Frequency-Domain Analysis of Time Series with Network-Structured Dependence: Application to Global Bank Connectedness

1. 연구 배경 및 문제 제기 (Problem)

• 금융 시스템의 복잡성: 글로벌 금융 시스템, 특히 은행 네트워크는 신용 노출, 유동성 공급, 파생상품 계약 등을 통해 복잡하게 상호 연결되어 있습니다. 이러한 구조적 연결은 충격의 전파와 증폭을 결정짓는 핵심 요소입니다.
• 기존 방법론의 한계:
  • 시간 영역 (Time-domain) 분석: Diebold & Yilmaz (2009, 2014) 등의 VAR(Vector Autoregressive) 기반 모델은 연결성 (connectedness) 을 측정하는 데 널리 사용되지만, 이는 시간 전체에 걸친 동적 행동을 집계하여 다양한 시간 주기 (주파수) 에 따른 충격 전파의 이질성을 가립니다.
  • 주파수 영역 (Frequency-domain) 분석의 부재: Baruník & Křehlík (2018) 등은 주파수 대역별 분산을 분해하는 방법을 제안했으나, 이는 데이터 주도적 (data-driven) 접근에 그쳐 사전에 정의된 네트워크 토폴로지 (예: 기관 간 물리적 연결) 를 명시적으로 구조적 제약으로 반영하지 못했습니다.
  • 그래프 신호 처리 (GSP) 의 한계: 기존 GSP 방법은 네트워크를 정적 연산자로 간주하여 주로 공간 필터링에 사용되며, 충격이 시간과 공간을 통해 전파되는 다중 홉 (multi-hop) 경로를 확률적으로 모델링하는 데 한계가 있습니다.
• 핵심 문제: 금융 네트워크의 토폴로지 (연결 구조) 를 주파수 영역 분석에 통합하여, 직접적인 연결뿐만 아니라 중간 노드를 통한 간접적인 충격 전파 (multi-hop dependencies) 를 주파수별로 어떻게 분석할 것인가에 대한 방법론적 공백이 존재합니다.

2. 제안된 방법론 (Methodology)

저자들은 네트워크 구조적 의존성을 가진 시계열 (TS-NSD) 을 위한 새로운 주파수 영역 분석 프레임워크를 개발했습니다.

2.1. 모델링 프레임워크

• 제약된 VAR 과정 (Constrained VAR): GNAR (Generalized Network Autoregressive) 및 NAR (Network Autoregressive) 모델을 기반으로, 네트워크 토폴로지가 VAR 계수 행렬에 구조적 제약을 가하는 형태로 재정의했습니다.
  • GNAR 모델: 노드 $i$의 과거 값뿐만 아니라 $r$-단계 이웃 (neighborhood) 의 과거 값까지 고려하여, 직접 연결뿐만 아니라 간접 연결을 모델링합니다.
  • 수식적 표현: $X_t = \sum \Phi_k X_{t-k} + u_t$에서 계수 행렬 $\Phi_k$가 인접 행렬 $A$와 가중치 행렬 $W$에 의해 제약받습니다.

2.2. 주파수 영역 정의

• 네트워크 스펙트럼 밀도 (Network Spectral Density): 네트워크 구조가 내재된 $d \times d$ 복소수 스펙트럼 밀도 행렬 $f(\omega, G)$를 정의했습니다.
• 결합도 및 부분 결합도 (Coherence & Partial Coherence): 주파수 $\omega$에서의 노드 간 선형 의존성 (결합도) 과 나머지 노드들의 영향을 제거한 직접적 의존성 (부분 결합도) 을 정의하여, 주파수별 네트워크 상호작용을 정량화했습니다.

2.3. 추정 방법 (Estimation)

두 가지 접근법을 제안하여 모델 오설정 (misspecification) 에 대한 강건성을 확보했습니다.

1. 모수적 추정 (Parametric Estimation):
   • GNAR/NAR 모델의 모수를 추정 (OLS, GLS, Lasso 등) 한 후, 이를 스펙트럼 밀도 공식에 대입하여 추정합니다.
   • 장점: 모델이 정확할 경우 계산 효율성이 높고 해석이 용이하며, 작은 표본에서도 안정적인 성능을 보입니다.
2. 비모수적 추정 (Nonparametric Estimation) 및 네트워크 제약 최적화:
   • 기존 주기도도 (periodogram) 기반 추정에서 네트워크 토폴로지를 제약 조건으로 포함합니다.
   • 고차 그래프 상호작용 (Higher-order interactions): 단순 인접 행렬 ($A_1$) 뿐만 아니라, $r$-단계 이웃까지 고려한 고차 인접 행렬 ($A_{HO}$) 을 정의하여, 직접 연결이 없더라도 경로가 존재하는 노드 간의 의존성을 억제하지 않도록 최적화 문제를 구성했습니다.
   • 복소수 최적화: 복소수 주파수 영역 데이터를 실수 행렬로 변환 (Augmented matrix) 하여, 그래프 라플라시안 기반의 제약 조건 하에 로그-우도함수를 최대화하는 방식으로 정밀도를 추정합니다.

3. 주요 기여 (Key Contributions)

1. 주파수 영역과 네트워크 토폴로지의 통합: 기존에 분리되어 있던 주파수 분석과 네트워크 구조 분석을 통합하여, 충격이 네트워크를 통해 전파될 때 주파수별로 어떻게 다른지 (단기 vs 장기) 를 규명할 수 있는 이론적 틀을 마련했습니다.
2. 다중 홉 (Multi-hop) 의존성 모델링: 직접적인 연결뿐만 아니라, 중간 노드를 통한 간접적인 충격 전파를 명시적으로 모델링하고, 이를 주파수 영역의 스펙트럼 밀도와 부분 결합도에 반영했습니다.
3. 강건한 추정 프레임워크: 모델이 정확할 때는 모수적 추정, 모델이 불확실할 때는 네트워크 제약이 가해진 비모수적 추정을 통해 다양한 시나리오에 대응 가능한 방법론을 제시했습니다.
4. 실증적 적용 (글로벌 은행 네트워크): 전 세계 57 개 주요 은행의 주가 변동성 데이터를 활용하여, 국가 간/내부 연결성 및 네트워크 거리가 주파수별 변동성 전파에 미치는 영향을 구체적으로 분석했습니다.

4. 실험 결과 (Results)

4.1. 시뮬레이션 연구

• 정확한 모델 설정 시: 모수적 추정기 (Parametric) 가 비모수적 방법보다 일관되게 우수한 성능 (낮은 RMSE) 을 보였습니다. 특히 표본 크기가 작을 때 네트워크 구조를 활용한 추정 안정성이 두드러졌습니다.
• 모델 오설정 시 (Robustness): 데이터 생성 과정 (DGP) 이 모수적 가정과 다를 경우, 모수적 방법은 성능이 정체되지만, 네트워크 제약이 가해진 비모수적 추정기 (CNP) 가 가장 우수한 성능을 보이며 모델 오설정에 강건함을 입증했습니다.
• 고차 제약의 효과: 단순 인접 행렬 ($A_1$) 만을 사용하는 것보다 고차 이웃 ($A_{HO}$) 을 고려한 제약이 실제 네트워크 구조를 더 잘 반영하여 추정의 정확도를 높였습니다.

4.2. 글로벌 은행 연결성 실증 분석

• 데이터: 2003 년 9 월부터 2014 년 2 월까지 57 개 글로벌 시스템적 중요 은행 (GSIB) 의 일별 변동성 데이터.
• 주요 발견:
  • 주파수별 이질성: 은행 간 연결성은 주파수 (시간 주기) 에 따라 다르게 나타났습니다. 단기 (고주파) 에서는 강한 동기화가 관찰되지만, 장기 (저주파) 로 갈수록 연결성이 약화되는 경향이 있었습니다.
  • 네트워크 거리와 변동성: 같은 국가 내 은행 (거리 $r=1$) 은 가장 강한 변동성 연동성을 보였으며, 국경을 초월한 연결 (cross-country) 은 그 다음 수준이었습니다.
  • 간접 연결의 영향: 직접 연결이 없는 은행 쌍 ($r > 2$) 도 다중 홉 경로를 통해 유의미한 변동성 전파를 보였으며, 특히 5 단계 이웃의 경우 위상 반전 (phase inversion, 반대 방향의 변동성) 이 관찰되어 네트워크 토폴로지가 변동성 전파의 방향과 강도에 결정적임을 보여주었습니다.

5. 의의 및 결론 (Significance)

• 시스템적 리스크 관리: 이 연구는 금융 충격이 단기적 변동성과 장기적 구조적 연결을 통해 어떻게 전파되는지를 주파수별로 분리하여 분석할 수 있게 함으로써, 시스템적 리스크의 본질을 더 깊이 이해하는 데 기여합니다.
• 정책적 시사점: 규제 당국은 특정 주파수 대역 (예: 단기 유동성 위기 vs 장기 구조적 위기) 에서 네트워크 연결성이 어떻게 작용하는지 파악하여, 표적화된 금융 안정성 정책을 수립할 수 있습니다.
• 방법론적 확장: 이 프레임워크는 금융뿐만 아니라 신경과학 (뇌 네트워크), 기후학 등 네트워크 구조를 가진 다양한 시계열 데이터 분석에 적용 가능한 유연한 도구를 제공합니다. 또한, 고정된 네트워크 토폴로지 가정을 넘어 동적 네트워크로 확장할 수 있는 기초를 마련했습니다.

요약하자면, 이 논문은 금융 네트워크의 구조적 특성을 주파수 영역 분석에 성공적으로 통합함으로써, 기존 시간 영역 분석이 놓쳤던 "충격 전파의 주파수별 이질성"과 "간접 연결의 역할"을 규명하는 획기적인 방법론을 제시했습니다.