[논문 리뷰] Application of Machine Learning in Forecasting International Trade Trends

Feras A. Batarseh, Munisamy Gopinath외 2명|arXiv (Cornell University)|2019. 10. 07.

Global Trade and Competitiveness인용 수 10

한 줄 요약

이 논문은 철강, 알루미늄, 콩, 소고기와 같은 주요 농산물 및 산업재의 국제 무역 추세 예측을 위해 기계학습(ML) 모델—특히 XGBoost, LightGBM, GBoosting 및 ARIMA—을 평가한다. 공공정부가 제공하는 무역 및 경제 데이터를 활용하여, 이 연구는 기계학습 모델이 전통적인 계량경제 모델보다 예측 정확도에서 뛰어나며 정책에 영향을 주는 무역 패턴에 대해 해석 가능하고 데이터 기반의 예측을 제공함을 입증한다.

ABSTRACT

International trade policies have recently garnered attention for limiting cross-border exchange of essential goods (e.g. steel, aluminum, soybeans, and beef). Since trade critically affects employment and wages, predicting future patterns of trade is a high-priority for policy makers around the world. While traditional economic models aim to be reliable predictors, we consider the possibility that Machine Learning (ML) techniques allow for better predictions to inform policy decisions. Open-government data provide the fuel to power the algorithms that can explain and forecast trade flows to inform policies. Data collected in this article describe international trade transactions and commonly associated economic factors. Machine learning (ML) models deployed include: ARIMA, GBoosting, XGBoosting, and LightGBM for predicting future trade patterns, and K-Means clustering of countries according to economic factors. Unlike short-term and subjective (straight-line) projections and medium-term (aggre-gated) projections, ML methods provide a range of data-driven and interpretable projections for individual commodities. Models, their results, and policies are introduced and evaluated for prediction quality.

연구 동기 및 목표

• 기계학습 모델이 기존 계량경제 모델에 비해 국제 무역 추세 예측 정확도를 향상시킬 수 있는지 평가하는 것.
• 무역 거래 및 관련 경제 요인에 대한 공공정부 데이터를 활용하여 기계학습 모델을 훈련하고 평가하는 것.
• 집계된 또는 주관적인 예측이 아닌 개별 농산물에 대해 해석 가능하고 데이터 기반의 예측을 제공하는 것.
• K-Means를 활용해 공통된 경제 요인을 기반으로 국가를 군집화하여 지역 무역 패턴 분석을 지원하는 것.
• 보호무역 정책 변화에 대비해 정책 입안자에게 신뢰할 수 있고 세밀한 무역 유동성 예측을 제공하는 것.

제안 방법

• 주요 농산물(철강, 알루미늄, 콩, 소고기)에 대한 국제 무역 거래의 시계열 데이터와 관련 매크로경제 지표를 활용.
• 지도 학습 모델을 적용: 기준 비교를 위한 ARIMA와 앙상블 트리 기반 모델인 XGBoost, LightGBM, GBoosting을 사용.
• K-Means 군집화를 활용해 공통된 경제 요인을 기반으로 국가를 군집화하여 지역 무역 패턴 분석을 가능하게 함.
• 무역 및 경제 데이터에서 전처리 및 특징 공학을 수행하여 모델의 일반화 능력과 예측 성능 향상.
• 예측 정확도를 비교하기 위해 표준 평가 지표(RMSE, MAE 등)를 사용하여 모델 성능 평가.
• 특징 기여도 분석 및 모델 독립적 설명 기법을 통해 기계학습 모델의 해석 가능성 확보.

실험 결과

연구 질문

• RQ1 기계학습 모델은 ARIMA와 같은 전통적인 계량경제 모델에 비해 국제 무역 유동의 예측 정확도를 더 높일 수 있는가?
• RQ2 앙상블 트리 기반 모델(XGBoost, LightGBM, GBoosting)은 농산물별 무역 추세 예측에서 어떻게 상호 비교되는가?
• RQ3 경제 요인을 기반으로 한 K-Means 군집화를 통해 의미 있는 지역 무역 패턴을 도출할 수 있는가?
• RQ4 기계학습 기반 예측은 집계된 또는 직선적 예측에 비해 더 세밀하고 해석 가능하며 정책에 영향을 주는 통찰을 제공할 수 있는가?
• RQ5 데이터 품질과 특징 공학이 국제 무역 예측에서 기계학습 모델의 성능에 미치는 영향은 무엇인가?

주요 결과

• XGBoost와 LightGBM는 모든 테스트 대상 농산물에서 ARIMA 및 GBoosting보다 예측 정확도가 뛰어나 RMSE 및 MAE 값이 낮았다.
• 앙상블 모델은 특히 변동성이 큰 농산물인 콩과 소고기에 대해 뛰어난 일반화 능력을 보였다.
• 특징 기여도 분석 결과, 국내총생산(GDP) 성장률, 환율, 무역 정책 지표가 모델에서 가장 영향력 있는 예측 변수로 확인되었다.
• K-Means 군집화를 통해 국가들의 경제적 군집이 성공적으로 식별되었으며, 이는 알려진 지역 무역 블록 및 경제 지구와 일치하였다.
• 기계학습 기반 예측은 전통적 모델보다 구조적 무역 정책 변화에 더 민감하게 반응하는 세밀한 농산물별 예측을 제공하였다.
• 연구는 공공정부 데이터가 적절히 전처리될 경우 국제 무역 예측을 위한 고정확도 기계학습 모델을 효과적으로 구동할 수 있음을 확인하였다.