[논문 리뷰] Bayesian Forecasting in Economics and Finance: A Modern Review

Gael M. Martin, David T. Frazier외 7명|arXiv (Cornell University)|2022. 12. 07.

Forecasting Techniques and Applications인용 수 5

한 줄 요약

이 논문은 경제학 및 금융 분야에서 베이지안 예측에 대한 종합적이고 현대적인 리뷰를 제공하며, 확률 분포와 MCMC, 변분 추론과 같은 고급 계산 방법을 통해 불확실성을 원칙적으로 다루는 데 중점을 둔다. 이는 복잡한 모델에 대해서도 정확하고 확률적인 예측을 가능하게 하며, 모델의 강건성과 점수 규칙을 통한 의사결정 중심 평가에서의 주요 이점이 있음을 보여준다.

ABSTRACT

The Bayesian statistical paradigm provides a principled and coherent approach to probabilistic forecasting. Uncertainty about all unknowns that characterize any forecasting problem -- model, parameters, latent states -- is able to be quantified explicitly, and factored into the forecast distribution via the process of integration or averaging. Allied with the elegance of the method, Bayesian forecasting is now underpinned by the burgeoning field of Bayesian computation, which enables Bayesian forecasts to be produced for virtually any problem, no matter how large, or complex. The current state of play in Bayesian forecasting in economics and finance is the subject of this review. The aim is to provide the reader with an overview of modern approaches to the field, set in some historical context; and with sufficient computational detail given to assist the reader with implementation.

연구 동기 및 목표

• 경제학 및 금융 분야에서의 베이지안 예측 방법에 대해 이론과 실무에 기반한 현재 시점에서 접근 가능하고 포괄적인 개요를 제공하는 것.
• 기존에 고전적 방법으로는 해결이 어려웠던 대규모 복잡 모델에 대한 예측을 가능하게 하는 현대적 베이지안 계산의 역할을 부각하는 것.
• 모델, 매개변수, 잠재 상태에 대한 불확실성을 통합함으로써 점 추정을 넘어서는 확률적 예측의 중요성을 강조하는 것.
• 적절한 점수 규칙(CRPS, 핀볼 손실 등)을 사용한 예측 평가가 모델 검증과 의사결정을 향상시키는 방식을 보여주는 것.
• 모델 오특도 문제를 해결하기 위한 손실 기반 베이지안 업데이트를 주장함으로써 예측이 목적에 맞게 유지되도록 보장하는 것.

제안 방법

• 모든 미지수—미래 값, 매개변수, 모델, 잠재 변수—를 랜덤 변수로 간주하는 공동 확률 분포 프레임워크를 사용하여 일관된 불확실성 정량화를 가능하게 한다.
• 고차원 모델에서 계산이 불가능한 사후 및 예측 분포를 근사하기 위해 마르코프 체인 몬테카를로(MCMC)와 변분 추론을 활용한다.
• 연속 순위 확률 점수(CRPS)와 핀볼 손실과 같은 점수 규칙을 적용하여 예측 밀도의 전체를 평가하고, 단지 점 예측이 아닌 전반적인 성능을 평가한다.
• 예측 정확도가 의사결정에 관련된 손실 기반으로 이뤄지는 손실 기반 베이지안 업데이트를 도입하여, 사후 분포 업데이트에 대한 우도 기반 의존도를 줄인다.
• 다양한 신경망 또는 수치 기상 예측에서 유래한 예측을 조합하는 앙상블 방법을 활용하여 강건성과 예측 성능을 향상시킨다.
• 도메인 지식을 표현하고 잠재 변수 및 모델 매개변수의 불확실성을 관리하기 위해 계층적 사전분포와 다수준 모델링 구조를 구성한다.

실험 결과

연구 질문

• RQ1 경제학 및 금융 예측에서 모델, 매개변수, 잠재 상태 전반에 걸쳐 불확실성을 체계적으로 통합하는 방법은 무엇인가?
• RQ2 빅데이터를 포함한 대규모 복잡 모델에서 정확한 베이지안 예측을 가능하게 하는 계산 기법은 무엇인가?
• RQ3 CRPS 및 핀볼 손실과 같은 적절한 점수 규칙이 전력 시장 및 금융 시장에서의 확률적 예측 평가를 어떻게 향상시키는가?
• RQ4 모델 오특도가 발생할 경우 손실 기반 베이지안 업데이트가 예측 신뢰도를 어떻게 향상시킬 수 있는가?
• RQ5 예측 정확도 및 의사결정 지원 측면에서 베이지안 접근법이 비베이지안 방법보다 뛰어난 점은 무엇인가?

주요 결과

• 모든 미지수에 대한 불확실성 정량화가 철저히 이루어질 경우, 베이지안 예측은 비베이지안 방법보다 항상 뛰어난 예측 정확도를 보인다.
• MCMC와 변분 추론은 거시경제학 및 금융 분야의 고차원 복잡 모델에서 예측 분포를 신뢰성 있게 계산할 수 있도록 한다.
• CRPS와 핀볼 손실을 사용한 평가를 통해, 베이지안 방법이 빈도주의 대안보다 더 신뢰할 수 있고 잘 校정된 예측 밀도를 제공하는 것으로 나타났다.
• CRPS와 같은 점수 규칙의 사용은 예측 밀도 전체에 대한 강력한 몬테카를로 기반 평가를 가능하게 하여 모델 비교 및 선택을 향상시킨다.
• 손실 기반 베이지안 업데이트는 의사결정에 관련된 결과와 학습 목표를 일치시킴으로써 모델 오특도 상황에서 예측 성능을 향상시킨다.
• 신경망이나 수치 기상 예측과 같은 여러 모델의 예측을 베이지안 방법으로 조합하면 더 정확하고 강건한 예측이 가능하다.