AI로 보는 미·국제 공공재정 변동 상관관계

초록

본 연구는 인공지능 기반 신경망 모델을 활용해 미국 공공재정 변동이 국제 재정에 미치는 영향을 정량화한다. 데이터는 미국과 주요 국가들의 재정 지표와 주가 변동을 2000‑2023년 기간 동안 수집했으며, 다층 퍼셉트론(MLP) 구조로 학습하였다. 모델은 평균제곱오차(MSE) 2.79를 기록, 미국 재정 변화가 국제 재정에 통계적으로 유의한 선형·비선형 관계를 가진다는 것을 확인했다. 또한, 모델 예측을 실제 주식시장 변동과 비교해 투자 의사결정에 활용 가능함을 시사한다.

상세 분석

본 논문은 공공재정 데이터와 금융시장 데이터를 통합해 인공지능이 국제 재정 연계성을 어떻게 포착할 수 있는지를 탐구한다. 데이터 전처리 단계에서는 각 국가별 재정 적자·흑자, 부채비율, 세입·세출 규모 등을 실질 GDP 대비 비율로 정규화하고, 월별 혹은 분기별 시계열 형태로 변환하였다. 미국 재정 변수를 독립 변수, 국제(선정된 10개 주요 국가) 재정 변수를 종속 변수로 설정해 다변량 회귀 문제를 신경망으로 재구성하였다. 모델은 입력층 12개(미국 재정 지표 6개 + 시계열 lag 6개), 은닉층 2개(각 64, 32 뉴런)와 ReLU 활성화 함수를 사용했으며, 출력층은 각 국가별 예측값을 동시에 제공하는 다출력 구조다. 학습은 Adam 옵티마이저(learning rate 0.001)와 배치 사이즈 32로 200 epoch 동안 진행했으며, 과적합 방지를 위해 early stopping과 L2 정규화를 적용하였다. 평가 지표는 MSE 외에도 MAE와 R²를 추가로 보고했으며, MSE 2.79는 비교 대상인 선형 회귀(MSE 5.13)보다 현저히 낮아 비선형 관계를 효과적으로 포착함을 의미한다. 모델 해석을 위해 SHAP 값을 계산했을 때, 미국의 부채비율 변화와 세입 감소가 국제 재정 변동에 가장 큰 기여도를 보였으며, 특히 신흥 시장 국가에서는 미국 재정 변동에 대한 민감도가 선진국보다 1.5배 이상 높았다. 경제적 타당성을 검증하기 위해 2010‑2022년 사이 미국 재정 변동과 주요 주가지수(S&P 500, FTSE, Nikkei 등) 사이의 상관관계를 회귀 분석했으며, 모델이 예측한 국제 재정 변동이 실제 주가 변동과 0.68의 높은 상관계수를 보였다. 한계점으로는 데이터 기간이 제한적이며, 정책 변화(예: 세제 개편)와 외부 충격(코로나19, 지정학적 갈등)을 변수로 명시적으로 포함하지 않은 점을 들 수 있다. 향후 연구에서는 더 긴 시계열과 다양한 정책 변수, 그리고 그래프 신경망(GNN) 등을 도입해 구조적 연계성을 심층적으로 탐구할 필요가 있다.