Hybrid VARIMA–Machine Learning Models for Multivariate Macroeconomic and Energy Forecasting

돈, 에너지, 그리고 세계 경제의 미래를 예측하는 일은 마치 지도가 계속 바뀌는 폭풍 속에서 배를 항해하는 것과 같은 과업처럼 느껴집니다. 경제학자들과 정책 입안자들은 이자율, 투자, 에너지 공급에 관한 결정을 내리기 위해 예측치에 의존하지만, 그들이 연구하는 시스템은 매우 무질서합니다. 그 시스템들은 갑작스러운 충격, 서로 다른 시장 간의 복잡한 연결 고리, 그리고 단순하고 직선적인 경로를 따르지 않는 행동들로 가득 차 있습니다. 수십 년 동안 이 업무를 위한 표준 도구는 세상이 예측 가능한 선형 패턴으로 움직인다고 가정하는 일종의 통계 모델이었습니다. 이것을 만약 한 가지가 올라가면 다른 하나는 정해진 양만큼 내려간다는 규칙이 담긴 규칙책이라고 생각하면 됩니다. 이러한 규칙들은 평온한 날씨에는 잘 작동하지만, 경제가 위기, 전쟁, 또는 팬데믹에 직면했을 때는 자주 실패하는데, 왜냐하면 현실 세계의 데이터는 단순한 규칙책이 볼 수 없는 두꺼운 꼬리(heavy tails), 갑작스러운 급등, 그리고 숨겨진 연결 고리들로 가득하기 때문입니다.

에마뉘엘 그난디(Emmanuel Gnandi), 쥘 사데포 캄뎀(Jules Sadefo Kamdem), 프레디 포쿠(Fredy Pokou) 연구원들의 새로운 연구는 전통 경제학의 규율 있는 구조와 현대 인공지능의 유연한 학습 능력을 결합한 예측 엔진을 구축함으로써 이 문제를 다룹니다. 연구팀은 단순히 컴퓨터 알고리즘을 데이터에 던져놓고 결과가 좋아지기를 바란 것이 아닙니다. 대신, 그들은 전통적인 경제 모델이 첫 번째 필터 역할을 하여 시장의 기본적이고 예측 가능한 움직임을 포착하도록 설계했습니다. 그 후, 머신러닝 모델이 개입하여 첫 번째 모델이 저지른 실수를 연구하며, 규칙이 놓친 숨겨진 비선형 패턴을 찾아내도록 했습니다. 컴퓨터가 전통적인 모델이 남긴 오류만을 수정하도록 훈련시킴으로써, 연구진은 두 방법 중 어느 하나가 단독으로 수행할 때보다 더 정확하고 신뢰할 수 있는 하이브리드 시스템을 만들어냈습니다. 이는 특히 경제적 스트레스가 발생하는 시기에 더욱 그러합니다.

연구진은 글로벌 경제와 에너지 시장의 심장 박동을 나타내는 7개의 월간 변수 세트를 사용하여 이 아이디어를 테스트했습니다. 여기에는 장기 이자율, 소비자 신뢰 지수, 글로벌 정책 불확실성, 산업 생산량, 환율, 전기 가격, 그리고 브렌트유 가격이 포함되었습니다. 데이터는 1999년 1월부터 2025년 8월까지의 기간을 포괄하며, 이 기간에는 여러 차례의 금융 위기, 팬데믹, 그리고 지정학적 갈등이 포함되어 있었습니다. 이 새로운 모델을 구축하기 전, 팀은 먼저 전통적인 경제 모델을 이 데이터에 실행하여 단독으로 얼마나 잘 수행하는지 확인했습니다. 그들은 모델이 일반적인 추세는 포착할 수 있지만, 오차 부분에 상당한 양의 설명되지 않는 구조를 남겨둔다는 것을 발견했습니다. 그 오차들은 무작위적인 소음이 아니었습니다. 그것들은 명확한 변동성, 두꺼운 꼬리, 그리고 비선형적 의존성을 보여주었으며, 이는 단순한 선형 규칙이 압박을 받는 상황에서 경제가 어떻게 행동하는지에 대한 중요한 정보를 놓치고 있음을 증명했습니다.

이를 해결하기 위해 팀은 2단계 프로세스를 개발했습니다. 첫 번째 단계에서는 VARIMA 모델로 알려진 전통적인 모델이 선형 관계를 기반으로 데이터를 처리하여 예측치를 생성합니다. 이 모델은 표준적이고 예측 가능한 다양한 경제 변수 간의 상호작용을 처리하는 안정적인 기준점 역할을 합니다. 두 번째 단계는 첫 번째 예측에서 남겨진 오차, 즉 잔차(residuals)를 가져와 머신러닝 알고리즘에 입력하는 과정입니다. 그래디언트 부스팅(gradient boosting)과 랜덤 포레스트(random forests)와 같은 기법들을 포함하는 이 알고리즘들은 오차 속에 숨겨진 복잡한 비선형 패턴을 인식하도록 특별히 훈련되었습니다. 최종 예측은 전통적인 모델의 예측값과 머신러닝 모델의 보정값을 단순히 합산한 것입니다. 이 접근 방식은 컴퓨터가 경제의 기본 규칙을 다시 배울 필요가 없도록 보장하여, 컴퓨터가 전통적인 모델이 실패하는 지점인 어렵고 불규칙한 행동들에만 온전히 집중할 수 있게 해주었습니다.

실험 결과는 놀라웠습니다. 연구진이 하이브리드 모델을 전통적 모델 및 데이터로부터 처음부터 예측을 시도한 순수 머신러닝 모델들과 비교 테스트했을 때, 하이브리드 접근 방식이 일관되게 승리했습니다. 2023년 3월부터 2025년 8월까지의 기간을 다루는 엄격한 테스트에서, 하이브리드 모델은 모든 정확도 척도에서 현저히 낮은 오차를 기록했습니다. 전통적인 모델 단독으로는 격동의 시기에 어려움을 겪으며 종종 현실 세계의 변화에 뒤처졌고, 순수 머신러닝 모델들은 때때로 너무 민감하여 노이즈가 많고 불안정한 예측을 내놓았습니다. 그러나 하이브리드 시스템은 완벽한 균형을 유지했습니다. 그것은 경제 규칙의 안정성을 유지하면서도 갑작스러운 변화에 적응하는 민첩성을 얻었습니다. 가장 성공적인 버전의 시스템은 전통적인 모델의 오류를 수정하기 위해 그래디언트 부스팅이라는 특정 유형의 머신러닝을 사용했으며, 이는 다른 분야에서 흔히 선호되는 더 복잡한 딥러닝 네트워크보다도 뛰어난 성능을 보였습니다.

이 발견이 특히 중요한 이유는 단순히 숫자가 더 좋기 때문이 아니라, 그 개선이 가장 중요할 때, 즉 높은 불확실성과 시장 스트레스가 발생하는 시기에 가장 눈에 띄게 나타나기 때문입니다. 연구는 하이브리드 모델이 다른 방법들에 비해 극단적인 오류를 피하는 데 훨씬 더 뛰어났음을 보여주었습니다. 금융과 에너지의 세계에서 단 한 번의 거대한 실수는 작은 실수 여러 번보다 훨씬 더 치명적일 수 있습니다. 연구진은 하이브리드 접근 방식이 이러한 극단적인 편차를 효과적으로 억제하여, 경제가 불규칙하게 움직일 때도 예측을 안정적으로 유지한다는 것을 발견했습니다. 이는 이 방법이 단순한 수학적 기술이 아니라, 끊임없이 변화하는 세상의 현실을 다루는 견고한 방법임을 시사합니다. 경제가 선형적인 뼈대와 비선형적인 영혼을 동시에 가지고 있다는 점을 인정함으로써, 연구진은 평온함과 폭풍우를 모두 더 높은 확신을 가지고 항해할 수 있는 도구를 만들어냈습니다.

또한 이 연구는 왜 이 특정한 조합이 이토록 잘 작동하는지를 명확히 했습니다. 전통적인 모델은 이자율의 변화가 산업 생산에 어떻게 서서히 파급되는지와 같은 변수 간의 광범위한 선형적 연결을 성공적으로 포착했습니다. 이는 머신러클 모델에게 훨씬 더 단순한 작업을 남겨주었습니다. 즉, 표준적인 규칙이 깨질 때 발생하는 특정한 비선형적 조정을 학습하는 일입니다. 이러한 역할 분담은 알고리즘이 모든 것을 한꺼번에 배우려고 할 때 발생하는 흔한 문제인 혼란이나 데이터 과적합(overfitting)을 방지했습니다. 연구진은 딥러닝 네트워크가 강력하긴 하지만, 제대로 작동하기 위해서는 방대한 양의 안정적인 데이터를 필요로 하는 경우가 많으며, 이는 경제학에서는 드문 일이라고 언급했습니다. 전통적인 모델이 선형적인 작업을 수행하도록 무거운 짐을 맡김으로써, 하이브리드 시스템은 더 단순하고 안정적인 머신러닝 기법들이 빛을 발할 수 있게 해주었습니다.

결국, 이 연구는 경제 예측에 대한 새로운 사고방식을 제시합니다. 이는 미래의 예측이 구식 경제학과 신식 인공지능 중 하나를 선택하는 문제가 아니라, 이 둘을 어떻게 함께 작동하게 만들 것인가의 문제라는 점을 시사합니다. 이 연구는 경제 이론의 구조적 규율을 존중하면서 머신러닝을 오직 그 사각지대를 보완하는 데 사용함으로써, 해석 가능하면서도 매우 정확한 모델을 구축할 수 있음을 보여줍니다. 이는 예측이 무엇인지뿐만 아니라 왜 그런 일이 일어나는지를 이해해야 하는 정책 입안자들과 투자자들에게 매우 중요한 구분입니다. 하이브리드 모델은 경제 이론의 안정적인 손길과 머신러닝의 적응력 있는 지능을 결합할 때, 우리는 복잡하고 종종 예측 불가능한 세계 경제의 미래를 더 잘 예견할 수 있다는 길을 제시하며 명확한 방향을 보여줍니다.