베네수엘라 경제 예측을 위한 신경망 모델

초록

**
본 논문은 베네수엘라 중앙은행이 매월 발표하는 경제활동 일반지수(IGAEM)를 1992‑1999년 학습, 2000‑2003년 테스트 구간으로 나누어 다중 신경망(8개 서브넷 + 마스터넷)으로 예측한다. 다양한 거시경제·원자재 변수들을 입력으로 사용하고, 히트율 80% 이상, 샤프비율 등 효율지표에서 서브넷보다 우수한 성과를 보였다.

**

상세 분석

**
이 연구는 비선형 시계열 예측에 신경망(다층 퍼셉트론, MLP)을 적용한 전형적인 사례로, 다음과 같은 기술적 특징을 가진다. 첫째, 입력 변수 선정이 광범위하다. 원유가격, 전력소비량, 카라카스 주식지수(IBC), 대출금리, 소비자물가(CPI), S&P 500, 금·구리·유가·유로달러·CRB·다우전기·T‑Bill 등 13개의 거시·원자재 지표를 각각의 서브넷에 할당해 다중 관점을 확보한다. 둘째, 데이터 전처리 단계에서 이동평균·블록평균을 이용해 비정상성을 완화하고, 노이즈를 감소시킨 뒤 신경망에 입력한다. 이는 신경망이 역전파 학습 시 과도한 변동에 민감해지는 것을 방지하려는 의도이다. 셋째, 서브넷 8개와 이를 입력으로 하는 마스터넷 구조는 ‘앙상블’ 방식과 유사하다. 각 서브넷이 독립적으로 예측한 값을 마스터넷이 다시 학습함으로써 개별 모델의 편향을 보정하고, 전체적인 예측 정확도를 향상시킨다. 논문은 이 구조가 “그룹으로 작동할 때 효율이 더 높다”는 실증적 증거를 제시한다.

효율성 평가지표는 히트율(방향 일치 비율), 효율(Efficiency, 최대 이익 대비 실현 이익 비율), 평균오차(EAM), 평균제곱오차(ECM), 수정 샤프비율(SRM) 등 다섯 가지를 사용한다. 히트율이 80% 이상이라는 결과는 방향성 예측에서 상당히 높은 정확도를 의미한다. 특히 마스터넷이 서브넷 대비 샤프비율이 크게 우수하다는 점은 변동성(손실)의 제어가 잘 이루어졌음을 시사한다.

하지만 몇 가지 한계도 존재한다. 첫째, 학습·시험 구간이 각각 8년, 4년으로 비교적 짧으며, 데이터 포인트가 월별 144개에 불과하다. 신경망이 8개의 서브넷과 다수의 가중치를 학습하기엔 과적합 위험이 크다. 논문에서는 과적합 방지를 위한 구체적 기법(예: 조기 종료, 교차검증, 정규화 등)을 제시하지 않아 모델 일반화 능력을 판단하기 어렵다. 둘째, 베이스라인 모델(ARIMA, VAR, 단순 회귀 등)과의 비교가 전혀 없으며, 히트율 외에 실제 예측값의 절대오차나 MAPE와 같은 경제학적 정확도 지표가 부족하다. 셋째, 입력 변수들의 시차(lag) 선택이 임의적이며, 변수 간 상관관계와 다중공선성 검증이 누락돼 모델 해석에 제한을 만든다. 넷째, 마스터넷의 구조(숨은 층 수, 뉴런 수, 활성화 함수)와 학습 파라미터(학습률, 에포크 수 등)가 상세히 기술되지 않아 재현성이 떨어진다.

이러한 한계에도 불구하고, IGAEM이 GDP 변동을 반영하는 중요한 선행지표라는 점과, 원유 의존도가 높은 베네수엘라 경제에서 원자재·금융 변수들의 복합적 영향을 포착하려는 시도는 의미가 있다. 향후 연구에서는 더 긴 시계열, 변수 선택을 위한 통계적 검증, 베이스라인 모델과의 성능 비교, 그리고 앙상블 방법론(부스팅·배깅)과의 연계를 통해 모델의 신뢰성을 강화할 필요가 있다.

**