제목 : 실시간 경제전망 및 리스크 판단을 위한 모형합성 시스템: PRISM-Now

저자 : 서범석(경제모형실), 조형배(경제모형실), 이동재(경제모형실)

<요약>

본 연구는 계량 모형의 구조적 경직성을 완화하고 대규모 정보를 전망과정에 반영하기 위한 새로운 모형 합성 기법을 제시한다. 본고에서 제시한 PRISM-Now는 경제 여건별로 전망에 중요한 경제 변수가 달라지는 점에 착안하여, 서로 다른 강점을 갖는 시계열 모형, 빅데이터 모형, 머신러닝 모형 등 다수의 기초모형을 구축하고, 이들 모형의 동적 융합을 통해 최종 예측치와 전망 리스크를 함께 산출하도록 고안되었다. PRISM-Now는 기초 모형의 예측분포를 모수 분포로 근사하고, 동 분포의 모양(shape)을 추가적인 정보로 활용하는 동적분위선택(DQS) 기법을 이용하여 최종 예측치를 조정한다. 본고는 제시한 방법의 수리적 근거를 제시하고 실증분석을 통해 동 방법의 타당성을 검증하였다. 2016년 이후 GDP 전망의 표본외 예측력 평가를 살펴보면, PRISM-Now 전망치가 단순 평균, 중위수 또는 과거 정보에 기반한 여타 기법들보다 우수한 성능을 보이는 것으로 나타난다. 특히, 실적 정보가 입수되는 당분기(t+0) 예측의 경우 단순한 형태의 전통적 계량모형이 우수한 전망력을 갖는 반면, 실적 정보가 존재하지 않는 익분기(t+1) 예측에서는 빅데이터 및 머신러닝 모형이 보다 우수한 전망력을 보이는 것으로 나타났다. 또한, 코로나19 팬데믹 기간에는 텍스트 및 심리지표를 반영한 모형이 보다 높은 전망력을 보인 것으로 나타났다. 이러한 결과는 동적 융합을 통한 모형 합성 기법이 급변하는 경제 여건 속에서 안정적인 전망력을 유지하는 데 유용함을 시사한다.

We present PRISM-Now, a novel ensemble forecasting system at the Bank of Korea for near-term GDP projection. PRISM-Now aims to mitigate the inflexibility of model forecasting by dynamically ensembling multiple base models, which encompass conventional time series models to cutting-edge big data and nonlinear machine-learning models. We consider situations where critical information for forecasting differs over time. In such cases, we found that the current ensemble forecast density effectively captures the uncertainty and risk associated with model forecasting. Thus, we propose an algorithm called Dynamic Quantile Selection (DQS) to enhance forecasting accuracy using the shape of the current forecast density as supplementary information. We provide both a mathematical basis and an empirical analysis of the proposed method. Empirical assessments reveal that PRISM-Now outperforms other ensemble methods using ex-post information, simple means, or medians. Moreover, we found that conventional models with core macro variables exhibit superior accuracy in nowcasting (t +0) when information is nearly complete, while big data and nonlinear machine learning models excel in forecasting one quarter ahead (t+1) when no realized information is available. Our results highlight the superior accuracy of models using text and sentiment data during the COVID-19 pandemic. These results support the idea that dynamic model ensembling helps in preparing for rapid economic fluctuations.