📈 economics

Neural ARFIMA model for forecasting BRIC exchange rates with long memory

본 논문은 기존 벤치마크 방법보다 BRIC 환율 예측 정확도를 향상시키기 위해 장기 기억 구조, 비선형 신경망 학습, 외생적 경제 동인을 통합한 신경 ARFIMA(NARFIMA) 모델을 제안한다.

원저자: Tanujit Chakraborty, Donia Besher, Madhurima Panja, Shovon Sengupta

게시일 2026-05-13

📖 4 분 읽기☕ 가벼운 읽기

원저자: Tanujit Chakraborty, Donia Besher, Madhurima Panja, Shovon Sengupta

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 간단한 언어와 창의적인 비유를 사용하여 설명합니다.

큰 그림: 예측 불가능한 것의 예측

기후가 혼란스러운 도시의 날씨를 예측하려고 상상해 보세요. 때로는 먼 곳에서 온 폭풍 시스템 때문에 비가 오고, 다른 때는 갑자기 무작위로 소나기가 내립니다. 이제 그 도시가 세계 경제이고, 그 '날씨'가 환율(한 나라의 화폐를 다른 나라의 화폐와 비교한 가격)이라고 상상해 보세요.

이 논문은 BRIC(브라질, 러시아, 인도, 중국) 국가들에 초점을 맞춥니다. 이 나라는 거대하고 빠르게 성장하는 경제이지만, 그들의 외환 시장은 폭풍우 치는 바다와 같습니다. 장기 기억(과거 사건이 미래에 오랫동안 영향을 미침)과 비선형성(작은 변화가 예측 불가능한 거대한 파도를 일으킴)을 가지고 있습니다.

경제학자들이 사용하는 전통적인 도구는 간단한 우산과 같습니다. 가벼운 비에는 잘 작동하지만, 폭풍이 복잡해지면 실패합니다. 저자들은 NARFIMA(Neural ARFIMA)라는 새로운 도구를 개발했는데, 이는 첨단 자동 조정 기상 관측소와 같은 역할을 합니다.

문제: 왜 구식 도구가 실패하는가

이 논문은 표준 모델이 두 가지 주요 맹점을 가지고 있다고 주장합니다.

장기적인 것을 잊어버린다: 환율은 종종 '장기 기억'을 가지고 있습니다. 10 년 전에 가격이 높았다면, 오늘까지도 그 가격이 영향을 미칠 수 있습니다. 구식 모델들은 과거를 며칠 후면 무관한 것처럼 취급하는 경향이 있습니다.
숨겨진 패턴을 놓친다: 유가, 금리, 통화 간의 관계는 직선이 아닙니다. 그것은 얽힌 매듭과 같습니다. 단순한 수학적 모델은 그 매듭을 풀 수 없습니다.

해결책: '2 단계' 레시피 (NARFIMA)

저자들은 두 가지 세계의 장점을 결합한 하이브리드 모델을 만들었습니다. 이를 2 단계 요리 과정으로 생각해 보세요.

1 단계: 선형 기반 (ARFIMA 부분)
먼저, '장기 기억'을 처리하기 위해 통계 모델 (ARFIMA) 을 사용합니다.

비유: 고전적인 레시피를 따르는 데 뛰어난 요리사를 상상해 보세요. 이 요리사는 오늘 소금을 넣으면 내일과 그 다음 날에도 수프가 짜게 느껴진다는 것을 알고 있습니다. 이 단계는 유가, 금리, 경제적 불확실성(시장의 공포)과 같은 외부 요인의 영향과 함께 안정적이고 예측 가능한 추세를 포착합니다.
결과: 이 단계는 '최선의 추측' 예측을 생성하지만, 데이터의 기이하고 혼란스러운 부분을 설명할 수 없기 때문에 일부 '남은 재료'(잔차) 를 남깁니다.

2 단계: 신경망 (두뇌 부분)
다음으로, 그 '남은 재료'를 신경망(인공지능의 일종)에 입력합니다.

비유: 이제 두 번째 요리사, 즉 초능력을 가진 천재 즉흥 연주자가 첫 번째 요리사가 놓친 부분을 살펴봅니다. 이 요리사는 "유가가 떨어지고 미국이 인플레이션을 걱정할 때 통화가 급등한다"와 같은 기이한 패턴을 발견하는 데 탁월합니다. 이 단계는 첫 번째 요리사가 처리하지 못했던 비선형적인 혼란을 포착합니다.
'스킵 연결 (Skip Connection)': 이 모델은 '스킵 연결'이라는 특별한 기능을 가지고 있습니다. 이를 첫 번째 요리사와 최종 접시 사이의 직접 전화선으로 생각하세요. 두 번째 요리사가 복잡한 부분을 수정하는 동안 단순하고 안정적인 추세가 사라지지 않도록 보장합니다.

재료: 가격을 움직이는 요인

이 모델은 통화의 과거 가격만 보는 것이 아닙니다. 수프의 재료처럼 가격을 밀어 올리는 특정 '구동 요인'도 살펴봅니다.

글로벌 경제 정책 불확실성 (GEPU): 사람들은 정부 규정에 대해 얼마나 걱정하고 있습니까?
미국 시장 변동성: 미국 주식 시장은 얼마나 불안정합니까?
유가: 러시아와 브라질은 석유를 수출하고, 중국과 인도는 수입하기 때문에, 유가는 그들의 통화에 거대한 지렛대 역할을 합니다.
금리 차이: 한 나라의 은행이 미국보다 높은 이자를 지급하면 자금이 유입되어 통화 가치가 변합니다.

결과: 누가 경주를 이겼는가

저자들은 그들의 새로운 'NARFIMA' 레시피를 다음 16 가지 방법과 비교하여 테스트했습니다. 단순한 '다음 숫자 추측' 모델, 복잡한 통계 공식, 그리고 최신 딥러닝 AI 가 포함되었습니다.

판단: NARFIMA 가 거의 매번 승리했습니다.
단기적: 1 개월에서 3 개월 후를 예측하는 데 있어 명백한 승자였습니다.
장기적: 다른 모델들이 무너진 반면, 2 년에서 4 년 후의 예측에서도 여전히 강력했습니다.
예외: 인도의 경우 데이터가 놀랍도록 직선적이고 단순했습니다 (잔잔한 강과 같음). 따라서 더 간단한 모델이 실제로 약간 더 잘 작동했습니다. 하지만 나머지 세 나라 (브라질, 러시아, 중국) 에 대해서는 NARFIMA 가 챔피언이었습니다.

정책 입안자들에게 이것이 중요한 이유

이 논문은 중앙은행 (한 나라의 화폐를 관리하는 기관) 이 통화가 어디로 향할지 알아야 한다고 설명합니다.

대출 금리 (이자율) 를 얼마나 책정할지 결정하기 위해.
국가의 저축 (외환보유고) 을 관리하기 위해.
경제적 폭풍에 대비하기 위해.

BRIC 국가들이 미국 달러에만 의존하는 것에서 벗어나고 있기 때문에 (탈달러화라고 불리는 과정), 게임의 규칙이 변하고 있습니다. NARFIMA 모델은 기존에 이용 가능한 어떤 도구보다 이러한 새로운 경제 관계의 복잡하고 불확실하며 장기적인 특성을 더 잘 처리할 수 있기 때문에 가치가 있습니다.

안전에 대한 주의 (우산 점검)

마지막으로, 이 논문은 단일 숫자 예측 (예: "가격은 1.50 달러가 될 것이다") 만 제공하지 않습니다. 대신 신뢰 구간(범위)도 제공합니다.

비유: "오후 2 시에 비가 올 것이다"라고 말하는 대신, 모델은 "오후 1 시 45 분에서 2 시 15 분 사이에 비가 올 가능성이 높다"고 말합니다. 이는 정책 입안자들이 평균적인 상황뿐만 아니라 최악의 시나리오에 대비하여 위험을 이해하는 데 도움이 됩니다.

요약하자면: 이 논문은 전통적 통계의 엄격함과 AI 의 패턴 인식 능력을 결합한 지능형 2 부 구성 장치를 소개합니다. 이 장치는 먼 과거를 기억하고 혼란스러운 현재를 이해함으로써 주요 신흥 경제국의 복잡하고 폭풍우 치는 환율을 성공적으로 예측합니다.

기술 요약: BRIC 환율 예측을 위한 신경 ARFIMA 모델

문제 제기
신흥 경제국, 특히 BRIC(브라질, 러시아, 인도, 중국) 국가들의 환율 정확한 예측은 지속적인 과제로 남아 있습니다. 이러한 시계열은 장기 기억성 (지속성), 비선형성, 그리고 외부 거시경제 요인에 대한 민감성 등 복잡한 특성을 보입니다. 선형 ARIMA 또는 표준 ARFIMA 와 같은 기존 시계열 모델은 이러한 비선형 의존성을 포착하는 데 종종 실패하는 반면, 순수한 딥러닝 접근법은 데이터 가용성이 제한된 경우 특히 장기 기억성과 비정상성을 모델링하는 이론적 요구 사항을 처리하는 데 어려움을 겪습니다. 또한, 이러한 경제권의 환율 역동성은 글로벌 불확실성 지표 (예: 경제 정책 불확실성, 주식 시장 변동성), 유가 변동, 그리고 금리 차이 등에 크게 영향을 받으므로, 외생 변수, 장기 의존성, 그리고 비선형 상호작용을 공동으로 수용할 수 있는 프레임워크가 필요합니다.

방법론
본 논문은 분수 적분과 신경망의 강점을 통합하도록 설계된 앙상블 프레임워크인 신경 자기회분 분수 적분 이동평균 (NARFIMA) 모델을 제안합니다. 방법론은 다음 두 단계의 순차적 접근을 따릅니다:

선형 장기 기억 모델링 (ARFIMAx):
- 먼저 외생 변수가 포함된 선형 ARFIMA 모델 (ARFIMAx) 을 환율 시계열에 적합시킵니다.
- 이 단계는 분수 차분 매개변수 $d$ 를 통해 선형 의존성과 장기 기억 효과를 포착하기 위해 과거 관측치와 거시경제 요인 (글로벌 경제 정책 불확실성 [GEPU], 미국 주식 시장 변동성 [EMV], 미국 통화 정책 불확실성 [MPU], 유가 성장률, 단기 금리 차이) 을 활용합니다.
- 모델은 설명되지 않은 변동성으로 비선형 구조와 고주파 변동을 포함하는 표본 내 잔차 ( $e_t$ ) 를 생성합니다.
비선형 잔차 모델링 (신경망):
- 단일 은닉층 순방향 신경망 (ARNN) 을 ARFIMAx 단계의 잔차를 모델링하도록 훈련합니다.
- 네트워크 입력에는 지연된 환율 관측치, 지연된 ARFIMAx 잔차, 그리고 지연된 외생 거시경제 변수 값이 포함됩니다.
- 아키텍처는 **스킵 연결 (skip connections)**을 포함하는 변형 (입력에서 출력으로의 직접적인 선형 영향 허용) 과 포함하지 않는 변형 두 가지 버전을 지원합니다. 스킵 연결 변형은 은닉층이 비선형 상호작용을 학습하는 동안 선형 역동성을 보존하도록 설계되었으며, 또한 기울기 소실과 과적합을 완화하는 역할을 합니다.
- 다단계 예측은 재귀적으로 생성됩니다.

이론적 기여
본 논문은 NARFIMA 과정의 점근적 정상성과 기하학적 에르고딕성을 확립합니다. 시스템을 마르코프 체인으로 모델링하고 리아푸노프 함수를 활용함으로써, 저자들은 특정 조건 (유계 활성화 함수, 수축성 스킵 연결 가중치, 그리고 약정상 잔차) 하에서 과정이 기하학적 속도로 고유한 불변 분포로 수렴함을 증명합니다. 이러한 이론적 속성은 신경망 기반 시계열 문헌에서 흔히 발견되는 공백을 해소하고, 장기 예측을 위한 모델의 안정성과 신뢰성을 보장합니다.

실험 설정 및 결과

데이터: BRIC 국가의 월간 현물 환율 (1997 년 1 월 ~ 2023 년 10 월) 과 다양한 거시경제 공변량.
인과 분석: 비선형 그랜저 인과성 검정은 GEPU, 미국 EMV, 미국 MPU, 유가 성장률, 그리고 단기 금리 차이를 BRIC 환율의 주요 동인으로 확인했습니다.
기준 모델: 통계 모델 (ARIMAx, ARFIMAx, ETS, GARCH, BSTSx) 과 딥러닝 아키텍처 (DeepAR, NBeatsx, NHiTSx, DLinearx 등) 를 포함한 16 개의 벤치마크와 비교했습니다.
성능 지표: 6 가지 예측 구간 (1, 3, 6, 12, 24, 48 개월) 에 걸쳐 MAPE, SMAPE, MAE, MASE, RMSE 를 사용하여 평가했습니다.

주요 발견:

우수한 정확도: NARFIMA 는 대부분의 예측 작업과 구간에서, 특히 브라질과 중국의 경우 모든 기준 모델을 일관되게 능가했습니다. 이는 장기 의존성과 비선형 패턴을 모두 효과적으로 포착하는 능력을 입증했습니다.
강건성: 모델 신뢰도 집합 (MCS) 과 최선과의 다중 비교 (MCB) 검정을 포함한 통계적 유의성 검정은 NARFIMA 의 우위를 확인했습니다. 이는 모든 BRIC 국가에 대해 모든 유의수준에서 최적 모델 집합에 포함되었습니다.
불확실성 정량화: 프레임워크는 **준합 예측 (conformal prediction)**과 통합되어 신뢰할 수 있는 예측 구간을 생성하며, 강한 분포 가정이 없이 예측 불확실성을 정량화하는 모델-중립적 접근법을 제공합니다.
잔차의 중요성: 민감도 분석은 ARIMAx 나 Naïve 와 같은 단순한 모델의 잔차가 아닌 ARFIMAx 잔차를 신경망의 피드백으로 사용하는 것이 모델의 우수한 성능에 결정적임을 확인했습니다.
한계: 인도의 경우 환율 시계열이 전통적인 ARIMAx 또는 선형 딥러닝 모델이 더 잘 포착하는 더 선형적인 특성을 보였기 때문에 모델의 성능이 상대적으로 덜 우세했습니다.

의의 및 주장
본 논문은 NARFIMA 가 계량경제학 이론 (장기 기억) 과 머신러닝 (비선형성) 간의 간극을 연결함으로써 복잡한 금융 시계열 예측을 위한 강건한 솔루션을 제공한다고 주장합니다. 그 의의는 다음과 같습니다:

이론적 엄밀성: 모델 안정성이 최우선인 정책 적용에 필수적인 정상성과 에르고딕성에 대한 공식적 증명을 제공합니다.
실용적 유용성: 특정 불확실성 지표와 거시경제 요인을 통합하는 것이 신흥 시장의 예측 정확도를 크게 향상시킨다는 것을 입증합니다.
정책 관련성: 중앙은행과 금융 기관에게 탈달러화, 지정학적 충격, 그리고 유가 변동성의 복잡성을 헤쳐 나갈 수 있는 도구를 제공합니다. 저자들은 이 모델이 변동성이 큰 환경에서 외환보유고 관리와 통화 정책 수립에 특히 유용하다고 제안합니다.
일반화 가능성: BRIC 환율에 초점을 맞추었으나, 저자들은 이 프레임워크가 금리, 상품 가격, 역학 등 장기 기억성과 비선형성이 특징인 다른 영역에도 적용 가능하다고 주장합니다.

이 연구는 환율 예측 가능성에 대한 이전의 회의론과 달리, 장기 기억성, 비선형성, 그리고 외부 요인을 고려하도록 적절히 구조화된 모델은 상당한 예측 이득을 가져올 수 있다고 결론지었습니다.