Clustered Local Projections for Short and Ultra-Short Time Series -- A Hierarchical Bayesian Framework

당신이 수사관이 되어 범죄 현장의 아주 작고 흐릿한 스냅샷만을 가지고 미스터리를 해결해야 한다고 상상해 보십시오. 전체 영상 대신 말입니다. 경제학의 세계에서도 이것은 흔한 문제입니다. 경제학자들은 '로컬 프로젝션(Local Projections)'이라는 도구를 사용하여 유가 급등이나 공급망 붕괴와 같은 큰 충격에 경제가 어떻게 반응하는지 파악합니다. 그들은 "오늘 이 버튼을 누르면 다음 달에는, 혹은 내년에는 가격이 어떻게 변할까?"라는 질문을 던집니다. 문제는 이 도구들이 데이터를 매우 많이 필요로 한다는 점입니다. 제대로 작동하려면 긴 숫자의 역사가 필요합니다. 하지만 때때로 경제학자들은 새로운 유형의 물가 지수에 대해 아주 짧은 데이터만을 가지고 있거나, 관찰하려는 시점이 너무 먼 미래여서 데이터가 답을 내놓기도 전에 바닥나 버리기도 합니다. 이는 마치 단 3일간의 기온 기록만으로 다음 해 12월의 날씨를 예측하려는 것과 같습니다.

이를 해결하기 위해, 토드 E. 클라크(Todd E. Clark)와 플로리안 후버(Florian Huber)라는 저자들은 짧은 이야기들이 긴 이야기로부터 지혜를 빌려올 수 있는 영리한 방법을 고안해 냈습니다. 그들은 "계층적 베이지안 프레임워크(hierarchical Bayesian framework)"를 구축했는데, 이는 말이 어렵게 들릴 뿐 기본적으로 유사한 것들을 하나로 묶는 스마트한 시스템입니다. 이것은 마치 교실에서 선생님이 질문을 던지는 상황과 같습니다. 만약 필기 노트가 몇 장 없는 학생(짧은 시계열)이 질문을 받으면 막힐 수 있습니다. 하지만 선생님이 그 학생이 두꺼운 교과서를 가진 학생(긴 시계열)과 같은 '스터디 그룹'에 속해 있다는 것을 알고 있다면, 선생님은 그 답을 공유하도록 허락할 수 있습니다. 핵심은 누가 어느 그룹에 속하는지 아는 것입니다. 만약 수학을 좋아하는 학생 그룹과 예술을 좋아하는 학생 그룹을 뒤섞어 버린다면, 수학 학생은 제대로 된 도움을 받을 수 없을 것입니다. 이 논문은 경제 시계열을 단순히 추측하는 것이 아니라, 실제로 어떻게 행동하는지에 기초하여 적절한 그룹으로 자동 분류하는 방법을 찾아냈습니다.

문제점: 경제학의 "짧은 기억력"

경제학자들은 종가 급등이나 운송 차질과 같은 충격에 경제가 어떻게 반응하는지를 자주 연구합니다. 그들은 **로컬 프로젝션(LP)**이라는 방법을 사용합니다. 어떤 가격이 충격 이후 시간에 따라 어떻게 변하는지 보고 싶다고 가정해 봅시다. 당신은 미래의 매 단계(한 달 후, 두 달 후 등)마다 별도의 수학 방정식을 실행합니다. 이 방법은 유연하고 경제를 경직된 틀에 가두지 않는다는 점에서 매우 훌가합니다. 하지만 함정이 있습니다. 미래로 나아가는 매 단계마다 데이터의 덩어리를 잡아먹는다는 것입니다. 만약 당신의 시계열이 50개월 전까지만 거슬러 올라갈 수 있다면, 40개월 후의 일에 대해서는 별로 말할 수 있는 것이 없습니다. 왜냐하면 이미 과거의 기록이 바닥났기 때문입니다. 이는 영화의 앞부분 5분만 보고 결말을 추측하려는 것과 같습니다.

현실 세계에서 우리는 매우 짧은 새로운 경제 지표들을 많이 접하게 됩니다. 아마도 어떤 새로운 설문 조사가 작년에 시작되었거나, 특정 유형의 물가 지수가 최근에 만들어졌을 수도 있습니다. 이러한 "초단기" 시계열은 표준적인 방법을 사용하여 먼 미래를 내다보는 데 있어 무용지물입니다. 저자들은 이러한 짧은 시계열이 비록 새롭기는 하지만, 오래되고 긴 시계열과 서로 연관되어 있다는 점에 주목했습니다. 예를 들어, 새로운 "서비스 생산자 물가 지수"는 1950년대까지 거슬러 올라가는 오래된 "제조업 물가 지수"와 매우 유사한 방식으로 유가 충격에 반응할 수 있습니다. 질문은 이것입니다: "우리는 어떻게 오래된 시계열의 긴 역사를 활용하여, 그것들과 똑같아지도록 강요하지 않으면서도 새로운 짧은 시계열을 이해할 수 있을까?"

해결책: 스마트한 그룹화 시스템

저자들은 마치 초능력을 가진 사서처럼 행동하는 해결책을 제안합니다. 이 방법은 모든 시계열을 외로운 섬으로 취급하는 대신, 실제로 어떻게 행동하는지에 따라 이들을 "클러스터(군집)"로 묶습니다.

마법이 일어나는 과정은 다음과 같습니다:

1. 빌려오기 기술: 이 시스템은 만약 두 시계열이 충격에 비슷하게 반응한다면, 서로 도움을 주고받아야 한다고 가정합니다. 만약 어떤 짧은 시계열이 특정 미래 시점에 데이터가 거의 없다면, 시스템은 해당 시계열의 그룹 안에 있는 긴 시계열을 살펴보고 이렇게 말합니다. "좋아, 너에게 데이터가 없으니 네 곁에 있는 장기적인 친구들의 패턴을 사용하자." 이를 통해 짧은 시계열은 스스로는 도달할 수 없었던 먼 미래를 예측하기 위해 정보를 "빌려올" 수 있게 됩니다.
2. "하나의 크기가 모두에게 맞는다"는 함정: 저자들은 모든 사람을 하나로 뭉뚱그려서는 안 된다고 경고합니다. 휘발유 가격과 병원 서비스 가격은 충격에 똑같이 반응하지 않습니다. 만약 이들을 하나의 큰 그룹으로 강제한다면 잘못된 답을 얻게 됩니다. 그래서 그들의 방법은 **희소 유한 혼합 모델(sparse finite mixture)**을 사용합니다. 이는 시스템이 그룹의 개수가 몇 개인지, 그리고 어떤 시계열이 어디에 속하는지를 자동으로 결정한다는 뜻입니다. 이는 마치 파티에서 손님들이 하나의 커다란 원으로 강제되는 것이 아니라, 각자의 관심사에 따라 자연스럽게 서로 다른 친구 그룹으로 나뉘는 것과 같습니다.
3. 3단계 안전망: 이 시스템은 세 층의 조직 구조를 가집니다. 첫째, 유사한 시계열을 그룹화합니다. 둘째, 작은 그룹이라 할지라도 추가적인 도움이 필요하다는 것을 깨닫고, 이 그룹들을 "모집단 중심(전체의 평균)"에 연결합니다. 이는 단 한 명의 구성원만 있는 그룹이라 할지라도, 비록 강도는 낮더라도 전체 군중으로부터 무언가를 배울 수 있도록 보장합니다.

발견한 내용: 짧은 데이터에 대한 더 나은 해답

저자들은 실제 미국 경제 데이터를 기반으로 한 시뮬레이션을 통해 이 아이디어를 테스트했습니다. 그들은 80개의 서로 다른 시계열이 있는 가상의 세계를 만들었습니다. 절반은 길고 건강한 시계열이었고, 나머지 절반은 매우 짧았습니다(어떤 것은 데이터가 25개월치밖에 없었습니다). 그런 다음 그들에게 물었습니다: "누가 미래를 가장 잘 예측하는가?"

결과는 명확했습니다:

• 짧은 시계열의 경우: 이 새로운 방법은 게임 체인저였습니다. 기존의 표준 방법과 비교했을 때 예측 오차를 약 50%에서 90%까지 줄였습니다. 어떤 경우에는 단기, 중기, 장기 구간 모두에서 오차를 절반으로 줄였습니다. 이 방법이 너무나 뛰어난 나머지, 기존의 방법은 가장 짧은 시계열에 대해서는 거의 쓸모없는 것처럼 보일 정도였습니다.
• 긴 시계열의 경우: 새로운 방법은 긴 시계열에 전혀 해를 끼치지 않았습니다. 기존 방법과 거의 동일한 결과를 만들어냈으며, 이는 타인으로부터 정보를 빌려오는 것이 이미 충분한 데이터를 가진 사람들을 망치지 않는다는 것을 증명했습니다.
• 그룹화의 중요성: 만약 차이점을 무시하고 모든 사람을 하나의 그룹으로 강제한다면 결과가 더 나빠진다는 것을 발견했습니다. "스마트한 그룹화"가 바로 비법이었습니다. 이를 통해 시스템은 "이 둘은 닮았으니 서로 나누자"라고 말하는 동시에, "이 둘은 다르니 서로 분리해 두자"라고 말할 수 있었습니다.

실전 테스트: 가격과 충격

이 방법이 실제 세상에서 어떻게 작동하는지 확인하기 위해, 저자들은 43개의 서로 다른 가격 시계열에 이 방법을 적용했습니다. 여기에는 1959년까지 거슬러 올라가는 오래되고 잘 알려진 물가 지수와 연방준비은행의 새로운 짧은 조사 자료들이 포함되었습니다. 그들은 이 가격들이 두 가지 특정 충격, 즉 공급망 충격(예: 운송 지연)과 석유 공급 충격에 어떻게 반응하는지 살펴보았습니다.

이 방법은 43개의 시계열을 6개 또는 7개의 뚜렷한 클러스터로 분류했습니다.

• 클러스터 1은 소비자 물가와 일부 생산자 물가가 포함된 20개의 시계열로 이루어진 큰 그룹이었습니다.
• 클러스터 4는 6개의 지역 조사를 포함한 그룹이었습니다.
• 최종 수요재 가격과 같은 일부 시리즈는 매우 독특하여 단일 멤버 클러스터를 형성했습니다.

결과는 흥미로운 패턴을 보여주었습니다:

• 헤드라인 vs 코어: 충격이 발생했을 때, "헤드라인" 가격(식료품과 에너지를 포함하는 가격)은 "코어" 가격(식료품과 에너지를 제외하는 가격)보다 훨씬 더 급격하게 반응했습니다.
• 재화 vs 서비스: 재화 가격이 서비스 가격보다 더 많이 변했습니다.
• 미가공 효과: 미가공 재화(원자재)의 가격이 가장 많이 움직였는데, 이는 원자재가 충격을 가장 먼저 느끼기 때문에 당연한 결과입니다.

결정적으로, 이 방법은 더 새롭고 짧은 시계열에 대해 더 날카롭고 정밀한 답을 제공했습니다. 예를 들어, 일부 새로운 서비스 가격 조사들은 가장 긴 시계열 구간에서 사용할 수 있는 데이터 포인트가 약 33개뿐이었습니다. 이 방법이 없었다면 경제학자들은 무모한 추측을 해야 했을 것입니다. 하지만 이 방법을 통해, 짧은 시계열들이 같은 클러스터에 있는 더 긴 시계생들로부터 힘을 빌려옴으로써 명확한 패턴을 볼 수 있었습니다.

이것이 중요한 이유

이 논문은 단순히 새로운 수학적 기술을 제시하는 것이 아닙니다. 과거가 흐릿할 때 미래를 더 선명하게 볼 수 있는 방법을 제시합니다. 짧은 시계열이 정말 유사할 때만 긴 시계열으로부터 지혜를 빌려오게 함으로써, 저자들은 가장 새롭고 취약한 데이터에 대해 더욱 정확한 경제 예측을 가능하게 하는 도구를 만들어냈습니다. 이는 변화하는 데이터의 시대에 우리가 짧은 이야기들을 버릴 필요가 없음을 시사합니다. 단지 그들을 도와줄 올바른 친구를 찾기만 하면 될 뿐입니다.