[논문 리뷰] Dynamic Model Averaging for Practitioners in Economics and Finance: The eDMA Package

Leopoldo Catania, Nima Nonejad|arXiv (Cornell University)|2016. 06. 17.

Monetary Policy and Economic Impact인용 수 6

한 줄 요약

이 논문은 경제학자와 금융 전문가가 병렬 컴퓨팅을 사용하여 효율적인 동적 모형 평균화(DMA)를 수행할 수 있도록 해주는 eDMA R 패키지를 소개한다. C++와 OpenMP로 구현된 이 패키지는 표준 CPU 구현 대비 최대 133배 빠른 DMA 추정을 가능하게 하며, 고성능 클러스터에 접근할 필요 없이 표준 하드웨어에서도 고성능 예측을 수행할 수 있도록 한다. 또한 Dangl과 Halling(2012)의 주요 개선 사항을 통합하여 경제 및 금융 데이터에 적합한 DMA를 제공한다.

ABSTRACT

Raftery, Karny, and Ettler (2010) introduce an estimation technique, which they refer to as Dynamic Model Averaging (DMA). In their application, DMA is used to predict the output strip thickness for a cold rolling mill, where the output is measured with a time delay. Recently, DMA has also shown to be useful in macroeconomic and financial applications. In this paper, we present the eDMA package for DMA estimation implemented in R. The eDMA package is especially suited for practitioners in economics and finance, where typically a large number of predictors are available. Our implementation is up to 133 times faster then a standard implementation using a single-core CPU. Thus, with the help of this package, practitioners are able to perform DMA on a standard PC without resorting to large clusters, which are not easily available to all researchers. We demonstrate the usefulness of this package through simulation experiments and an empirical application using quarterly U.S. inflation data.

연구 동기 및 목표

• 예측자 집합이 크고 계수들이 시계열에 따라 변하는 경제학 및 금융 분야에서 동적 모형 평균화(DMA)의 계산 부담을 완화하기 위해.
• 대규모 모형 공간을 처리할 때 메모리와 처리 시간 문제로 어려움을 겪는 표준 단일 코어 구현 방식의 한계를 극복하기 위해.
• 병렬 처리를 지원하고 경제학적 예측에 널리 사용되는 확장 기법을 통합한 사용자 우호적이고 고성능의 R 패키지를 제공하기 위해.
• 고성능 클러스터에 접근할 수 없는 일반 데스크톱 또는 노트북에서도 실사용자가 DMA를 효율적으로 수행할 수 있도록 하기 위해.
• Dangl과 Halling(2012)의 수정된 분산 공식과 같은 핵심 방법론적 개선 사항과의 호환성을 확보하여, 매크로경제 및 금융 데이터에 적합한 DMA의 적합성을 높이기 위해.

제안 방법

• 고성능 계산을 위해 C++와 Armadillo 라이브러리를 사용하여 DMA를 구현하고, Rcpp 및 RcppArmadillo를 통해 R에 노출한다.
• 공유 메모리 병렬 처리를 위해 OpenMP를 활용하여 다수의 CPU 코어를 활용해 계산 시간을 크게 단축시킨다.
• Raftery 등(2010)과 Dangl 및 Halling(2012)의 방법론적 확장을 통합하여 시간에 따라 변하는 계수와 경제 데이터에 적합한 개선된 조건부 분산 공식을 지원한다.
• 각 시점에서 예측자 조합의 모든 가능한 조합에 대해 모형 평균화를 수행하고, 오래된 모형 성능을 가중치를 낮추기 위해 잊기 인자(forgetting factor)를 적용한다.
• 모델 검토 및 기존 R 워크플로우에의 간편한 통합을 위해 표준 R 메서드(예: plot(), coef(), residuals())를 제공한다.
• 효율적인 데이터 구조 및 알고리즘 설계를 통해 메모리 사용량을 최적화하여, 중간 규모의 응용 프로그램에서도 확장 가능성을 확보한다.

실험 결과

연구 질문

• RQ1 표준 다중 코어 하드웨어를 보유한 경제학 및 금융 분야의 실사용자가 DMA를 계산적으로 실현 가능하게 만들 수 있는가?
• RQ2 eDMA 패키지의 병렬 구현 방식이 기존 단일 코어 접근 방식 대비 계산 시간을 얼마나 줄이는가?
• RQ3 특히 소표본 설정에서 g-프리어 파rameter의 선택이 DMA 예측에 얼마나 민감한가?
• RQ4 Dangl과 Halling(2012)의 분산 조정 통합이 매크로경제 및 금융 시계열에 대한 DMA 성능을 향상시키는가?
• RQ5 다양한 표본 크기, 예측자 수, 잊기 인자에 대한 그리드 포인트 수에서 DMA를 수행하는 데 발생하는 실질적인 계산 비용은 얼마인가?

주요 결과

• eDMA 패키지는 표준 단일 코어 CPU 구현 대비 최대 133배 빠른 계산 성능을 달성하여, 표준 랩탑에서도 실시간 또는 근접 실시간 DMA를 가능하게 한다.
• 일반적인 경제 응용에서, 8코어 CPU를 탑재한 상용 랩탑에서 DMA 추정은 약 30분이 소요되며, 클러스터 없이도 대규모 예측이 가능하다.
• g-프리어 파rameter의 선택은 성능에 큰 영향을 미친다: bZellnerPrior = TRUE일 경우, g = 0.1과 g = 20은 g = T/2와 g = T보다 성능이 열 劣하다.
• bZellnerPrior = FALSE일 경우, 모든 g 값(0.1, 20, T/2, T)이 MSE(0.937–0.967)와 PLD(20.186–20.664) 측면에서 유사한 검증 성능을 보이며, 이는 강건성을 시사한다.
• 패키지는 효율적인 메모리 사용을 지원하여 중간 규모의 응용 프로그램에서도 메모리 소비가 과도하게 증가하지 않는다.
• 미국 분기별 인플레이션 데이터에 대한 실증 응용 분석 결과, eDMA를 사용한 DMA는 안정적이고 신뢰할 수 있는 예측을 제공하며, 모형 포함 확률이 변화하는 데이터 역학에 잘 적응하는 것으로 나타났다.