[논문 리뷰] Unveiling the Impact of Macroeconomic Policies: A Double Machine Learning Approach to Analyzing Interest Rate Effects on Financial Markets

Anoop Kumar, Suresh Dodda외 2명|arXiv (Cornell University)|2024. 03. 31.

Monetary Policy and Economic ImpactEconomics, Econometrics and Finance인용 수 3

한 줄 요약

이 연구는 1986년에서 2021년까지 미국 연방준축 금리 변화가 고정수익 및 주식형 펀드 수익률에 미치는 영향을 분석하기 위해 기울기 부스팅과 인과 추론을 조합한 더블 머신러닝(DML) 프레임워크를 적용한다. 금리가 1% 상승할 경우 주로 운용되는 펀드 수익률은 11.97% 감소하는 것으로 나타났으며, 패시브 펀드는 더 낮은 민감도를 보여, 머신러닝이 금융 자산에 대한 인과 매크로경제적 영향을 식별하는 데서의 잠재력을 입증한다.

ABSTRACT

This study examines the effects of macroeconomic policies on financial markets using a novel approach that combines Machine Learning (ML) techniques and causal inference. It focuses on the effect of interest rate changes made by the US Federal Reserve System (FRS) on the returns of fixed income and equity funds between January 1986 and December 2021. The analysis makes a distinction between actively and passively managed funds, hypothesizing that the latter are less susceptible to changes in interest rates. The study contrasts gradient boosting and linear regression models using the Double Machine Learning (DML) framework, which supports a variety of statistical learning techniques. Results indicate that gradient boosting is a useful tool for predicting fund returns; for example, a 1% increase in interest rates causes an actively managed fund's return to decrease by -11.97%. This understanding of the relationship between interest rates and fund performance provides opportunities for additional research and insightful, data-driven advice for fund managers and investors

연구 동기 및 목표

• 1986년에서 2021년까지 미국 연방준축 금리 변화가 펀드 수익률에 미치는 인과적 영향을 분석하는 것.
• 더블 머신러닝(DML) 프레임워크 내에서 기울기 부스팅과 선형 회귀의 성능를 비교하여 인과 추론을 수행하는 것.
• 주로 운용되는 펀드와 패시브 펀드가 금리 충격에 대해 어떻게 다른 민감도를 보이는지 조사하는 것.
• 펀드 매니저와 투자자들이 금리 리스크 노출도를 데이터 기반으로 이해할 수 있도록 통찰을 제공하는 것.

제안 방법

• 이 연구는 고차원 설정에서의 강력한 추론을 가능하게 하기 위해, 금리 변화가 펀드 수익률에 미치는 인과 효과를 추정하기 위해 더블 머신러닝(DML) 프레임워크를 활용한다.
• DML 프레임워크 내에서 펀드 수익률을 예측하기 위해 기울기 부스팅(예: XGBoost)과 선형 회귀 모델을 머신러닝 추정기로 사용한다.
• DML 접근법은 먼저 흐름 변수(예: 조건부 평균 및 성향 스코어)를 머신러닝 방법을 통해 추정함으로써 혼동 변수를 제어한다.
• 이 방법은 인과 효과 추정과 조건부 기대값 추정을 분리함으로써 고차원 데이터에서의 편향을 감소시킨다.
• 분석 대상은 고정수익 및 주식형 펀드의 월간 데이터 36년 간의 기간으로, 주로 운용 및 패시브 운용 방식을 구분한다.
• 이중 강건성 성질을 통해 인과 추론을 검증함으로써, 한 쪽의 흐름 모델이 잘못 지정되더라도 일관된 추정치를 확보한다.

실험 결과

연구 질문

• RQ1 1986년에서 2021년 사이에 미국 연방준축 금리 변화가 고정수익 및 주식형 펀드 수익률에 인과적으로 어떤 영향을 미치는가?
• RQ2 주로 운용되는 펀드가 패시브 펀드보다 금리 변화에 더 큰 민감도를 보이는가?
• RQ3 이 금융 응용 분야에서 DML 프레임워크 내에서 기울기 부스팅과 선형 회귀 중 어느 머신러닝 모델이 더 정확하고 강건한 인과 추정치를 제공하는가?
• RQ4 특히 금리 변화를 포함한 매크로경제 정책 변화가 펀드 포트폴리오의 체계적 리스크를 어느 정도 유도하는가?

주요 결과

• 미국 금리가 1% 상승할 경우 주로 운용되는 펀드 수익률이 통계적으로 유의미하게 11.97% 감소한다.
• 패시브 펀드는 금리 변화에 대해 더 낮은 민감도를 보이며, 이는 주로 운용되는 펀드보다 금리 리스크 노출도가 낮다는 가설을 지지한다.
• DML 프레임워크 내에서 기울기 부스팅이 선형 회귀보다 펀드 수익률 예측에서 뛰어난 성능을 보이며, 더 높은 예측 정확도와 강건성을 입증한다.
• DML 프레임워크는 고차원 혼동 변수가 존재하는 상황에서도 금리 변화가 펀드 수익률에 미치는 인과 효과를 성공적으로 분리했다.
• 머신러닝 기법을 인과 추론과 결합할 경우 금융 이코노메트릭 분야에서 신뢰할 수 있고 실용적인 통찰을 도출할 수 있음을 확인했다.
• 결과적으로 더블 머신러닝이 비선형적이고 고차원적인 맥락에서 매크로-금융 연계성 분석에 활용될 수 있음을 실증적으로 뒷받침한다.