[논문 리뷰] Economic Recession Prediction Using Deep Neural Network

Zihao Wang, Kun Li외 2명|arXiv (Cornell University)|2021. 07. 21.

Monetary Policy and Economic Impact참고 문헌 41인용 수 4

한 줄 요약

이 논문은 매크로경제 지표와 시장 지표를 사용하여 미국의 경제 침체를 예측하기 위해 양방향 LSTM과 오토에인코드어, 어텐션 레이어를 결합한 모델(BiLSTM-AA)을 제안한다. 이 모델은 94.8%의 정확도를 기록하며, 기존의 SVM과 로지스틱 회귀와 같은 전통적 방법보다 우수한 성능을 보이며, 2008년 금융위기와 코로나19 경기침체에 대한 검증에서 6개월 전까지 침체를 예측할 수 있다.

ABSTRACT

We investigate the effectiveness of different machine learning methodologies in predicting economic cycles. We identify the deep learning methodology of Bi-LSTM with Autoencoder as the most accurate model to forecast the beginning and end of economic recessions in the U.S. We adopt commonly-available macro and market-condition features to compare the ability of different machine learning models to generate good predictions both in-sample and out-of-sample. The proposed model is flexible and dynamic when both predictive variables and model coefficients vary over time. It provided good out-of-sample predictions for the past two recessions and early warning about the COVID-19 recession.

연구 동기 및 목표

• 일반적으로 이용 가능한 매크로 및 시장 지표를 활용하여 미국의 경제 침체 발생과 종료 시점을 정확하게 예측할 수 있는 딥러닝 모델을 개발하는 것.
• 침체 예측에서 시간적 불안정성, 데이터 불균형, 제한된 학습 샘플 등의 과제를 해결하는 것.
• 현재 기간의 데이터만을 사용하여 공식 침체 일자 이전에 침체를 예측할 수 있도록 조기 경고 능력을 향상시키는 것.
• 경제 제도 변화에 적응할 수 있는 동적이고 융통성 있는 모델을 설계하여, 오토에인코드링을 통해 데이터 지연 문제를 해결하는 것.
• 역사적 침체 기간인 2008년 금융위기와 코로나19 경기침체에 대한 엄격한 외부 검증을 통해 모델의 견고성을 평가하는 것.

제안 방법

• 모델은 시간적 의존성을 포착하기 위해 이원방향 장기 단기 기억망(Bi-LSTM)을 사용하여 시계열 매크로경제 및 금융 특징을 처리한다.
• 오토에인코드어는 Bi-LSTM의 은닉 상태의 압축되고 의미 있는 표현을 학습하여 향후 상태 예측과 데이터 지연 문제를 완화한다.
• 어텐션 메커니즘은 예측 과정에서 가장 관련성이 높은 시간 단위와 특징에 집중함으로써 해석 가능성과 성능을 향상시킨다.
• 모델은 시간 $ t $ 의 데이터를 사용하여 시간 $ t+1 $ 의 침체 사건을 예측하도록 훈련되며, 윤곽 기반 윈도우 접근 방식을 통해 실시간 예측을 시뮬레이션한다.
• 특징 공학에는 BAA 수익률 스프레드, 산업생산(INDPRO), 기간 스프레드와 같은 표준 매크로경제 지표가 포함된다.
• 모델 훈련은 분류 작업을 위한 지도 학습과 오토에인코드어를 통한 비지도 사전 훈련을 조합하여 제한된 데이터에서 표현 학습을 향상시킨다.

실험 결과

연구 질문

• RQ1 Bi-LSTM와 오토에인코드어 아키텍처를 가진 딥러닝 모델이 SVM과 로지스틱 회귀와 같은 전통적 머신러닝 모델보다 미국의 경기침체 예측에서 뛰어난 성능을 보일 수 있는가?
• RQ2 BiLSTM-AA 모델이 현재 기간의 데이터만을 사용하여 침체를 얼마나 빨리 경고할 수 있는가?
• RQ3 어텐션 메커니즘과 오토에인코드어의 통합이 불균형하고 샘플 수가 적은 환경에서 예측 정확도와 견고성을 어떻게 향상시키는가?
• RQ4 경제 순환 민감도와 데이터 지연을 균형 있게 유지하기 위해 입력 특징의 최적의 시간 윈도우는 무엇인가?
• RQ5 BAA 수익률과 산업생산과 같은 핵심 매크로경제 변수가 모델의 침체 예측에 어떻게 영향을 미치는가?

주요 결과

• BiLSTM-AA 모델은 외부 검증에서 94.8%의 정확도를 기록하여, 동일한 테스트 세트에서 SVM(86.2%), 로지스틱 회귀(86.2%), DNN(89.6%)보다 뚜렷하게 뛰어난 성능을 보였다.
• 모델은 2008년 금융위기와 코로나19 경기침체를 각각 6개월 전에 예측하여 강력한 조기 경고 능력을 입증했다.
• 6개월 입력 윈도우를 사용할 경우 최고의 성능를 기록했으며, 침체 기간 탐지에 대해 F1 스코어 81%, 비침체 기간에 대해 96%를 기록했다.
• 어텐션 메커니즘이 있는 모델은 어텐션 없이 구현된 모델 대비 F1 스코어에서 6.9%p 향상되었으며, 이는 특징 우선순위 지정에서의 기여를 확인한다.
• 특징 민감도 분석 결과, BAA 수익률이 30% 증가하면 예측된 침체 시작 시점이 앞당겨졌고, 산업생산이 30% 증가하면 지연되었으며, 이는 경제적 직관을 뒷받침한다.
• 비침체 기간에 대해 높은 정밀도(97%)와 F1 스코어(96%)를 유지하여, 클래스 불균형에도 불구하고 낮은 위양성 비율을 보였다.