유로 (EUR) 로, 한국 사람은 원화 (KRW) 로 결제합니다.
• 에어비앤비는 매일 들어오는 돈의 총액만 아는 게 아니라, **"오늘 들어온 돈 중 달러가 몇 %, 유로가 몇 % 인가?"**를 정확히 알아야 합니다.

왜 중요할까요?
전체 돈의 양 (Volume) 이 1 억 달러라고 해도, 그중 달러 비율이 50% 에서 80% 로 급변하면, 환율 변환 후 실제 회사 손익은 완전히 달라집니다. 마치 혼합 주스를 생각해보세요. 주스 한 잔의 양은 같아도, 오렌지 주스와 사과 주스의 비율이 바뀌면 맛 (수익) 이 완전히 달라지는 것과 같습니다.

이런 '비율 (Composition)' 데이터는 항상 100% 를 합쳐야 한다는 제약이 있어, 일반적인 통계 방법으로는 예측하기 어렵습니다.

2. 기존 방법들의 한계: "날씨가 변하지 않는다고 가정하다"

기존의 예측 모델들은 주로 두 가지 방식을 썼습니다.

1. 고정된 레시피 (B-DARMA): "오늘의 비율은 어제의 비율과 비슷할 거야. 그리고 변동성 (흔들림) 도 일정할 거야."라고 가정합니다.
   • 비유: 매일 아침 날씨 예보를 할 때, "내일도 오늘처럼 맑을 거야. 비 올 확률은 항상 10% 지."라고 말하는 것과 같습니다.
2. 변하는 레시피 (B-TVP-tVARMA): "비율의 평균은 변할 수 있어."라고 가정하지만, 변동성 (흔들림) 은 여전히 고정되어 있습니다.
   • 비유: "내일 기온은 변할 수 있지만, 비가 얼마나 세게 올지는 일정할 거야."라고 말합니다.

문제는?
실제 세상에서는 변동성도 변합니다. (예: 코로나 팬데믹이 터지거나, 전쟁이 나거나, 금리가 갑자기 오르면 돈의 흐름이 미친 듯이 흔들립니다.) 기존 모델들은 이런 '갑작스러운 폭풍'을 예측하지 못해 큰 오차를 냅니다.

3. 새로운 해결책: B-DARCH 모델 (날씨 예보의 마법사)

저자들이 개발한 B-DARCH 모델은 이 문제를 해결하기 위해 **'변동성 (흔들림) 이 스스로 변한다'**는 아이디어를 도입했습니다.

🌪️ 핵심 비유: "스마트한 날씨 예보관"

이 모델은 과거의 데이터만 보는 게 아니라, **"최근에 얼마나 세게 흔들렸는지"**를 실시간으로 감지합니다.

• 평화로운 날 (정상기): "오늘은 조용하네. 내일도 크게 흔들리지 않을 거야."라고 예측합니다. (변동성 낮음)
• 폭풍우 날 (위기상황): "어제부터 바람이 세게 불고 있네! 내일도 크게 흔들릴 수 있으니, 예측 범위를 넓게 잡아야겠다."라고 예측합니다. (변동성 높음)

이 모델은 **변동성 (Precision)**이라는 개념을 마치 날씨처럼 다룹니다.

• 기존 모델: "비 올 확률은 항상 10%." (고정)
• B-DARCH 모델: "어제 비가 많이 왔으니, 오늘도 비 올 확률이 80% 일 수 있어!" (동적 변화)

이렇게 하면 예측의 정확도가 높아질 뿐만 아니라, **"얼마나 불확실한지"를 정직하게 알려주는 구간 (신뢰구간)**도 더 정확해집니다.

4. 실험 결과: 실제로 효과가 있었을까?

저자들은 두 가지 방법으로 이 모델을 검증했습니다.

1. 가상 시뮬레이션 (인공 지진):

   • 데이터에 갑자기 오류를 넣거나 (잘못된 보고), 갑자기 규칙이 바뀌는 상황 (레짐 시프트) 을 만들어 보았습니다.
   • 결과: B-DARCH 모델이 다른 모델들보다 오류가 가장 적었고, 예측 후 남은 오차 (잔차) 가 가장 빨리 사라졌습니다. 즉, 혼란을 가장 빨리 수습했습니다.

2. 실제 에어비앤비 데이터 (실전):

   • 2017 년부터 2020 년까지의 실제 데이터를 분석했습니다. 특히 **코로나 팬데믹 (2020 년 초)**처럼 상황이 급변할 때를 잘 예측했는지 확인했습니다.
   • 결과: B-DARCH 모델이 모든 지역에서 가장 정확한 예측을 했습니다. 특히 변동성이 심했던 지역 (예: 브라질 레알화, 칠레 페소 등) 에서 그 차이가 극명했습니다.
   • 신뢰구간: 다른 모델들은 "정답이 이 안에 있을 거야"라고 좁게 말하다가 빗나간 경우가 많았지만, B-DARCH 는 "변동성이 크니까 범위를 넓게 잡아야 해"라고 말하며 실제로 정답을 잘 포함했습니다.

5. 결론: 왜 이 모델이 중요한가?

이 논문은 **"변동성 (Noise) 이 움직일 때는, 예측 모델도 움직여야 한다"**는 사실을 증명했습니다.

• 평온할 때는: 단순하고 빠른 모델 (기존 모델) 로도 충분합니다.
• 혼란스러울 때는 (위기, 팬데믹, 금융 위기): 변동성을 실시간으로 감지하고 적응하는 B-DARCH 모델이 필수적입니다.

한 줄 요약:

"이 모델은 날씨가 변할 때 우산도 함께 변하는 똑똑한 예보관입니다. 돈의 흐름이 미친 듯이 흔들릴 때, 그 흔들림을 예측에 반영함으로써 에어비앤비가 더 정확한 수익 예측과 리스크 관리를 할 수 있게 도와줍니다."

이 모델은 단순한 통계 기법을 넘어, 불확실성이 높은 현대 금융 시장에서 어떻게 더 똑똑하게 대응할지에 대한 귀중한 통찰을 제공합니다.

기술 요약

논문 요약: 화폐 구성 비율 예측을 위한 베이지안 디리클레 자동회귀 조건부 이분산성 (B-DARCH) 모델

1. 문제 정의 (Problem)

• 배경: Airbnb 와 같은 양면 시장 (Two-sided marketplace) 에서는 수백만 건의 거래가 100 개 이상의 다양한 통화로 발생합니다. 플랫폼은 전체 일일 수익을 예측하기 위해 현지 통화로 설정된 가격뿐만 아니라, 각 통화로 결제된 거래의 비율 (Composition) 을 정확히 예측해야 합니다.
• 핵심 과제:
  • 단순체 (Simplex) 제약: 통화 비율은 0 이상이고 합이 1 이어야 하므로, 기존 시계열 분석 방법 (가정된 정규분포 등) 을 직접 적용하기 어렵습니다.
  • 이분산성 (Heteroskedasticity): 통화 비율의 변동성 (Volatility) 은 일정하지 않습니다. 특히 COVID-19 팬데믹과 같은 외부 충격 시 급격한 변동성 군집 (Volatility Clustering) 이 발생하며, 이는 수익 예측 오차와 외환 (FX) 위험 관리에 직접적인 영향을 미칩니다.
  • 기존 모델의 한계: 기존의 디리클레 ARMA 모델은 변동성을 고정되거나 결정론적으로만 가정하여, 급격한 시장 변화 시 발생하는 변동성 스파이크를 포착하지 못했습니다.

2. 방법론 (Methodology)

저자들은 B-DARCH (Bayesian Dirichlet Auto-Regressive Moving Average with Dirichlet Auto-Regressive Conditional Heteroskedasticity) 라는 새로운 모델을 제안했습니다.

• 데이터 표현:

  • 통화 비율 데이터를 가법 로그비 (Additive Log-Ratio, ALR) 변환을 사용하여 유클리드 공간으로 매핑하여 평균 (Mean) 을 모델링합니다.
  • 확률 분포는 디리클레 (Dirichlet) 분포를 사용하여 예측값이 항상 단순체 (Simplex) 내부에 머무르도록 보장합니다.

• 모델 구조:

  1. 평균 모델 (Mean Dynamics): ALR 변환된 평균 벡터 ($\eta_t$) 를 과거 관측치와 이동평균 항을 포함한 VARMA(벡터 자기회귀 이동평균) 스타일의 관찰 주도 (Observation-driven) 방식으로 모델링합니다.
  2. 정밀도 (Precision) 모델 - DARCH: 기존 모델과 달리, 디리클레 분포의 정밀도 매개변수 ($\phi_t$) 에 동적 프로세스를 도입했습니다.
     • $\log(\phi_t)$ 가 과거의 혁신 (Innovation) 과 과거 정밀도에 의존하는 GARCH(GARCH-like) 형태의 재귀식을 따릅니다.
     • 이를 통해 변동성 군집 (Volatility Clustering) 을 포착하고, COVID-19 와 같은 급격한 충격 시 변동성이 일시적으로 증가하거나 장기화되는 현상을 모델링할 수 있습니다.

• 추론 (Inference):

  • 완전한 베이지안 프레임워크를 사용하여 사후 분포 (Posterior distribution) 를 추정합니다.
  • Stan 을 사용하여 MCMC(Markov Chain Monte Carlo) 를 통해 파라미터를 추정하고, 미래 관측치에 대한 예측 분포와 신뢰 구간 (Credible Intervals) 을 생성합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 모델 클래스 제안: 단순체 (Simplex) 위에서 작동하는 베이지안 시계열 모델에 조건부 이분산성 (Conditional Heteroskedasticity) 을 도입한 최초의 모델 중 하나로, 평균과 변동성 모두를 동적으로 모델링합니다.
2. 실용적 해석 가능성: 고정된 변동성이나 결정론적 변동성 대신, 관찰된 데이터의 잔차에 기반하여 변동성이 적응적으로 업데이트되는 방식을 제공하여, 불확실성 정량화 (Uncertainty Quantification) 를 개선합니다.
3. 비교 분석: 기존 베이지안 디리클레 ARMA(B-DARMA), 변환된 가우시안 VARMA(B-tVARMA), 그리고 시계열 파라미터가 변하는 모델 (B-TVP-tVARMA) 과의 비교를 통해 B-DARCH 의 우월성을 입증했습니다.

4. 실험 결과 (Results)

• 시뮬레이션 연구:

  • 시나리오: 잘못된 관측치 (Misreported observations) 와 임시 체제 변화 (Temporary regime shifts) 가 포함된 4 가지 데이터 생성 과정 (DGP) 을 설정했습니다.
  • 성과: B-DARCH 는 모든 시나리오에서 예측 정확도 (FRMSE, FMAE) 가 가장 높았으며, 잔차의 자기상관 (PACF) 이 가장 빠르게 0 으로 수렴하여 모델이 잔차의 동적 구조를 잘 포착함을 보였습니다. 특히 충격 발생 후 모델이 빠르게 적응하는 능력을 입증했습니다.

• Airbnb 실제 데이터 분석 (2017~2020):

  • 데이터: 4 개 지역별 주요 통화별 수수료 비율 데이터.
  • 성과:
    • 예측 정확도: 4 개 지역 모두에서 B-DARCH 가 B-DARMA, B-tVARMA, B-TVP-tVARMA 대비 가장 낮은 평균 절대 오차 (FMAE) 를 기록했습니다. 특히 변동성이 큰 Region 1 에서 B-DARMA 대비 FMAE 가 60% 이상 감소했습니다.
    • 불확실성 보정: B-DARCH 는 95% 신뢰 구간의 실제 커버리지 (Empirical Coverage) 가 명목 수준 (Nominal level) 에 가장 근접했습니다. 반면, 변동성을 고려하지 않은 모델들은 실제 변동이 클 때 신뢰 구간이 너무 좁아지는 (Under-coverage) 경향을 보였습니다.
    • 잔차 분석: B-DARCH 는 표준화된 잔차 제곱합의 PACF 에서 1 시차 이후의 잔존 의존성이 가장 적었습니다.

5. 의의 및 결론 (Significance)

• 실무적 함의: 금융 및 시장 데이터에서 "노이즈 자체가 움직이는 (Noise itself moves)" 상황, 즉 변동성이 시간에 따라 변하는 경우, 단순한 평균 모델링이나 고정된 분산 가정만으로는 불충분합니다. B-DARCH 는 이러한 동적 이분산성을 직접 모델링함으로써 더 정확한 예측과 신뢰할 수 있는 위험 평가를 가능하게 합니다.
• 모델 선택 가이드:
  • 변동성이 안정적일 때는 변환된 가우시안 모델 (B-tVARMA) 이 계산 효율성이 좋습니다.
  • 평균의 추세 변화가 중요할 때는 시계열 파라미터 모델 (B-TVP-tVARMA) 이 유용합니다.
  • 변동성 군집 (Volatility Clustering) 이 관찰될 때는 B-DARCH 가 가장 강력한 도구로 작용합니다.
• 결론: B-DARCH 는 구성 데이터 (Compositional Data) 시계열 예측을 위한 강력한 도구로, 특히 불확실성이 급변하는 금융 및 비즈니스 환경에서 의사결정을 지원하는 데 필수적입니다.

---

핵심 키워드: 베이지안 시계열, 디리클레 분포, GARCH, 조건부 이분산성, 구성 데이터 (Compositional Data), 단순체 (Simplex), 변동성 군집, Airbnb, 통화 비율 예측.