Estimated Dynamic Equilibrium Model: Supply and Demand as a Sample Path of a Stochastic Process

기술적 요약: 추정 동적 균형 모델 (EDEM)

문제 제기
본 논문은 버블, 붕괴, 그리고 지속적인 횡단면 수익률 이상 현상과 같은 시장 현상을 설명하는 데 효율적 시장 가설 (EMH) 이 지속적으로 실패하는 문제를 다룬다. '의견의 불일치 (divergence of opinion)'에 관한 실증 문헌 (Miller, 1977) 은 의견 불일치에 대한 프리미엄을 예측하는 이론과 할인율을 예측하는 이론 등 경쟁 이론들을 제시하지만, 이러한 발견들은 모순적이며 종종 관찰 창구 (window of observation) 에 따라 달라진다. 저자들은 이러한 혼란의 근원이 공급과 수요의 정적 (static) 프레임에 있음을 주장한다. 실제 시장은 고정된 일정이 아니라, 오늘의 가격이 내일의 가치 평가로 피드백되는 연속적인 확률 과정이다. 본 논문은 투자자의 비합리성, 낙관주의, 또는 행동 편향을 가정하지 않고도 단순하고 상식적인 규칙으로부터 지속적인 불균형이 발생할 수 있는지 여부를 결정하기 위한 생성적 하향식 (bottom-up) 모델을 구축하고자 한다.

방법론
저자들은 Python 라이브러리 Mesa 에 구현된 에이전트 기반 프레임워크 (ABM) 인 **추정 동적 균형 모델 (EDEM)**을 제시한다. 이 모델은 토로이달 격자 (toroidal grid) 위의 부동산 시장을 시뮬레이션하며, 이질적인 에이전트 (구매자와 판매자) 가 다음과 같은 구조적 규칙 하에서 상호작용한다:

1. 이질적 추정: 에이전트는 자산 가치에 대한 개인적 추정 함수를 보유하며, 이는 $E_{i,t}(h) = v_t(h) \cdot (1 + \epsilon_{i,t,h})$로 정의된다. 여기서 $\epsilon$은 에이전트별 분산 $\sigma$를 가진 평균이 0 인 오차항이다. 중요한 점은 오차가 평균이 0 이라는 것이며, 에이전트는 본질적으로 편향되지 않았다는 것이다.
2. 최대 입찰 청산: 판매자는 잡음이 섞인 추정치들의 풀 (pool) 로부터 받은 최대 입찰가를 선택한다.
3. 입찰 - 계약 규칙: 구매자는 제시된 가격이 자신의 현재까지의 평균 입찰가 이상일 때만 구매에 합의한다. 이는 실제 거래를 구매자 자신의 입찰 분포의 상단 꼬리 (upper tail) 로 제한한다.
4. 동적 피드백:
   • 동적 균형 (DE) 변형: 최근 $W$개 거래의 이동 평균을 사용하여 시장 가격을 업데이트한다. 공급과 수요량은 가격 증가분에 반응하는 '밸런서' 매개변수 ($C_b, C_s$) 를 통해 조정되어, 평균 회귀 또는 추종 행동을 시뮬레이션한다.
   • 투기적 시장 변형: 자산 가치를 승승자 입찰과 현재 가치의 비율에 따라 곱셈적으로 업데이트하여, 무제한 버블을 연구할 수 있게 한다.

이 모델은 공급과 수요를 결정론적 일정이 아닌, 가격 증가분과 밸런서 매개변수에 의해 주도되는 정수 값의 랜덤 워크로 취급한다.

주요 기여

1. 순서 통계량 드리프트 메커니즘: 본 논문은 평균이 0 인 추정 오차가 있더라도 $n$개의 입찰을 받은 판매자의 기대 승자 입찰가는 실제 가치보다 $1 + \sigma(n-1)/(n+1)$배만큼 초과한다는 폐쇄형 (closed-form) 결과를 유도한다. 이 '순서 통계량 편향'은 $n$개의 잡음 섞인 표본 중 최댓값이 평균보다 엄격하게 크기 때문에 발생한다.
2. 복합 지수적 성장: 저자들은 이 실현된 최댓값이 다음 기간의 가치 평가 기준 (승승자 입찰에 대한 곱셈적 업데이트 규칙을 통해) 으로 피드백될 때, 이 편향이 곱셈적으로 누적됨을 보여준다. 이는 투자자의 낙관주의나 비합리성에 대한 어떤 가정도 필요 없이 지속적인 상승 가격 드리프트와 지수적 버블을 생성한다.
3. 체제 통합 프레임워크: EDEM 은 $\sigma \to 0$일 때의 고전적 월라스 (Walrasian) 균형과 단일 기간 한계로서의 밀러 (Miller) 의 정적 프리미엄을 특수한 경우로 포함한다. 또한, 추정 노이즈, 판매자의 인내심, 그리고 밸런서 강도에 따라 매개변수화된 단일 에이전트 규칙 세트에서 발생하는 여섯 가지 뚜렷한 불균형 체제를 식별한다:
   • 밴드 안정 균형
   • 내생적 경기 순환
   • 지속적인 과잉 및 과소 조정
   • 탈조절 지수적 버블
   • 상수 전이 (정착되지 않음)

결과
여덟 가지 주요 통제 실험과 30 개 셀의 민감도 그리드를 통해 저자들은 다음과 같은 것을 관찰한다:

• 안정적 vs 불안정적 동역학: 낮은 추정 노이즈와 moderate 한 인내심은 안정적인 균형을 산출한다. 높은 노이즈는 경기 순환을 유발하며, 높은 인내심 또는 낮은 에이전트 밀도는 교과서적 균형으로부터의 지속적인 편차 (과잉 또는 과소 조정) 를 생성한다.
• 버블 생성: 밸런서가 없는 ($C_b=0$) 투기적 변형에서 moderate 한 노이즈 ($\sigma=15\%$) 하에서 가격은 지수적으로 성장하여 (3000 틱 동안 실제 가치의 약 421 배에 도달) 버블을 형성한다.
• 선형 밸런서의 비효율성: 평균 회귀 밸런서 ($C_b > 0$) 는 드리프트를 감쇠시키지만 제거하지는 않는다. 추종 밸런서 ($C_b < 0$) 는 더 큰 버블을 허용한다. 결정적으로, 선형 밸런서의 어떤 설정도 시뮬레이션 시간 규모 내에서 가격을 공정한 가치 ($v_t/v^* = 1$) 로 회복시키지 못한다.
• 민감도: 순서 통계량 드리프트는 매개변수 그리드 전반에 걸쳐 보편적이다. 밸런서 계수와 노이즈 수준의 모든 조합이 $v_t/v^* > 1$로 이어졌다.

의의 및 주장
본 논문은 의견 불일치 문헌의 모순적인 실증 발견들에 대한 구조적 설명을 제공한다는 겸손한 주장을 한다. 이는 연구가 '프리미엄' 또는 '할인'을 관찰하는지 여부는 짧은 창구 연구가 구분할 수 없는 근본적인 확률 궤적 (stochastic trajectory) 을 따라 샘플이 위치한 위치에 달려 있다고 가정한다.

주요 이론적 함의는 버블이 피드백을 동반한 최대 입찰 청산의 통계적 필연성이라는 점이며, 행동적 이상 현상이 아니다. 부차적이지만 실용적인 함의는 머신러닝 가치 평가 알고리즘 (예: Zillow Offers) 에 관한 것이다. 저자들은 역사적 청산 가격으로 훈련된 알고리즘이 무의식적으로 인구 평균이 아닌 상위 순서 통계량 (승자 입찰) 을 학습한다고 주장한다. 배포될 때, 이러한 알고리즘은 양의 편향을 가진 추정기로 작용하여, 가격 책정을 목적으로 했던 바로 그 버블을 증폭시키는 조정 신호를 제공한다. 본 논문은 이를 교정하기 위해서는 역사적 청산 가격을 편향 없는 훈련 대상으로 취급하는 것이 아니라 '선택 인식 (selection-aware)' 절차 (예: 중앙값 예측 또는 검열된 데이터 가능도 사용) 가 필요하다고 결론 내린다.