모든 변수가 자유롭게 섞이는 모델은 예측이 어디서 나왔는지 설명하기 어렵다. 영란은행 연구는 금리·물가·수요처럼 경제적 의미가 가까운 변수를 블록으로 묶는다. 각 블록의 출력은 합산하지만 블록 내부에서는 곡선 관계와 변수 간 상호작용을 허용한다.
모델은 방향이 이론적으로 알려진 관계에 단조 제약을 적용한다. 다른 조건이 같을 때 입력이 늘면 출력이 한 방향으로 움직이도록 제한하는 방식이다. 공급과 수요의 충격처럼 경제적 효과가 다른 묶음을 분리하면 합산된 예측에서 각 원천의 기여를 살필 수 있다.
연구는 이런 구조가 머신러닝의 유연성을 크게 포기하지 않으면서 해석을 돕는다고 보고한다. 다만 잘못된 블록이나 방향 제약은 실제 관계를 막을 수 있다. 이 접근의 장점은 무조건적인 성능우위보다 경제적 가정과 예측을 연결해 검사할 수 있다는 데 있으며, 특정 채권 포지션의 손익을 검증하지 않는다.
SCOPE제약은 이론과 자료에 맞아야 한다. 거시 예측의 해석 가능성을 국내 채권 수익성으로 바로 옮길 수 없다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
경제 블록으로 제한한 머신러닝0 primary · 1 archived +
These 1 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓Show the original briefing text
구분: 중앙은행 논문·구조화 머신러닝
발표일: 2025년 9월 26일
선정 이유: 최신성보다 채권·거시 예측의 설명가능성과 안정성을 높이는 기술적 가치 때문에 선정
핵심 요약
영란은행 Staff Working Paper No. 1,144는 예측변수를 경제적 의미의 블록으로 묶고 블록 간에는 가법성을, 블록 안에는 비선형·상호작용을 허용하는 Block-Additive Model을 설명한다. 또 금리·물가·수요처럼 이론상 방향이 알려진 관계에는 단조 제약을 걸어, 공급충격과 수요충격처럼 반대 효과를 분리한다. 연구는 이런 구조화 방법이 머신러닝의 예측 유연성을 크게 버리지 않으면서 각 블록의 기여도를 해석할 수 있게 한다고 보고한다. 특정 채권전략의 손익이나 거래비용은 이 논문이 다루지 않는다.
실무 시사점
채권모형의 SHAP 설명을 사후에 붙이는 것만으로는 재학습 때 경제적 방향이 뒤집히는 문제를 막기 어렵다. 듀레이션, 인플레이션, 성장, 유동성, 신용 블록을 사전에 정하고 합리적인 단조 제약을 교차검증하면 표본외 성능과 설명 안정성을 함께 평가할 수 있다.
한국 시장 복제 아이디어
국고채 금리와 회사채 스프레드 예측변수를 정책·물가·성장·수급·유동성·발행사 신용 블록으로 나눈다. 완전 자유형 모델, 선형모형, 블록가법·단조제약 모델을 동일한 시계열 홀드아웃과 거래비용으로 비교하고, 충격 방향과 블록 기여도가 재학습마다 유지되는지를 승인 기준으로 둔다.