💰 quantitative finance

Forecasting Oil Prices Across the Distribution: A Quantile VAR Approach

이 논문은 1975 년부터 2025 년까지의 데이터를 활용하여 양적 벡터 자기회귀 (QBVAR) 모델을 개발함으로써, 기존 평균 중심 접근법이 놓친 비대칭적 역학을 포착하여 중위수 예측 정확도를 높이고 특히 위기 시기에 하방 위험 예측을 크게 개선함을 보여줍니다.

원저자: Hilde C. Bjornland, Nicolas Hardy, Dimitris Korobilis

게시일 2026-04-15

📖 2 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Hilde C. Bjornland, Nicolas Hardy, Dimitris Korobilis

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

🌧️ 비유: "날씨 예보관"의 새로운 도구

기존의 유가 예측 모델들은 마치 **"내일 평균 기온이 20 도일 것이다"**라고만 말해주는 날씨 예보관과 같습니다. 이는 평범한 날에는 유용하지만, 태풍이 오거나 한파가 닥칠 때는 큰 실수를 합니다. "평균 20 도"라고 해서 갑자기 -20 도의 한파가 올지, +40 도의 폭염이 올지 알 수 없기 때문입니다.

이 논문은 **"양적 베이지안 VAR(QBVAR)"**이라는 새로운 예보 도구를 개발했습니다. 이 도구는 단순히 평균만 보지 않고, **"비가 올 확률", "폭우가 쏟아질 확률", "태풍이 닥칠 확률"**까지 세분화해서 알려줍니다.

🔍 이 연구가 발견한 3 가지 핵심 사실

연구진은 1975 년부터 2025 년까지 50 년 간의 데이터를 분석하여 다음과 같은 놀라운 사실을 찾아냈습니다.

1. 평균 예측도 더 정확해졌습니다 (중간 예측)

기존 모델보다 2~5% 더 정확하게 유가의 '평균적인' 움직임을 예측할 수 있었습니다.

비유: 기존 예보관이 "내일 평균 기온 20 도"라고 했다면, 이 새로운 도구는 "내일 평균 기온은 20 도지만, 아침에는 18 도, 오후에는 22 도까지 변할 수 있어"라고 더 세밀하게 알려주는 셈입니다.

2. '폭락' (가격 하락) 을 미리 감지하는 데 탁월합니다 (왼쪽 꼬리)

가장 큰 성과는 **유가가 급격히 떨어질 위험 (다운사이드 리스크)**을 예측하는 능력입니다.

비유: 금융 시장의 '불안감'이나 '신용 위기' 같은 신호는 평소에는 유가 평균과 상관없어 보이지만, 유가가 폭락하기 직전에는 강력한 경고 신호로 작용합니다.
결과: 이 모델은 불확실성이나 금융 위기가 커질 때, **"유가가 10~25% 더 정확하게 폭락할 것"**이라고 미리 경고했습니다. 이는 2008 년 금융위기나 2020 년 코로나 팬데믹 때처럼 유가가 급락하는 시기에 특히 유용합니다.

3. '폭등' (가격 상승) 예측은 여전히 어렵습니다 (오른쪽 꼬리)

반면, 유가가 갑자기 폭등하는 상황 (예: 전쟁, 공급 차단) 을 예측하는 것은 여전히 어렵습니다.

비유: 유가 폭등은 보통 예측 불가능한 '갑작스러운 사고'나 '전쟁'처럼 발생하기 때문에, 통계적 모델로 잡기 힘듭니다.
해결책: 이 모델은 폭등 예측에는 약하지만, 기존에 잘하던 '변동성 모델'과 **혼합 (Combination)**하면 폭등 예측 능력도 크게 향상됩니다. 마치 "폭우 예보관"과 "태풍 예보관"을 합치면 더 완벽한 날씨 예보가 되는 것과 같습니다.

💡 왜 이 연구가 중요한가요?

이 연구는 "평균"만 보는 것이 아니라 "위험"을 보는 관점의 중요성을 강조합니다.

투자자/기업에게: 유가가 떨어질 때 큰 손실을 입지 않도록 미리 대비할 수 있습니다. (예: "지금 불확실성이 높으니, 유가 폭락에 대비해 헤징을 하라")
정책 입안자에게: 유가 급등/급락이 경제에 미치는 충격을 미리 감지하여 정책을 세울 수 있습니다.

📝 한 줄 요약

"기존의 유가 예측은 '평균'만 봤다면, 이 새로운 방법은 '폭락'과 '폭등'이라는 극단적인 상황을 미리 감지하여, 더 안전한 경제 항해를 도와줍니다."

이처럼 이 논문은 유가 예측을 단순한 숫자 놀음이 아니라, 실제 경제 리스크를 관리하는 강력한 도구로 업그레이드했습니다.

1. 연구 배경 및 문제 제기 (Problem)

유가 예측의 난제: 유가는 글로벌 경제 활동에 핵심적이지만, 예측이 매우 어렵습니다. 기존 연구 (Alquist et al., 2013; Ellwanger and Snudden, 2023) 에 따르면 유가 선물 가격은 단순한 '변화 없음 (No-change)' 예측보다 우월하지 않으며, 복잡한 계량 모델조차 2014~2016 년 폭락, 2020 년 음의 가격, 2022 년 러시아 - 우크라이나 전쟁 등 주요 위기 시나리오를 예측하지 못했습니다.
평균 기반 모델의 한계: 기존 베이지안 VAR(BVAR) 이나 확률적 변동성 (Stochastic Volatility, SV) 모델은 조건부 평균 (Conditional Mean) 을 중심으로 불확실성을 설명합니다. 그러나 유가 변화는 무거운 꼬리 (Heavy-tailed) 와 비대칭적 (Asymmetric) 분포를 가지며, 금융 불확실성 등의 예측 변수는 분포의 중심이 아닌 꼬리 (특히 왼쪽 꼬리) 에 더 큰 영향을 미칩니다. 따라서 평균만 예측하는 모델은 극단적 사건 (Tail Events) 의 가능성을 간과합니다.
연구 목적: 분포의 전체적인 형태 (특히 하방 및 상방 위험) 를 명시적으로 모델링하여, 위기 시나리오에서의 리스크 평가와 정책적 예측 정확도를 높이는 것입니다.

2. 방법론 (Methodology)

저자들은 QBVAR(Quantile Bayesian VAR) 모델을 개발하여 조건부 분포의 특정 분위수 (Quantile) 마다 다른 동역학을 포착합니다.

모델 구조:
- 기존 BVAR 의 공분산 행렬을 요인 분해 (Factor Decomposition) 한 Korobilis (2022) 의 프레임워크를 확장했습니다.
- $y_t = \Phi_q x_t + \Lambda_q f_{t,q} + v_{t,q}$ 형태로, 각 분위수 $q$ 마다 회귀계수 ( $\Phi_q$ ), 요인 부하량 ( $\Lambda_q$ ), 잠재 요인 ( $f_{t,q}$ ) 이 달라집니다.
- 이는 분포의 중앙 (Median) 을 움직이는 요인과 꼬리를 움직이는 요인이 다를 수 있음을 허용합니다.
추정 기법:
- 비대칭 라플라스 분포 (ALD): 양적 회귀의 우도 함수를 계산하기 위해 ALD 를 사용하지만, 이는 실제 오차 분포를 가정하기보다 '작동 우도 (Working Likelihood)'로 활용됩니다.
- 혼합 표현 (Mixture Representation): ALD 를 정규 분포와 지수 분포의 혼합으로 표현하여, 깁스 샘플링 (Gibbs Sampling) 을 통한 베이지안 추정이 가능하도록 했습니다.
- 계층적 축소 (Hierarchical Shrinkage): Horseshoe Prior 를 사용하여 불필요한 계수를 0 으로 축소하고 중요한 예측 변수를 유지하도록 했습니다.
- 요인 구조 (Factor Structure): 변수의 순서에 의존하지 않는 (Ordering-invariant) 요인 기반 구조를 사용하여, Cholesky 분해 기반의 기존 양적 VAR 의 한계를 극복했습니다.
예측 방식:
- 1 단계 예측은 ALD 혼합 표현을 사용하지만, 다단계 (Multi-step) 예측은 추정된 계수를 기반으로 가우시안 혁신 (Gaussian Innovation) 을 사용하여 시뮬레이션합니다. 이는 ALD 의 보조 변수가 예외적 경로 (Explosive paths) 를 생성하는 것을 방지하기 위함입니다.
- 예측 정확도는 양적 점수 (Quantile Score, Pinball Loss) 로 평가합니다.

3. 주요 기여 (Key Contributions)

방법론적 혁신: 유가 이동의 전체 조건부 분포를 모델링하는 순서 불변 (Ordering-invariant) 인 베이지안 양적 VAR을 개발했습니다.
비대칭적 메커니즘 규명: 유가 변동의 결정 요인이 분위수마다 현저히 다르다는 새로운 증거를 제시했습니다. 즉, 평균 기반 모델이나 밀도 예측 모델에서는 숨겨져 있던 비대칭적 메커니즘을 발견했습니다.
실증적 성과: 랜덤 워크 (Random Walk) 와 최첨단 BVAR-SV(확률적 변동성 포함) 벤치마크 대비, 특히 주요 유가 충격 시나리오에서 꼬리 예측 (Tail Forecasting) 의 획기적인 개선을 입증했습니다.

4. 실증 결과 (Key Findings)

1975 년~2025 년 데이터를 기반으로 한 아웃 - 오브 - 샘플 (Out-of-sample) 분석 결과는 다음과 같습니다.

중앙값 예측의 개선: QBVAR 은 표준 BVAR 대비 중앙값 (Median) 예측을 2~5% 개선했습니다. 이는 점 예측 (Point Prediction) 에서도 분위수별 동역학이 중요함을 보여줍니다.
하방 위험 (Downside Risk) 예측의 우위:
- 불확실성 (Uncertainty) 및 금융 조건 (Financial Conditions) 변수 (예: JLN 지수, GZ 스프레드) 가 하방 위험을 강력하게 예측합니다.
- 왼쪽 꼬리 (QS10) 예측 정확도는 10~25% 개선되었으며, 이는 위기 국면 (2008 금융위기, 2014~16 유가 폭락, COVID-19) 에 더욱 두드러집니다.
- 이는 금융 스트레스와 불확실성이 유가 하락을 예고하는 '예방적 수요 (Precautionary Demand)' 채널을 통해 작용함을 시사합니다.
상방 위험 (Upside Risk) 예측의 어려움:
- 오른쪽 꼬리 (QS90) 예측은 여전히 어렵습니다. QBVAR 은 일반적으로 확률적 변동성 (SV) 모델보다 상방 위험 예측에서 열세를 보입니다.
- 유가 폭등은 예측하기 어려운 공급 충격 (Supply Disruption) 에 의해 발생하는 반면, 폭락은 관찰 가능한 금융 스트레스를 통해 점진적으로 형성되기 때문입니다.
- 예측 결합 (Forecast Combination): QBVAR 과 BVAR-SV 를 결합하면 상방 위험 예측의 손실을 회복하고 전체 분포에 걸쳐 최적의 성능을 달성할 수 있습니다.

5. 중요성 및 시사점 (Significance)

리스크 관리 및 정책: 전통적인 평균 기반 모델은 금융 스트레스가 고조될 때 하방 리스크를 체계적으로 과소평가할 수 있습니다. QBVAR 은 이러한 시기에 유가 폭락의 조기 경보 신호를 제공하여 투자자, 기업 (헤징), 정책 입안자에게 실질적인 가치를 제공합니다.
예측 전략의 전환: 유가 예측은 단순히 '평균'을 맞추는 것이 아니라, 분포의 모양 (Location, Spread, Asymmetry) 을 이해하는 것이 중요함을 보여줍니다.
실무적 적용:
- 하방 위험: 불확실성 및 금융 조건 변수를 포함한 QBVAR 사용.
- 상방 위험: 공급 충격 예측이 어렵기 때문에 확률적 변동성 모델과의 결합이 필요.
- 위기 대응: 주요 시장 교란 (Disruption) 기간에는 분포 기반 모델링이 평균 기반 모델보다 월등한 성과를 냅니다.

결론적으로, 이 논문은 유가 예측에서 조건부 분포 (Conditional Distribution) 를 명시적으로 모델링하는 것이 리스크 평가와 정책 관련 예측에 있어 평균이나 내포된 밀도 (Implied Density) 만을 다루는 기존 접근법보다 훨씬 큰 개선을 가져온다는 것을 입증했습니다.