효율적인 동적 모델 평균화: eDMA 패키지로 경제·금융 예측 혁신

본 논문은 동적 모델 평균화(DMA) 기법을 실무 연구자들이 손쉽게 활용할 수 있도록 만든 R 패키지 **eDMA**를 소개한다. DMA는 Raftery·Karny·Ettler(2010)에서 제안된 방법으로, 시계열 회귀 모델의 모든 가능한 변수 조합을 동적 선형 모델(DLM) 형태로 구성하고, 각 모델의 예측 가능도(predictive likelihood)를 기반으로 실시간 가중치를 업데이트한다. 이를 통해 모델 불확실성(어떤 변수를 포함해야 할지)과 파라미터 불확실성(회귀계수가 시간에 따라 어떻게 변하는지)을 동시에 다룰 수 있다. DMA의 핵심은 회귀계수의 상태 전이 공분산 W 을 직접 추정하는 대신, **잊혀짐 계수(δ)** 하나만 지정함으로써 상태 공분산을 W = (1‑δ)/δ · C (이전 시점 공분산) 형태로 표현한다는 점이다. δ=1이면 계수가 고정되고, δ<1이면 과거 정보가 지수적으로 감소하면서 계수가 점진적으로 변한다. 이 간단한 파라미터화는 실무에서 모델을 설정하는 부담을 크게 줄여준다. 하지만 DMA를 그대로 구현하면, 후보 변수 수 n 에 대해 2ⁿ‑1개의 모델을 모두 고려해야 하므로 메모리와 연산량이 급증한다. 기존 CRAN 패키지 **dma**는 순차적으로 모든 모델을 업데이트하기 때문에, 변수 수가 15~20개 수준을 넘어가면 실행 시간이 수시간에서 수일로 늘어나고, RAM 사용량도 수십 기가바이트에 달한다. 이를 해결하기 위해 저자들은 세 가지 기술적 전략을 채택하였다. 첫째, **C++와 Armadillo** 라이브러리를 이용해 핵심 연산(칼만 필터 업데이트, 예측 가능도 계산)을 고속 행렬 연산으로 구현하였다. Rcpp와 RcppArmadillo를 통해 R 사용자에게 친숙한 인터페이스를 제공하면서도, 내부적으로는 BLAS/LAPACK 가속을 활용한다. 둘째, **OpenMP**를 이용해 모델별 연산을 다중 코어에서 병렬 처리한다. 모델 업데이트는 서로 독립적이므로, 루프 수준에서 간단히 `#pragma omp parallel for` 지시문을 삽입해 8코어 환경에서 100배 이상 속도 향상을 달성했다. 셋째, **메모리 절약 설계**를 적용해 각 모델에 필요한 상태 평균 θ, 공분산 C, 예측 분산 S 만을 저장하고, 불필요한 중간 결과는 즉시 폐기한다. 또한, 사용자가 모델 수를 제한하거나 사전 포함 확률을 조정해 메모리 사용량을 조절할 수 있다. 패키지는 DMA 외에도 **베이지안 모델 평균화(BMA)**와 **베이지안 모델 선택(BMS)** 기능을 제공한다. 고정계수 버전과 동적계수 버전을 동일 데이터에 적용해 결과를 비교함으로써, 시간 변동성을 고려했을 때 예측 정확도가 얼마나 개선되는지 직접 확인할 수 있다. 논문은 두 가지 실험을 제시한다. 첫 번째는 **시뮬레이션**으로, 변수 수를 10, 15, 20으로 늘리면서 실행 시간과 메모리 사용량을 기존 dma와 비교한다. 결과는 eDMA가 8코어 환경에서 평균 133배 빠르고, 메모리 사용량은 최대 10배 이하로 유지됨을 보여준다. 두 번째는 **실증 적용**으로, 1968~2011년 미국 GDP 디플레이터 기반 인플레이션 데이터를 사용한다. 기본 AR(2) 모델에 실업률 등 거시 변수들을 추가해 15개의 후보 조합을 구성하고, DMA와 고정계수 BMA를 비교한다. DMA는 경기 변동기에 높은 포함 확률을 보이는 변수를 빠르게 식별하고, 1‑step‑ahead 예측 RMSE가 BMA보다 7% 낮았다. 또한, 모델 포함 확률을 활용한 **분산 분해**를 통해 예측 오차의 주요 원인을 파악할 수 있었다. 결론적으로, eDMA는 **동적 모델 평균화**의 이론적 장점을 실무 수준으로 끌어올린 도구이다. 고성능 C++ 구현, 다중 코어 병렬 처리, 메모리 효율성, 그리고 R 친화적 인터페이스를 결합해, 대규모 변수 집합을 다루는 경제·금융 연구자들이 클러스터 없이도 최신 DMA 기법을 적용할 수 있게 한다. 향후 연구에서는 비선형 DLM, 다변량 확장, 그리고 베이지안 구조적 변동성 모델과의 결합이 기대된다.