From Vector Autoregressions to AI-based Time Series Forecasting: A Review

당신이 날씨, 주식 시장, 혹은 친구가 다음에 할 말을 예측하려고 한다고 상상해 보십시오. 데이터 과학의 세계에서 이것을 **예측(forecasting)**이라고 부릅니다. 수십 년 동안, 여러 움직이는 요소들(온도, 바람, 습도가 동시에 움직이는 것처럼)을 다루는 데 있어 골드 스탠다드로 여겨져 온 수학적 도구가 바로 벡터 자기회귀(Vector Autoregression), 즉 VAR입니다. VAR를 아주 엄격하고 규칙을 잘 따르는 회계사라고 생각하십시오. 이 모델은 과거를 살펴보고, 미래가 과거와 똑같되 약간만 변형된 형태일 것이라고 가정하며, 고정된 규칙을 사용하여 다음에 일어날 일을 추측합니다. 이는 어떤 일이 왜 발생하는지 이해하고 이론을 테스트하는 데는 매우 훌륭하지만, 데이터가 복잡해지거나 거대해지면 다소 경직된 모습을 보입니다.

최근에는 **인공지능(AI)**이라는 새로운 물결이 도래하여, 트랜스포머(Transformers)(챗봇의 기반이 되는 기술), 파운데이션 모델(Foundation Models)(모든 것을 학습한 초지능 모델), 그리고 확산 모델(Diffusion Models)(새로운 이미지를 생성하는 생성형 예술 도구)과 같은 도구들을 가져왔습니다. 이 새로운 AI 도구들은 마치 거칠고 창의적인 즉흥 연주가들과 같습니다. 이들은 방대한 양의 데이터를 처리하고, 기묘한 패턴을 포착하며, 동시에 여러 가지 가능한 미래를 상상할 수 있습니다. 하지만 여기서 중요한 질문이 생깁니다. 이 화려한 새로운 AI 도구들이 실제로 세상을 더 잘 이해하고 있는 것일까요, 아니면 그저 추측을 아주 잘하는 것뿐일까요? 이 논문은 오래되고 경직된 회계사(VAR)와 새롭고 창의적인 AI 즉흥 연주가를 비교하여, 그들이 어디에서 빛을 발하고, 어디에서 비틀거리며, 우리가 어떻게 그들의 장점들을 혼합해야 하는지를 보여주는 가이드북입니다.

---

위대한 예측의 격돌: 오래된 규칙 vs 새로운 기술

리카이 첸(Likai Chen)과 웨이닝 왕(Weining Wang)이 작성한 이 논문은 서로 대화가 거의 없는 두 세계, 즉 전통적인 계량경제학(경제학의 수학)의 세계와 현대적인 AI 예측의 세계 사이를 잇는 가교 역할을 합니다. 저자들은 AI 모델이 미래를 예측하는 데 놀라울 정도로 능숙해지고 있지만, 구 모델이 가진 '영혼'—즉, 왜 그런 일이 일어나는지 설명하고 그 추측이 구조적으로 타당하다는 것을 증명하는 능력—을 놓치고 있다고 주장합니다.

논문은 모든 시간 여행 예측자가 직면하게 되는 세 가지 큰 과제를 중심으로 이야기를 구성합니다: 고차원성(너무 많은 변수), 비정상성(게임의 규칙이 계속 변함), 그리고 비선형성(사물이 항상 직선으로 움직이지 않음).

1. 구세대: 경직된 청사진으로서의 VAR

40년 동안 **벡터 자기회귀(VAR)**는 최고의 도구였습니다. VAR를 건물의 청사진이라고 상상해 보십시오. VAR는 만약 당신이 어제의 건물 움직임을 안다면, 고정된 청사진(계수)을 사용하여 오늘 건물이 어떻게 움직일지 정확히 계산할 수 있다고 가정합니다.

• 장점: 투명합니다. "만약 내가 이 벽을 밀면(정책 충격), 지붕은 어떻게 반응할까?"라고 물었을 때, **충격 반응 함수(impulse response)**라는 명확한 답을 얻을 수 있습니다. 또한 한 가지가 정말로 다른 것에 원인이 되는지 확인하기 위한 내장된 테스트를 갖추고 있습니다.
• 단점: 경직되어 있습니다. 만약 건물이 이상하게, 즉 직선이 아닌 방식으로 흔들리기 시작하거나, 지반이 이동하여 청사진을 변경해야 한다면 VAR는 혼란에 빠집니다. 또한 너무 많은 벽(변수)을 추가하려고 하면 수학적 계산이 너무 무거워져 어려움을 겪습니다.

2. 새로운 세대: 트랜스포머와 어텐션(Attention)

이제 AI의 주인공인 **트랜스포머(Transformer)**가 등장합니다. 저자들은 이를 VAR의 "비선형 일반화"라고 설명합니다.

• 비유: 만약 VAR가 경직된 청사진이라면, 트랜스포ло머는 스마트한 스포트라이트입니다. 과거의 데이터에 고정된 규칙을 사용하는 대신, 트랜스포머는 지금 이 순간 가장 중요해 보이는 과거의 부분에 스포트라이트를 비춥니다.
• 작동 방식: VAR에서는 지난달 데이터에 부여되는 가중치가 매번 동일합니다. 반면 트랜스포머의 "어텐션 가중치(attention weights)"는 현재 상황에 따라 변합니다. 경제가 위기 상황이라면 스포트라이트는 최근의 충격에 강렬하게 집중할 것이고, 상황이 안정적이라면 더 먼 과거를 바라볼 것입니다.
• 함정: 이러한 유연함에는 대가가 따릅니다. 스포트라이트가 계속 움직이기 때문에, "여기서 고정된 규칙은 무엇인가?"라고 쉽게 물을 수 없습니다. 논문은 트랜스포머가 무엇이 일어날지 예측하는 데는 뛰어나지만, 왜 일어나는지 설명하는 데는 서투르다고 지적합니다. 이들은 경제학자들이 필요로 하는 "충격 반응"이나 "인과성 테스트"를 자연스럽게 생성하지 못합니다.

3. 완벽하게 준비된 자들: 파운데이션 모델

다음으로 논문은 파운데이션 모델을 살펴봅니다. 이들은 시험을 치르기 전에 도서관의 모든 교과서를 읽은 궁극의 학생들과 같습니다.

• 변화: 전통적으로는 특정 문제마다 새로운 모델을 구축해야 했습니다(예: 인플레이션용 모델 하나, 판매량용 모델 하나). 파 unrelated 파운데이션 모델은 방대한 양의 다양한 시계열 데이터를 통해 **사전 학습(pre-trained)**되었습니다.
• 제로샷 예측(Zero-Shot Forecasting): 이는 모델에게 한 번도 본 적 없는 새로운 데이터셋을 주더라도, 재학습 없이 미래를 예측할 수 있음을 의미합니다. 이는 마치 학생에게 새로운 수학 문제를 건네주었을 때, 학생이 이미 수백만 개의 유사한 문제를 보았기 때문에 즉시 문제를 푸는 것과 같습니다.
• 위험 요소: 저자들은 **오염(contamination)**에 대해 경고합니다. 만약 모델이 테스트 데이터가 실수로 포함된 데이터로 학습되었다면, 그 "완벽한" 점수는 거짓입니다. 이는 마치 정답지를 암기한 학생과 같습니다. 논문은 이러한 모델들이 인상적이긴 하지만, 어떻게 테스트해야 하는지에 대해 주의가 필요하다고 제言합니다.

4. 꿈꾸는 자들: 확산 모델(Diffusion Models)

마지막으로 확산 모델이 있습니다. VAR가 하나의 숫자(점 예측)를 주고 트랜스포머가 몇 가지 가능한 숫자를 준다면, 확산 모델은 가능성의 전체 영화를 보여줍니다.

• 메커니즘: 구름이 천천히 맑은 하늘로 변하는 영상을 상상해 보십시오. 확산 모델은 그 반대로 작동합니다. 순수한 노이즈(static)에서 시작하여, 명확한 미래의 모습이 나타날 때까지 서서히 "노이즈를 제거(denoising)"합니다.
• 강점: 단순히 "비가 올 것이다"라고 말하는 대신, 폭우가 쏟아지는 경로, 이슬비가 내리는 경로, 갑자기 비가 그치는 경로 등 수천 가지의 서로 다른 시나리오를 생성할 수 있습니다. 이는 기존 방식보다 불확실성을 훨씬 더 잘 포착합니다.
• 한계: 다른 AI 모델들과 마찬가지로, 이 모델은 내재적으로 장기적인 경제 규칙(예: 공적분 관계)을 알지 못합니다. 경제 이론상 반드시 연결되어 있어야 함에도 불구하고, 인플레이션과 금리가 영원히 따로 노는 미래를 생성할 수도 있습니다.

핵심 결론: 유연성 vs 이해력

저자들은 다음과 같은 결정적인 통찰로 결론을 맺습니다: 현대의 AI 방법론은 기존의 도구를 대체하는 것이 아니라, 도구 상자를 확장하는 것입니다.

• 얻은 것: AI 모델은 비선형성(기묘하고 굽어지는 패턴)과 고차원성(방대한 양의 데이터)을 처리하는 데 탁월합니다. 이들은 우리가 직접 규칙을 쓰지 않아도 데이터로부터 복잡한 규칙을 학습할 수 있습니다.
• 잃은 것: 이들은 기존 VAR의 구조적 도구가 부족합니다. 이들은 자연스럽게 "충격 반응"(충격이 어떻게 전달되는지), "그랜저 인과관계"(A가 B의 원인인가?), 또는 "공적분 관계"(변수들이 장기적으로 연결되어 있는가?)를 제공하지 않습니다.
• 판결: 논문은 우리가 오래된 계량경제학 도구를 버려서는 안 된다고 주장합니다. 대신, 우리는 AI의 예측력과 계량경제학의 설명력을 결합해야 합니다.

저자들은 미래가 하이브리드 접근 방식에 있다고 제안합니다. 우리는 이 유연하고 블랙박스 같은 AI 모델들을 가져와서, 경제의 구조적 규칙을 존중하도록 강제하거나, 적어도 그들의 예측이 타당한지 테스트할 수 있는 새로운 방법을 개발해야 합니다. 그때까지, AI가 무엇이 일어날 수 있는지는 말해줄 수 있지만, 그것이 왜 중요한지, 그리고 어떻게 해결해야 하는지를 알려주는 데는 여전히 전통적인 계량경제학자들이 최고입니다. 논문은 이를 "중심적인 열린 문제"라고 부르며 끝을 맺습니다. 즉, 어떻게 하면 이 강력한 새로운 기계들을 단순한 '잘 맞히는 추측가'가 아닌, '훌륭한 설명가'로 만들 것인가 하는 문제입니다.