기술 요약: 다변량 CIR 프로세스를 위한 분할 상환형 개입 예측 (Amortized Interventional Forecasting)

1. 문제 정의

단기 금리, 부도 강도(default intensities), 신용 부도 스와프(CDS) 스프레드와 같은 금융 시계열은 일반적으로 코크스-잉거솔-로스(Cox–Ingersoll–Ross, CIR) 프레임워크를 사용하는 평균 회귀 프로세스로 모델링됩니다. 표준 다변량 CIR 모델은 상관관계가 있는 공동 움직임을 성공적으로 포착하지만, 시리즈 간의 **인과적 영향(causal influence)**을 표현하는 메커니즘이 부족합니다. 결과적으로, 이 모델들은 개입 쿼리(interventional queries), 즉 특정 스프레드를 스트레스 상황의 수준으로 강제하는 것과 같이 한 시리즈가 외부 충격을 받았을 때 시스템이 어떻게 반응하는지를 예측할 수 없습니다.

현재의 예측 모델은 대개 조건부(conditional) 예측(특정 변수가 특정 수준을 취했던 과거 경로가 주어졌을 때 미래 값을 예측하는 방식)을 제공합니다. 이는 상관관계와 인과관계를 혼동합니다. 상관관계가 있는 시리즈의 높은 수치는 공유된 스트레스의 증상일 뿐 원인이 아닐 수 있습니다. 따라서 조건부 모델은 인과적으로 차단된(causally shielded) 시리즈에 충격 효과를 잘못 귀속시켜, 스트레스 테스트 시 "유령(phantom)" 리스크 평가를 초래할 수 있습니다.

핵심 과제는 다변량 CIR 프로세스에 대해 $p(\mathbf{V} | \mathcal{D}_{M_o}, do(V_i))$를 추정하는 **개입적 예측(interventional forecasting)**입니다. 이는 관측적 동등성(observational equivalence) 문제로 인해 복잡해지는데, 여러 인과 모델이 동일한 관측 데이터를 생성하면서도 서로 다른 개입 결과를 초ền할 수 있기 때문입니다. 또한, 실제 금융 데이터에는 개입의 정답(ground-truth) 샘플이 존재하지 않으므로, 합성 벤치마크 없이는 인과 예측 모델의 평가가 불가능합니다.

2. 방법론

본 논문은 인과적 데이터 생성기와 분할 상환형 추론 모델을 결합한 CIR-ACTIVA 프레임워크를 제안합니다.

2.1 인과적 다변량 CIR 시뮬레이터

모델 학습 및 평가를 위해 저자들은 인과적 다변량 CIR 데이터 생성 프로세스를 도입합니다. 이 시뮬레이터는 실제 시장에서는 구할 수 없는 쌍을 이룬 관측 샘플과 개입 샘플을 생성합니다.

• 구조적 인과 모델 (SCM): 모델은 각 변수가 이산화된 CIR 방정식에 따라 진화하는 $d$개의 변수를 정의합니다.
• 인과적 장기 평균 (Causal Long-Run Mean): 장기 평균이 고정된 표준 CIR 모델과 달리, 여기에서 평균 $b_{t+1}^i$는 인과적 부모($PaV_i$)의 동시적 값들과 시간 변조 인자 $c_i(t)$의 구조적 함수입니다.
• 소프트 개입 (Soft Interventions): 시뮬레이터는 대상 변수의 역학을 유지하면서도 부모에 대한 의존성을 보존하는 방식으로 $do(V_i := (1+\delta)f_i)$ 소프트 개입을 적용하여 타겟 변수의 역학을 재조정합니다.
• 변형 모델: 시뮬레이터는 비순환(non-cyclical, 정적 평균) 변형과 장기 평균이 사인파 변조를 따르는 순환(cyclical) 변형을 포함하여, 시변 역학(time-varying dynamics)을 추적하는 모델의 능력을 테스트합니다.
• 캘리브레이션: 파라미터는 실제 5년물 CDS 데이터(2015–2021)를 바탕로 캘리브레이션되어, 주변 통계량(수준, 자기상관, 꼬리 행동)이 실제 시장과 유사하도록 합니다. 다만, 순수 확산(pure diffusion)만으로는 실제의 두꺼운 꼬리(fat tails)나 충격 지속성을 재현하기 어렵다는 점을 인정합니다.

2.2 CIR-ACTIVA 모델 아키텍처

이 모델은 ACTIVA 프레임워크($\beta$-CVAE 기반의 분할 상환형 인과 추정기)를 시계열 데이터에 맞게 변형한 것입니다.

• 시계열 프레임링: 데이터를 순서 없는 집합으로 취급하는 대신, 모델은 시간을 변수로 승격시킵니다. 각 관측치는 튜플 $(\mathbf{y}, t)$가 됩니다. 이를 통해 모델은 엄격한 아키텍처 유도 편향(RNN과 같은)을 강요하지 않고, 시간을 하나의 특징(feature)으로 하는 테이블 예측 문제로 취급함으로써 시간적 의존성을 학습할 수 있습니다.
• 인코더 (Encoder): 관측 컨텍스트와 개입 쿼리를 처리하기 위해 등변(equivariant) 트랜스포머 인코더를 사용합니다. 순열 등변성(permutation equivariance)을 유지하면서 인과 모델에 대한 다중 모드 잠재 분포를 표현하기 위해 **조건부 연속 정규화 흐름(Conditional Continuous Normalizing Flow)**을 사전 확률 $p_\eta(\mathbf{z} | \mathcal{D}_{M_o}, \mathbf{i})$로 채택합니다.
• 디코더 (Decoder): 트랜스포머 디코더는 잠재 코드 $\mathbf{z}$를 변수 및 시간에 대한 결합 분포로 매핑합니다. 결정적으로, **호라이즌 버킷형 디코더(horizon-bucketed decoder)**를 사용합니다. 예측 호라이즌을 $K$개의 시간 버킷으로 나누고, 디코더는 각 버킷에 대해 선형적 시간 이동을 갖는 풀 공분산 가우시안을 출력합니다. 이를 통해 개입 법칙이 예측 거리(forecast distance)에 따라 변화할 수 있게 합니다.
• 출력 변환: CIR 프로세스의 비음수성(non-negativity)을 처리하기 위해, 모델은 스프레드의 제곱근($\sqrt{x}$)을 예측하여 분산을 안정화하고, 변수 변환을 통해 원래 단위로 매핑합니다.
• 학습: 모델은 큰 $\beta$ 가중치를 가진 $\beta$-CVAE 목적 함수를 통해 학습됩니다. 이는 모델이 새로운 태스크에 재학습 없이 일반화될 수 있도록, 예측 구조를 (관측 데이터 + 개입)이라는 조건 경로에 강제하도록 합니다.

3. 주요 기여

1. CIR-ACTIVA 모델: 다변량 CIR 프로세스에서의 분포적 인과 효과 추정을 위한 새로운 분할 상환형 모델입니다. 궤적을 타임스탬프가 찍힌 관측치로 프레임화하고, 호라이즌 버킷형 디코더를 사용하여 충격 반응이 서로 다른 예측 호라이즌에 따라 어떻게 진화하는지 포착합니다.
2. Causal CIR 시뮬레이터: 관측 및 개입의 정답 쌍을 생성하는 합성 데이터 생성 프로세스입니다. 이는 시계열 데이터에 대해 이전에 없던, 분할 상환형 인과 추론 모델의 학습 및 엄격한 평가를 가능하게 합니다.
3. 실증적 검증: 프레임워크는 CDS 스프레드에 적용되었습니다. 저자들은 이 접근 방식이 인과적 선택성(causal selectivity)(영향을 받지 않는 시리즈를 유령 충격으로부터 보호하는 능력)과 호라이즌별 캘리브레이션(horizon-resolved calibration)(시간에 따른 충격 반응의 진화를 정확히 예측하는 능력) 측면에서 베이스라인보다 우수함을 입증했습니다.

4. 실험 결과

모델은 원본 ACTIVA, MACE-TNP(신경 프로세스 추정기), GMR(가우시안 혼합 회귀, 비인과적 베이스라인), 그리고 오라클 플로어(Oracle floor) 등 4개의 베이스라인과 비교 평가되었습니다.

• 인과적 선택성 (Causal Selectivity): CIR-ACTIVA는 인과적 자손(descendants)과 비자손(non-descendants)을 구별하는 데 있어 베이스라인을 크게 압도했습니다.
  • 비자손(인과적으로 차단된 변수)의 경우, 모델의 오차(오라클 대비 초과 오차)는 자손 대비 51~56% 감소했습니다.
  • 반면, GMR 및 ACTIVA와 같은 베이스라인은 비자손에 대한 오차를 줄이지 못했으며, 종종 그들에게 "유령" 충격 효과를 할당했습니다. MACE-TNP는 일부 선택성을 보였으나, 역학이 시변(순환형 변형)하게 되면 그 효과의 절반을 상실했습니다.
• 호라이즌별 캘리브레이션 (Horizon-Resolved Calibration): CIR-ACTIVA는 관측 역학에서 개입 역학으로의 전환이 가장 중요한 단기 호라이즌에서 가장 낮은 오차를 기록했습니다.
  • 순환형 데이터에서 근접 호라이즌 에너지 점수(Energy score)는 0.46으로, MACE-TNP, ACTIVA, GMR보다 현저히 낮았습니다.
  • 이러한 우위는 비순환형 데이터셋의 모든 호라이즌에서도 지속되었습니다.
• 절제 연구 (Ablation Study): 표현력이 풍부한 잠재 변수(flow prior)나 버킷형 디코더를 제거하면 성능이 저하되었습니다. 두 요소의 결합은 특히 순환형 설정에서 근접 호라이즌 정확도를 확보하는 데 필수적이었습니다.

5. 의의 및 주장

본 논문은 관측적 예측 정확도가 인과적 정확도의 대리 지표가 아님을 주장합니다. 결합된 금융 시스템에서 상관관계와 인과관계를 구분하지 못하는 것은 구체적인 오류로 이어집니다. 비인과적 모델에 기반한 스트레스 테스트는 존재하지 않는 노출에 대해 손실을 계상하고 헤지를 설계하는 실질적인 실수를 범하게 됩니다.

CIR-ACTIVA는 다음과 같은 방식으로 이를 해결합니다:

• 시나리오마다 재학습할 필요 없이 결합된 스프레드 시스템에 대한 "What-if" 쿼리에 답할 수 있는 방법을 제공합니다.
• 시뮬레이터가 현실과 얼마나 일치하는지와 독립적인 합성 정답을 통해 유효성을 입증하며, 동시에 실제 CDS 데이터에 대한 백테스팅을 통해 실무적 근거를 보여줍니다.
• 향후 인과적 예측 모델을 위한 통제된 벤치마크(Causal CIR Simulator)를 구축합니다.

저자들은 한계점에 대해 겸허한 입장을 취합니다: 합성 정답은 실제 시장에서 발견되는 충격 지속성이나 거대한 움직임(두꺼운 꼬리)의 빈도를 과소평가하므로, 보고된 점수는 실제 성능에 대한 **낙관적인 상한선(optimistic bound)**일 수 있습니다. 또한, 현재 구현은 3개의 이름(names) 시스템에서 테스트되었으며, 포트폴리오 규모의 패널로 확장하는 것은 별개의 과제로 남아 있습니다. 그러나 이 프레임워크는 특정 자산군에 국한되지 않으며, CIR로 모델링되는 모든 평균 회귀 시리즈(예: 단기 금리, 확률적 변동성)에 적용 가능합니다.