Seasonality in Mixed Causal-Noncausal Processes

Each language version is independently generated for its own context, not a direct translation.

🎵 제목: "시간의 악기, 계절의 리듬을 찾아서"

이 연구는 경제 데이터나 날씨 데이터처럼 **시간이 지남에 따라 변하는 숫자들 (시계열 데이터)**을 분석할 때, **'계절성 (Seasonality)'**이 어떻게 작동하는지 새로운 눈으로 바라봅니다.

1. 기존 모델 vs 새로운 모델: "과거만 보는 사람" vs "미래도 보는 사람"

기존 모델 (순수 인과적 모델):
imagine you are a historian who only looks at what happened yesterday to predict today.
(과거의 데이터만 보고 미래를 예측하는 사람)
예를 들어, "어제 비가 왔으니 오늘도 우산을 챙겨야겠다"라고 생각하는 방식입니다. 이는 **과거 (Lag)**의 영향만 받습니다.
새로운 모델 (혼합 인과 - 비인과 모델):
imagine you are a psychic who can see both yesterday's rain and tomorrow's forecast to decide what to wear today.
(어제의 비와 내일의 예보 모두를 보고 오늘 옷을 고르는 점쟁이)
이 모델은 **과거 (Lag)**뿐만 아니라 **미래 (Lead)**의 정보도 데이터 속에 숨어 있다고 가정합니다. (예: 투자자들이 내일 주가가 오를 것을 미리 알고 오늘 사들인다면, 미래의 정보가 현재의 가격에 영향을 미치는 셈입니다.)

2. 핵심 발견: "계절의 리듬은 합쳐도 변하지 않는다"

이 논문이 가장 중요하게 말하는 점은 "과거를 보는 부분"과 "미래를 보는 부분"이 섞여도, 새로운 종류의 '계절적 리듬'이 갑자기 만들어지지 않는다는 것입니다.

비유: 오케스트라 합주
- 과거를 보는 악기 (Causal): 바이올린처럼 과거의 멜로디를 연주합니다.
- 미래를 보는 악기 (Noncausal): 트럼펫처럼 미래의 멜로디를 미리 연주합니다.
- 계절성 (Seasonality): 이 악기들이 내는 소리가 특정 주기 (예: 매년 봄마다 피어나는 꽃처럼) 를 가질 때, 이를 '계절적 리듬'이라고 합니다.
많은 사람들은 "과거 악기와 미래 악기를 섞으면 (혼합 모델), 완전히 새로운 리듬이 나올 것"이라고 생각했습니다. 하지만 이 논문은 **"아니요, 새로운 리듬은 나오지 않습니다"**라고 말합니다.
- 과거 악기가 '봄' 리듬을 내면, 그 리듬은 그대로 유지됩니다.
- 미래 악기가 '가을' 리듬을 내면, 그 리듬도 그대로 유지됩니다.
- 두 악기를 섞어도 '봄 + 가을'이 합쳐져서 '새로운 계절'이 생기는 게 아니라, 각각의 리듬이 따로따로 존재할 뿐입니다.
수학적으로: 복잡한 수식을 풀면 (부분 분수 분해), 이 리듬들이 서로 섞여 사라지거나 변형되지 않고, 각자 제자리에서 명확하게 분리되어 나타난다는 것을 증명했습니다.

3. 왜 이것이 중요한가? (실전 활용)

이 발견은 데이터를 분석하는 사람들에게 큰 선물과 같은 두 가지 장점을 줍니다.

장점 1: 실수 방지 (미끼를 피하자)
과거에는 "과거와 미래를 섞은 모델"을 만들 때, 어떤 리듬이 어디에서 왔는지 헷갈려서 잘못된 모델을 고를 때가 많았습니다. 하지만 이 논리는 **"리듬은 분리되어 있으니, 과거와 미래에 각각 어떤 리듬을 넣을지 정하기만 하면 된다"**고 알려줍니다. 마치 퍼즐 조각을 맞출 때, 조각 모양을 먼저 보면 정답이 훨씬 쉬워지는 것과 같습니다.
장점 2: 복잡한 계산 단순화
데이터 분석에서 '복소수 (Complex numbers)'라는 어려운 수학적 개념이 등장할 때가 있습니다. (예: 리듬이 진동하는 형태). 이 논문은 **"이 진동하는 리듬은 반드시 짝을 이루어야 한다"**고 말합니다.
- 비유: 춤을 추는 커플처럼, 한 명만 남고 다른 한 명은 사라질 수 없습니다.
- 따라서 분석할 때, 이 '짝을 이루는 리듬'을 무작위로 나누지 않고 한쪽 (과거 또는 미래) 에 묶어서 처리하면, 모델 선택이 훨씬 쉬워집니다.

4. 실제 사례: 코로나와 콩 가격

논문은 이 이론을 실제 데이터에 적용해 보았습니다.

코로나19 사망자 수 (벨기에 vs 이탈리아):
- 벨기에의 데이터는 마치 **계절적 거품 (Seasonal Bubble)**처럼, 일정한 주기로 급증하고 떨어지는 '지그재그' 패턴을 보였습니다.
- 이 패턴을 분석하자, 과거 데이터만으로는 설명이 안 되었고, **미래의 정보 (비인과성)**가 포함된 모델이 필요하다는 것을 발견했습니다. 그리고 그 '지그재그' 리듬은 과거와 미래 모델에 각각 명확하게 분리되어 있었습니다.
대두 (Soybean) 가격:
- 콩 가격은 매년 특정 계절에 가격이 오르는 패턴이 있습니다.
- 기존 모델은 이 패턴을 설명하지 못했지만, 이 논문의 방법을 쓰자 6 개월 주기의 리듬이 정확히 잡혔습니다. 과거와 미래를 섞은 모델이 콩 가격의 폭발적인 상승과 하락을 훨씬 잘 설명해 주었습니다.

📝 한 줄 요약

"과거와 미래를 모두 보는 데이터 모델에서도, 계절의 리듬은 서로 섞여 변하지 않고 각각의 자리에서 명확하게 드러난다. 따라서 우리는 이 리듬을 찾아내어 과거와 미래에 각각 적절히 배치하면, 훨씬 쉽고 정확하게 데이터를 예측할 수 있다."

이 연구는 복잡한 수학적 증명 뒤에, **"데이터의 리듬을 이해하면 모델을 쉽게 고를 수 있다"**는 매우 실용적인 통찰을 담고 있습니다.

Each language version is independently generated for its own context, not a direct translation.

논문 개요

이 논문은 비가우시안 (non-Gaussian) 잡음에 의해 구동되는 혼합 인과 - 비인과 자기회귀 (MAR, Mixed Causal-Noncausal Autoregressive) 모델에서 **복소수 근 (complex roots)**과 **음의 근 (negative roots)**이 갖는 역할, 특히 **계절성 (seasonality)**의 발생 메커니즘과 식별, 추정, 모델 선택에 미치는 영향을 규명합니다. 저자들은 인과적 (lag) 과 비인과적 (lead) 다항식의 곱셈적 구조가 새로운 형태의 계절적 효과를 생성하지 않으며, 계절성 근은 이동평균 (MA) 표현에서 분리하여 식별할 수 있음을 증명합니다.

1. 연구 문제 (Motivation)

기존 연구의 한계: 기존 MAR 모델 연구는 주로 금융 및 거시경제 시계열의 국소적 폭발적 현상 (버블) 을 포착하는 데 집중하여 양의 실수 근 (zero frequency) 에 주목했습니다.
새로운 문제제기: 주식 수익률의 변동성 급증, GDP 나 인플레이션의 강한 주기적 행동 등 **음수 근 (Nyquist frequency, $\pi$ )**이나 **복소수 켤레 근 (complex conjugate roots, harmonic frequencies)**을 가진 계절적 패턴을 설명할 수 있는 모델이 필요합니다.
핵심 질문: 인과적 다항식과 비인과적 다항식이 곱해져 혼합된 MAR 모델에서, 이러한 계절성 근들이 어떻게 작용하며, 곱셈적 구조가 새로운 계절적 주기를 생성할 수 있는가?

2. 방법론 (Methodology)

수학적 도출:
- 부분 분수 분해 (Partial Fraction Decomposition): 자기회귀 다항식을 인자화하여 근 (roots) 을 분리합니다.
- 근의 표현: 실수 근과 복소수 켤레 근을 지수 형태 ( $\rho_k e^{i\omega_k}$ ) 로 표현하여 주파수 ( $\omega_k$ ) 와 진폭 ( $\rho_k$ ) 을 명확히 합니다.
- 이론적 증명: 순수 인과 (causal) 및 순수 비인과 (noncausal) 모델에서 계절성 근이 이동평균 (MA) 표현에서 분리됨을 보인 후, 이를 MAR 모델로 확장하여 인과와 비인과 성분이 곱해지더라도 새로운 계절적 효과가 생성되지 않음을 증명합니다. 즉, 계절성은 각 성분 (인과/비인과) 에 의해 독립적으로 도입됩니다.
모델링 접근:
- 의사 인과 모델 (Pseudo-causal Model): MAR 모델을 2 차 모멘트와 동등한 (SOE) 순수 인과 AR 모델로 변환하여 전체 자기회귀 차수 ( $p$ ) 와 근을 먼저 추정합니다.
- 근 할당 (Root Allocation): 추정된 근들을 인과 다항식 ( $\phi(L)$ ) 과 비인과 다항식 ( $\phi(L^{-1})$ ) 에 어떻게 배분할지 결정합니다. 특히 복소수 켤레 근은 하나의 다항식에 묶여 할당되어야 함을 강조합니다.
- 추정: 근접 최대우도법 (Approximate Maximum Likelihood Estimation, AMLE) 을 사용하여 MAR 모델을 추정합니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

A. 이론적 기여

계절성 근의 분리 가능성: MAR 모델의 곱셈적 구조에도 불구하고, 계절성 근 (Nyquist 주파수 $\pi$ 및 조화 주파수) 은 MA 표현에서 인과 또는 비인과 부분으로 명확히 분리될 수 있습니다.
새로운 계절 효과의 부재: 인과와 비인과 다항식의 곱셈이 기존에 존재하지 않는 새로운 주파수의 계절적 효과를 생성하지 않습니다.
모델 선택의 단순화: 의사 인과 모델에서 복소수 켤레 근이 발견되면, 이 두 근은 반드시 인과 다항식 또는 비인과 다항식 중 하나에 함께 할당되어야 합니다. 이는 가능한 모델 조합의 수를 크게 줄여 모델 선택을 용이하게 합니다.

B. 모의실험 (Monte Carlo Simulation) 결과

근의 일관성 추정: 의사 인과 모델을 통해 MAR 모델의 근 (복소수 포함) 을 일관되게 추정할 수 있음을 확인했습니다. 표본 크기가 커질수록 추정치의 분산이 감소하고 실제 값에 수렴합니다.
모델 선택 정확도: 복소수 켤레 근을 올바르게 처리할 때 (즉, 하나의 다항식에 묶을 때), AMLE 를 통한 모델 선택이 매우 정확하게 수행됩니다. 반대로, 근을 잘못 할당하여 혼합 모델 (예: MAR(1,1)) 을 시도하면 로그우도 값이 낮아지거나 잘못된 모델을 선택할 위험이 있습니다.

C. 실증 분석 (Empirical Applications)

COVID-19 사망자 수 (벨기에 및 이탈리아):
- 이탈리아: 순수 인과 모델 (AR(2)) 이 선택되었으며, 복소수 근을 통해 주기적 변동이 설명되었습니다.
- 벨기에: MAR(2,2) 모델이 선택되었습니다. 인과 부분은 복소수 근 (주기적 진동) 을, 비인과 부분은 실수 근 (0 주파수와 Nyquist 주파수) 을 가집니다. 특히 Nyquist 주파수 근이 비인과 부분에 위치하여 데이터의 '지그재그 (zig-zag)' 패턴과 계절적 버블을 성공적으로 포착했습니다. 근의 할당을 잘못하면 모델 적합도가 현저히 떨어지는 것을 확인했습니다.
대두 가격 (Soybean Prices):
- 기존 연구 (Fries and Zakoian, 2019) 와 다른 결과를 도출했습니다. MAR(2,3) 모델을 선택하여, 인과 부분에 0 주파수와 Nyquist 주파수 근을, 비인과 부분에 복소수 켤레 근 (6 개월 주기) 과 0 주파수 근을 할당했습니다. 이는 월별 데이터의 6 개월 주기 (복소수 근) 와 계절적 버블 현상을 더 잘 설명합니다.

4. 의의 및 시사점 (Significance)

모델 선택 절차의 개선: MAR 모델 선택 시, 의사 인과 모델을 먼저 추정하여 근을 파악하고, 복소수 켤레 근이 존재할 경우 이를 묶어서 할당하는 전략을 통해 모델 탐색 공간을 축소하고 최적해를 찾을 확률을 높일 수 있습니다.
계절성 버블의 이해: 비인과적 성분이 포함된 MAR 모델은 단순한 주기적 변동을 넘어, 일시적인 폭발적 증가 후 급격한 하락 (계절적 버블) 과 같은 비선형 동학을 설명하는 데 유용함을 입증했습니다.
실무적 적용: 금융 및 거시경제 데이터에서 관찰되는 복잡한 계절적 패턴과 비선형성을 모델링할 때, 전통적인 SARIMA 모델 대신 MAR 모델을 적용하고, 근의 주파수 특성을 고려하여 인과/비인과 성분을 적절히 배분하는 것이 중요함을 강조합니다.

결론

이 논문은 혼합 인과 - 비인과 모델에서 계절성이 어떻게 작동하는지에 대한 이론적 토대를 마련했습니다. 인과와 비인과 성분이 결합되어도 새로운 계절적 주기가 생성되지 않으며, 복소수 근의 특성 (켤레 쌍) 을 활용하면 모델 식별과 선택이 훨씬 효율적이 된다는 점을 실증적으로 증명했습니다. 이는 비선형 시계열 분석, 특히 계절적 버블이나 주기적 변동이 포함된 데이터 분석에 중요한 방법론적 지침을 제공합니다.