📈 경제학

Macroeconomic Predictability and Machine Learning in REIT Returns: Out-of-Sample Evidence and Property-Sector Heterogeneity

본 연구는 비선형 머신러닝 모델이 미국 리츠(REITs)의 중기 수익률에 대해 경제적으로 의미 있는 표본 외 예측 이득을 제공하며, 특히 헬스케어 부문에서 두드러지고 거시경제적 요인에 의해 주도된다는 점을 발견하였으나, 다중 검정 조정을 거친 후에는 선형 벤치마크 대비 통계적으로 유의미한 총체적 우위를 달성하지 못하며, 예측 신호가 횡단적 선택보다는 공통적인 시계열 구성 요소에 집중되어 있다는 것을 밝혀냈다.

원저자: Mahsa Khoshnoud

게시일 2026-10-15

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Mahsa Khoshnoud

원본 논문은 CC BY 4.0 (https://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

투자 세계에서 어떤 자산은 주식처럼 행동하는 반면, 다른 자산은 채권이나 물리적 건물처럼 행동하기도 합니다. 부동산 투자 신탁(REITs)으로 알려진 리츠는 바로 이 두 영역의 중간 지점에 위치합니다. 리츠는 쇼핑몰, 아파트 단지, 병원과 같이 수익을 창출하는 부동산을 소유한 기업들이며, 여타 일반 기업들과 마찬가지로 주식 시장에서 거래됩니다. 리츠의 가치는 주식 시장의 건전성과 금리, 고용 성장, 인플레이션과 같은 경제의 물리적 실체 모두에 의존하기 때문에, 이들의 미래 성과를 예측하는 것은 복잡한 퍼즐과 같습니다. 수십 년 동안 투자자들과 경제학자들은 경제가 상승하면 이들 주식도 예측 가능한 방식으로 상승할 것이라고 가정하는 단순한 직선형 수학을 사용하여 이 퍼즐을 풀기 위해 노력해 왔습니다. 하지만 경제는 결코 직선이 아닙니다. 경제는 뒤틀리고 회전하며, 경기 침체, 금리 급등, 그리고 부동산 가치 사이의 관계는 맥락에 따라 변할 수 있습니다. 바로 이 지점에서 현대 컴퓨터 과학이 등장하여, 전통적인 수학이 놓칠 수 있는 데이터 속의 복잡하고 숨겨진 패턴을 찾아내는 도구들을 제공합니다.

한 연구자는 이러한 고급 컴퓨터 도구, 즉 머신러닝이 기존의 표준 방식보다 리츠의 미래 수익률을 실제로 더 잘 예측할 수 있는지 테스트하기 위해 연구를 시작했습니다. 연구자는 2000년부터 2023년까지 20년이 넘는 기간 동안 383개의 서로 다른 부동산 기업들을 추적하며 방대한 양의 과거 데이터를 수집했습니다. 이 기간은 글로벌 금융 위기, 장기간의 저금리 시대, 팬데믹의 갑작스러운 충격, 그리고 그 뒤를 이은 급격한 인플레이션 등 현대사에서 가장 극적인 경제적 변화들을 포함합니다. 연구자는 컴퓨터 모델에 구체적인 단서들을 입력했습니다: 현재 금리, 실업률, 인플레이션 데이터, 경제 성장 속도, 그리고 광범의 주식 시장 성과입니다. 그런 다음 컴퓨터에게 향후 몇 달간의 리츠 수익률이 어떻게 될지 추측하도록 요청했습니다. 테스트의 공정성을 보장하기 위해, 연구자는 과거의 데이터로 컴퓨터를 학습시킨 후, 컴퓨터가 미리 정답을 엿볼 수 없도록 한 상태에서 미래를 예측하게 했습니다.

결과는 새로운 기술의 단순한 승리라기보다는 더 미묘한 이야기를 들려주었습니다. 연구자가 아주 가까운 미래, 즉 1개월, 2개월 또는 3개월 앞을 예측하도록 컴퓨터에게 요청했을 때, 머신러닝 모델은 과거의 평균적인 성과를 바탕으로 한 단순한 추측보다 나은 성과를 보여주지 못했습니다. 실제로 이러한 단기적인 관점에서는 컴퓨터 모델이 기본적인 벤치마크보다 약간 더 낮은 성능을 보였습니다. 그러나 연구자가 중기적 관점, 구체적으로 6개월간의 누적 수익률을 예측하도록 요청했을 때 이야기는 달라졌습니다. 복잡한 패턴을 찾기 위해 수많은 작은 결정 트리(decision trees)를 구축하여 작동하는 가장 정교한 알고리즘들이 전통적인 선형 방식에 비해 예측 오차를 유의미하게 줄일 수 있었습니다. 이 모델들은 6개월 수익률 변동성의 약 9.3%를 포착해 냈는데, 이는 실제로는 단순한 역사적 평균보다 성능이 다소 떨어졌던 표준 방식에 비해 의미 있는 개선이었습니다.

이러한 정확도의 향상에도 불구하고, 연구자는 완전한 승리를 선언하는 데 신중했습니다. 컴퓨터의 성공이 진정한 돌파구인지 아니면 단순히 운이 좋았던 것인지 확인하기 위해 엄격한 통계적 검증을 적용했을 때, 결과는 덜 결정적이었습니다. 개선된 수치들은 경제적으로는 주목할 만했지만, 머신러닝 모델이 모든 상황에서 기존 방식보다 우월하다는 것을 절대적인 확신으로 증명할 만큼 통계적으로 강력하지는 않았습니다. 이 연구는 컴퓨터 모델이 모든 개별 부동산이나 모든 달에 적용되는 마법의 공식을 찾아내고 있는 것이 아님을 시사합니다. 대신, 이 모델들은 전체 경제에 의해 주도되는 부동산 시장 전체의 광범하고 공유된 움직임이라는 특정 유형의 신호를 포착하고 있는 것입니다. 모델들은 금리와 고용의 흐름이 바뀔 시점을 감지하여 전반적인 시장의 타이밍을 맞추는 데는 능숙하지만, 서로 다른 기업들 사이에서 개별적인 승자와 패자를 골라내는 데는 능숙하지 않습니다.

연구자는 또한 이러한 도구의 유용성이 분석되는 부동산의 유형에 따라 크게 달라진다는 점을 발견했습니다. 머신러닝 모델은 의료 리츠(health-care REITs)에서 가장 잘 작동했는데, 이 분야에서의 예측은 엄격한 테스트를 거친 후에도 정확할 뿐만 아니라 통계적으로 유의미했습니다. 소매 부동산 역시 가능성을 보였으나, 주거용 및 다각화된 부동산 기업들은 더 단순한 전통적 방식에 의해 더 잘 예측되었습니다. 이 발견은 경제가 서로 다른 유형의 건물에 각기 다른 방식으로 영향을 미친다는 점을 강조하며, 하나의 크기로 통일된 컴퓨터 모델로는 모든 미묘한 차이를 포절할 수 없음을 보여줍니다. 나아가, 이 연구는 컴퓨터 모델이 단순히 과거를 암기하는 것이 아니라, 실업률이나 금리 변화가 서로 어떻게 상호작용하는지를 가중치를 두어 학습함으로써 미래에 대한 더 완전한 그림을 그려내고 있음을 보여주었습니다.

궁극적으로, 이 연구는 금융 분야에서 인공지능의 역할에 대해 명확하고 현실적인 관점을 제공합니다. 이는 머신러닝이 경제가 부동산에 미치는 영향에 관한 가치 있는 패턴을 밝혀낼 수는 있지만, 결코 수정구슬은 아니라는 점을 입증합니다. 이 기술은 중기적 추세와 특정 섹터를 바라볼 때 빛을 발하지만, 신중한 통계적 검토나 경제가 변화하는 풍경이라는 이해를 대체할 수는 없습니다. 연구는 이러한 첨단 도구의 가치가 실재하지만 조건부적이라는 결론을 내립니다. 즉, 적절한 기대치를 가지고 적절한 종류의 자산에 적용한다면, 이들은 시장의 일반적인 방향을 이해하는 데 매우 강력한 도구가 될 수 있습니다.

기술 요약: REIT 수익률에 대한 거시경제 예측 가능성과 머신러닝

문제 제기
공개적으로 거래되는 부동산 투자신탁(REIT)은 주식 위험과 거시경제 조건(금리, 인플레이션, 노동 시장, 실물 경제 활동)에 의해 구동되는 부동산 시장 펀더멘털 모두에 노출되어 있어 금융 시장 내에서 하이브리드적 위치를 점한다. 전통적인 선형 회귀 모델은 이러한 관계를 모델링할 때 고정된 함수 형태를 부과하며, 이는 상태 의존적 비선형성을 포착하는 데 실패할 수 있다. 예를 들어, 금리가 수익률에 미치는 영향은 금리가 강력한 실물 경제 활동이나 지속적인 인플레이션과 동반되는지 여부에 따라 달라질 수 있다. 최근 문헌은 머신러닝(ML)이 비선형 예측 신호를 추출할 수 있다고 제안하지만, 엄격한 표본 외(out-of-sample) 평가 하에서 이러한 이득이 통계적으로 견고한지, 다양한 예측 지평과 부동산 섹터 전반에 걸쳐 일반화될 수 있는지, 그리고 이것이 총체적인 타이밍 신호인지 아니면 횡단적 보안 선택(cross-sectional security selection)인지는 여전히 불분명하다. 본 연구는 엄격한 연대순 제약 조건 하에서 비선형 ML 모델이 선형 벤치마크 및 역사적 평균을 넘어 REIT 수익률 예측을 개선하는지 평가함으로써 이러한 공백을 다룬다.

방법론
본 연구는 2000년 1월부터 2023년 12월까지 383개의 미국 REIT 증권을 포함하는 47,075개의 기업-월별 관측치를 활용한다. 예측 변수 세트는 거시경제 변수(연방기금금리, 실질 10년물 금리, 중위 소비자물가지수, 1인당 실질 GDP, 실업률), 시장 변수(CRSP 가중치 적용 가치 기반 수익률), 거시경제 변수의 변화량, 세 개의 REIT 수익률 시차(lag), 그리고 기업 규모로 구성되어 의도적으로 간결하게 설계되었다.

예측 설계는 미래 참조 편향(look-ahead bias)을 방지하기 위해 엄격한 연대순 분할을 채택한다:

추정 샘플: 2000–2015년.
검증 샘플: 2016–2019년 (하이퍼파라미터 튜닝을 위해서만 독점적으로 사용).
테스트 샘플: 2020–2023년 (동결된 하이퍼파라미터로 단 한 번 평가).

본 연구는 세 가지 트리 기반 ML 모델(Gradient Boosting, Random Forest, XGBoost)을 두 가지 벤치마크인 풀링된 최소제곱법(OLS) 회귀와 역사적 평균 예측과 비교한다. 성능은 직접적 지평(1–3개월) 및 누적 지평(3–6개월)에 대해 표본 외 $R^2$ ( $R^2_{OOS}$ ), RMSE, MAE를 사용하여 평가된다.

결정적으로, 본 연구는 공식적인 예측 비교 추론을 사용한다. 중첩된 윈도우에 대한 HAC 조정을 포함한 Diebold–Mariano (DM) 통계량과 Harvey–Leybourne–Newbold 소표본 교정법을 사용한다. 다중 테스트 문제를 해결하기 위해 예측 비교 패밀리에 대해 Holm 절차를 적용한다. 또한, 특징 중요도를 분해하기 위해 SHAP (SHapley Additive exPlanations) 값을 활용하며, 시계열(총체적) 예측 가능성과 횡단적(보안 선택) 예측 가능성 사이의 구분을 분석한다.

주요 결과

지평 의존성: 예측 가능성은 지평에 강하게 의존한다. 직접적인 단기 지평(1–3개월)에서는 ML을 포함한 모든 모델이 역사적 평균 대비 음(-)의 $R^2_{OOS}$ 를 생성한다. 그러나 중간 지평의 누적 수익률에서는 ML 모델이 경제적으로 의미 있는 이득을 창출한다. 6개월 지평에서 Gradient Boosting과 XGBoost는 약 9.3%의 $R^2_{OOS}$ 를 달달성하는 반면, 풀링된 OLS는 약간의 음수(-0.6%)를 기록한다.
통계적 유의성: 경제적 규모의 이득에도 불구하고, 공식적인 예측 비교 테스트는 다중 테스트 조정 후 ML 모델이 선형 또는 역사적 평균 벤치마크보다 통계적으로 우월하다는 것을 입증하지 못했다. XGBoost가 역사적 평균에 대해 나타낸 가장 작은 미조정 p-값은 0.063이었으나, Holm 조정 후에는 0.756이 되었다. 이는 ML이 예측 오차의 크기를 줄여주기는 하지만, 집계된 샘플에서 통계적 우위를 주장하기에는 근거가 불충분함을 시사한다.
예측의 성격: SHAP 분석은 예측 중요성이 단순한 수익률 지속성이나 기업 규모보다는 주로 실물 경제 활동, 노동 시장 조건, 정책 금리, 그리고 장기 실질 금리에 의해 주도됨을 보여준다. 예측 신호는 REIT 수익률의 공통 시계열 성분에 집중되어 있다. 실현된 6개월 수익률의 횡단적 평균과 XGBoost 예측값 사이의 상관관계는 0.530이지만, 개별 REIT 수익률의 예측값과 실현값 사이의 평균 횡단적 Spearman 상관관계는 0에 가깝다. 따라서 이 모델들은 횡단적 종목 선택 능력이 아닌 총체적인 타이밍 정보를 포착한다.
섹터 이질성: 예측 이득은 부동산 섹터에 따라 크게 달라진다. 헬스케어 REIT는 비선형 예측 가능성의 가장 강력한 증거를 보였으며, XGBoost는 섹터 수준 조정을 거친 후에도 역사적 평균에 대해 통계적으로 유의미한 11.5%의 $R^2_{OOS}$ 를 달려 달성했다. 리테일 REIT는 양(+)의 점 추정치를 보였으나 공식 손실 테스트에서 동일한 예측 정확도를 기각하는 데 실패했다. 반면, 다각화된(diversified) 및 주거용(residential) REIT는 선형 OLS 벤치마크가 더 유리했다.
강건성: 2020년 이전의 유사 표본 외 실험(2014–2016 홀드아웃) 결과, ML 모델이 상대적 오차 측면에서 풀링된 OLS를 일관되게 능가하기는 하지만, 역사적 평균 대비 양(+)의 $R^2_{OOS}$ 를 재현하지 못했다. 이는 절대적인 우위가 레짐(regime)에 의존적임을 나타낸다.

의의 및 주장
본 논문은 비선형 모델이 양(+)의 표본 외 적합도를 생성할 수 있는지 여부에서, 그 이득이 엄격한 통계적 검증을 통과하는지 여부로 초점을 전환함으로써 문헌에 기여한다. 저자는 리츠 수익률 예측을 위한 머신러닝의 유용성이 보편적이기보다는 조건적이라고 주장한다.

지표와 추론의 구분: 본 연구는 전통적인 성능 지표( $R^2$ , RMSE)에서의 상당한 개선이 다중 테스트 조정 및 소표본 교정을 적용했을 때 반드시 통계적으로 확립된 예측 우위를 의미하는 것은 아님을 강조한다.
구성 요소 식별: 증거는 이 맥맥락에서 ML 모델이 횡단적 보안 선택을 가능하게 하기보다는 매끄럽고 거시경제에 민감한 공통 수익 성분을 예측한다는 것을 시사한다.
경계 조건: 예측 이득은 예측 지평(중간 누적 지평에서 나타남), 경제적 레짐(2020–2023 기간에 더 강함), 그리고 부동산 섹터(헬스케어에서 가장 강함)에 따라 달라짐이 입증되었다.

저자는 머신러닝이 상장된 부동산의 유용한 예측 구조를 드러낼 수는 있지만, 이 결론의 강도는 사용된 특정 지평, 벤치마크, 수익 성분, 경제적 레짐 및 추론 기준에 결정적으로 달려 있다고 결론짓는다. 본 연구의 결과는 보편적인 머신러닝의 우월성을 지지하기보다는, 비선형 방법론이 선택적이고 레임 의존적인 가치를 제공한다는 미묘한 관점을 제시한다.

유사한 논문