Deep learning 방법을 활용한 거시지표 nowcasting 모형 = Nowcasting macroeconomic indicators with deep learning method

다국어 초록 (Multilingual Abstract)

Real-time nowcasting models not only provide valuable information for assessing current economic conditions but also help enhance the forecasting accuracy of medium-term economic models by compensating for the publication lags of major macroeconomic indicators. Therefore, central banks in major countries have developed and operated various real-time nowcasting models, with the model from the Federal Reserve Bank of New York (FRBNY) being a representative example. Nowcasting models require a large number of datasets with short publication frequencies and include many missing values (ragged edge), thus they are based on dynamic factor models (DFM). However, during the period of significant fluctuations in key macroeconomic indicators, caused by the COVID-19 pandemic in 2020, the performance of the GDP nowcasting model was poor. Moreover, even after the economy stabilized, the instability of the model continued, leading to the suspension of nowcasting announcements from September 2021. Subsequently, a new and improved model (FRBNY-2) was released, and nowcasting announcements were resumed in September 2023. This paper shows that the decline in the forecasting accuracy of the original model was due to excessive constraints in identifying common factors, which hindered the appropriate extraction of these factors. It is suggested that if these constraints are relaxed, the original model could maintain a forecasting accuracy comparable to that of FRBNY-2. However, in terms of model expansion, such as incorporating weekly data, the traditional dynamic factor model appears to have limitations. Therefore, this paper attempts to nowcast GDP and other macroeconomic indicators using recently developed deep learning models. Unlike traditional dynamic factor models that assume linear relationships and normal distributions, deep learning models consist of nonlinear equations and do not assume specific distributions, making them potentially more suitable for explaining rapid economic fluctuations. Among the deep learning models, the recently developed Mamba model is known to be highly efficient and well-suited for large language models (LLMs). It is also based on a state-space model structure, enabling dimensionality reduction of data and making it more comparable to dynamic factor models. Using the same economic indicators as the FRBNY model from 1985 to 2019, the model was estimated and the forecasting accuracy of quarterly GDP nowcasting was compared for the period after 2020, including the COVID-19 period. The Mamba model exhibited a smaller mean absolute error (MAE) of 2.2% compared to the 3.9% of the traditional dynamic factor model. In particular, during the second and third quarters of 2020, when GDP volatility was significant, the Mamba model had smaller forecast errors, and it also showed smaller GDP nowcasting errors for the remaining periods except for these two quarters. Notably, when the model was expanded to include weekly data such as financial market prices, which were not included in the original model, the Mamba model's mean forecast error further decreased to 1.9%, whereas the dynamic factor model's forecasting accuracy deteriorated. Additionally, the Mamba model demonstrated superior forecasting accuracy in nowcasting Korean GDP. This paper confirms that deep learning models, which have recently shown excellent performance in analyzing language, images, and sound, can also yield superior results in economic time series analysis. This suggests the possibility of developing economic forecasting models that include not only time series data but also unstructured data such as text and images. Furthermore, compared to traditional models, deep learning models can efficiently estimate large-scale datasets that include mixed-frequency macroeconomic indicators and can reflect nonlinear relationships between variables, contributing to elucidating complex relationships between economic variables in the future. Keywords : Nowcasting, Dynamic factor model, Machine learning, Deep learning, Mamba Student Number : 2010-30909

국문 초록 (Abstract)

실시간 경제전망(nowcasting) 모형은 현재 경기상황을 판단하는 데 유용한 정보를 제공할 뿐만 아니라 주요 거시지표의 발표 시차를 보완함으로써 중기 경제전망 모형의 예측력 제고에 도움이 될 수 있다. 따라서 주요국 중앙은행은 다양한 방법의 실시간 경제전망 모형을 개발하여 운용하고 있으며 그 중 FRB New York의 모형이 대표적이다. FRBNY nowcasting 모형은 그 목적 상 발표 주기가 짧은 많은 수의 데이터가 필요하고 다수의 결측치(missing value)를 포함하므로 동적요인모형(dynamic factor model)에 기반하고 있다. 하지만 2020년 COVID-19의 영향으로 고용 등 주요 거시지표가 크게 변동하는 기간에 동 모형의 GDP nowcasting 성과가 부진하였을 뿐만 아니라 경제가 다시 안정된 후에도 모형의 불안정성이 지속됨에 따라 2021년 9월부터 nowcasting 발표를 중단하였다. 이후 기존 모형을 개선한 새로운 모형 (FRBNY-2)을 공개하고 2023년 9월부터 nowcasting 발표를 재개하 였다. 본고에서는 기존 모형의 예측력 저하 원인이 공통 요인 식별을 위한 과도한 제약으로 공통 요인이 적절하게 도출되지 못한 데 있는 것으로 판단하였으며 요인 식별 제약을 완화하면 기존 모형도 새 모형(FRBNY-2)에 준하는 양호한 예측력을 유지하는 것으로 보인다. 하지만 주간 데이터를 모형에 추가하는 등 모형의 확장 측면에서 기존의 동적요인모형은 한계가 있는 것으로 보인다. 따라서 본고에서는 최근 급속히 발달하고 있는 deep learning 모형을 이용하여 GDP 등 거시지표 nowcasting을 시도하였다. 기존의 동적요인모형이 선형 관계식과 정규분포를 가정하는 것과 달리 deep learning 모형은 비선형 관계식으로 구성되고 특정 분포를 가정하지 않기 때문에 급격한 경기변동을 설명하는 데 더 적합할 가능성이 있다. Deep learning 모형 가운데 최근 개발된 Mamba 모형은 대규모 언어모델(LLM) 분야에서 매우 효율적이고 높은 적합도를 보이는 것으로 알려져 있다. 또한 상태공간모형 구조에 기반하고 있어 데이터의 차원 축소가 가능하며 기타 deep learning 모형에 비해 동적요인모형과 비교 가능성이 높다. 1985년부터 2019년까지 FRBNY 모형과 동일한 경제지표를 이용하여 모형을 추정하고 이후 COVID-19을 포함하는 2020년 이후 기간에 대해 분기별 GDP nowcasting 예측력을 비교하였다. 기존 동적요인모형의 평균절대오차(MAE)가 3.9%인 반면 Mamba 모형은 2.2%로 더 작은 오차를 보였다. 특히 GDP 변동성이 크게 발생한 2020년 2분기와 3분기에 Mamba 모형의 예측오차가 더 작았으며, 동 2개 분기를 제외한 나머지 기간에서도 지속적으로 Mamba 모형의 GDP nowcasting 오차가 작게 나타났다. 특히 기존 모형에 포함되지 않았던 금융시장 가격 등 주간 데이터를 포함하여 모형을 확장하는 경우 동적요인모형은 예측력이 저하되는 것과 다르게 Mamba 모형은 평균예측오차가 1.9%로 더욱 감소하였다. 그리고 한국 GDP에 대한 nowcasting에서도 Mamba 모형은 우수한 예측력을 보였다. 본고에서는 주로 언어, 이미지, 음성 분석에서 최근 뛰어난 성과를 보이고 있는 deep learning 모형이 경제 시계열 분석에서도 우수한 성과를 보일수 있음을 확인하였다. 이는 시계열 데이터 뿐만 아니라 텍스트, 이미지 등 비정형 데이터를 포함하는 경제전망 모형의 개발 가능성을 시사한다는 점에서 의미가 크다. 또한 deep learning 모형은 기존 모형에 비해 혼합주기(mixed frequency) 거시지표를 포함한 대규모 데이터를 매우 효율적으로 추정할 수 있고 변수들 간의 비선형 관계를 반영할 수 있으므로 향후 복잡한 경제 요소간 관계를 밝히는 데에도 기여할 수 있을 것으로 기대한다. 주요어 : 실시간 경제전망, 동적요인모형, 기계학습, 딥러닝, Mamba 학 번 : 2010-30909

목차 (Table of Contents)

• 제 1 장 서 론 . 1
• 제 2 장 기존 nowcasting 모형 . 3
• 제 1 절 주요 모형 . 3
• 제 2 절 FRBNY nowcast 8
• 제 3 절 FRBNY nowcast 2.0 15
• 제 4 절 DFM 점검 . 18
• 제 3 장 Deep learning 모형 25
• 제 1 절 기본 구조 25
• 제 2 절 주요 모형 27
• 제 3 절 학습 방법 30
• 제 4 절 결측치 추정 . 32
• 제 3 장 Mamba nowcasting 33
• 제 1 절 Mamba 개요 33
• 제 2 절 GDP nowcasting 38
• 제 3 절 모형 확장 45
• 제 4 절 한국 GDP nowcasting 53
• 제 4 장 결 론 58
• 참고 문헌 60
• 부록 . 68
• DFM news 영향 분해 68
• Machine learning 기법 . 69
• Transformer와 SSM 모형 관계 71
• 기타 지표 nowcasting 결과 72
• Abstract 77
• iv