[논문 리뷰] Nowcasting using regression on signatures

Samuel N. Cohen, Giulia Mantoan외 4명|arXiv (Cornell University)|2023. 05. 17.

Complex Systems and Time Series AnalysisEconomics, Econometrics and Finance인용 수 3

한 줄 요약

이 논문은 연속시간 시계열에서 유도된 비선형 특징인 경로 서명을 사용하여 혼합 주파수, 비정규 또는 누락된 데이터를 가진 경제 지표를 모델링하는 새로운 실시간 예측 방법인 서명에 대한 회귀를 소개한다. 이 방법은 최신 기술 수준의 성능을 달성하여 미국 GDP 실시간 예측에서 동적 인자 모델을 능가하며, 최소한의 모델링 복잡성으로도 민첩하고 해석 가능하며 쉽게 구현 가능한 예측을 가능하게 한다.

ABSTRACT

We introduce a new method of nowcasting using regression on path signatures. Path signatures capture the geometric properties of sequential data. Because signatures embed observations in continuous time, they naturally handle mixed frequencies and missing data. We prove theoretically, and with simulations, that regression on signatures subsumes the linear Kalman filter and retains desirable consistency properties. Nowcasting with signatures is more robust to disruptions in data series than previous methods, making it useful in stressed times (for example, during COVID-19). This approach is performant in nowcasting US GDP growth, and in nowcasting UK unemployment.

연구 동기 및 목표

• 지연된 경제 지표 문제를 해결하기 위해 혼합 주파수 및 비정규 샘플링된 데이터를 처리할 수 있는 유연하고 강력한 실시간 예측 방법을 개발하는 것.
• 시간적 동역학과 누락 데이터 패턴을 자연스럽게 캐릭터화하는 경로 서명을 특징으로 활용하여 기존 실시간 예측 모델을 향상시키는 것.
• 기존 방법(예: 칼만 필터)을 포함하는 단순하고 해석 가능하며 확장 가능한 프레임워크를 제공하여 복잡한 모델링 없이도 비선형 관계를 처리할 수 있도록 하는 것.
• 미국 GDP 성장률 및 주간 연료 가격 실시간 예측과 같은 실제 응용 사례를 통해 방법의 효과성을 입증하는 것.
• 공개된 파이썬 패키지인 SigNow와 오픈소스 코드를 배포하여 재현 가능성과 보급을 촉진하는 것.

제안 방법

• 연속시간 시계열 데이터에서 경로 서명을 계산하여 순차적 관측의 기하학적 및 시간적 성질을 캡처함으로써 누락되거나 비정규적으로 샘플링된 데이터에 대한 강력한 처리 능력을 확보한다.
• 서명 특징에 표준 선형 회귀를 적용하여 복잡한 시계열 모델링을 서명 계산과 선형 피팅의 두 단계 과정으로 단순화한다.
• 지정된 수준(예: 3차 또는 4차)까지 잘라낸 서명 전개를 사용하며, 모든 선형 항을 유지하여 예측 능력을 유지한다.
• 서명 항은 표준화되며, 목표 변수는 서명 계산 시 승수로 사용되어 예측 정렬을 향상시킨다.
• 누락 데이터는 데이터 유형과 응용에 따라 전진 보간 또는 직각 보간 방식으로 처리된다.
• 과적합을 방지하기 위해 엘라스틱 넷 정규화(특히 릿지, α=1.0 또는 2.0)를 적용하며, 초모델 하이퍼파rameter는 교차 검증을 통해 튜닝된다.

실험 결과

연구 질문

• RQ1 경로 서명은 혼합 주파수 및 비정규 샘플링된 데이터를 가진 경제 지표 실시간 예측에 효과적인 비선형 특징으로 기능할 수 있는가?
• RQ2 미국 GDP 실시간 예측에서 서명에 대한 회귀는 기존의 동적 인자 모델에 비해 성능 면에서 어떻게 비교되는가?
• RQ3 데이터 보간이나 복잡한 사전 처리 없이도 이 방법이 누락 데이터와 비정규 샘플링을 얼마나 잘 처리할 수 있는가?
• RQ4 이 방법은 주간 연료 가격 예측과 같이 일일 데이터에서 주간 지표를 예측하는 등 다양한 실시간 예측 과제에 민첩하게 적용될 수 있는가?
• RQ5 서명 기반 접근법은 블랙박스 기계학습 모델을 능가하면서도 여전히 해석 가능성을 유지할 수 있는가?

주요 결과

• 서명에 대한 회귀는 미국 GDP 성장률 실시간 예측에서 뉴욕 연은 동적 인자 모델보다 낮은 예측 오차를 기록하여 실제 데이터에서 뛰어난 성능을 입증했다.
• 이 방법은 데이터 보간 없이도 혼합 주파수 및 비정규 샘플링된 데이터를 성공적으로 처리하였으며, 누락 관측치를 자연스럽게 통합하는 연속시간 서명 계산에 의존하였다.
• 연료 가격 실시간 예측 과제에서, 모델은 오직 17일 간의 일일 데이터와 4차 서명 수준, α=0.5의 정규화 강도만으로도 높은 예측 정확도를 달성했다.
• 특히 관측치가 불완전하거나 균일하지 않은 간격으로 분포된 경우, 전통적 방법 대비 정확도와 강건성 면에서 뛰어난 성능을 보였다.
• 경로 서명의 사용 덕분에 비선형 모델이나 광범위한 초모델 튜닝 없이도 복잡한 시간적 의존성을 효과적으로 포착할 수 있었다.
• 오픈소스인 SigNow 패키지와 재현 가능한 코드베이스 덕분에 이 방법은 다른 실시간 예측 응용 분야로의 광범위한 보급과 확장이 가능해졌다.