SHAP 순위는 어떤 변수가 중요했는지는 보여줘도 입력이 한 단위 변할 때 예측이 어느 방향으로 얼마나 움직이는지 회귀계수처럼 읽기 어렵다. 연구진은 부분의존함수의 기울기를 부분한계효과(PME)로 정의했다. 같은 정의를 OLS에 적용하면 PME가 회귀계수와 해석적으로 같아 선형 기준모형과 비선형 ML을 공통척도로 비교할 수 있다.
점추정치만 있으면 희소구간의 큰 효과를 확신하기 쉽다. 논문은 표본을 다시 뽑아 모형과 PME를 재계산하는 bootstrap으로 표준오차와 신뢰구간을 만든다. 신경망·SVM·Random Forest·Gradient Boosting을 두 주택가격 사례에 적용해 비선형 관계를 비교하고, 같은 논리를 Shapley 분해로 확장했다.
회사채 OAS와 체결확률에 적용하면 등급·잔존만기·거래공백의 PME 곡선과 구간을 함께 보고, 선형모형과 방향이 어긋나는 영역을 찾을 수 있다. 구간이 넓은 영역은 모형이 아는 범위 밖일 가능성이 있으므로 위험한도나 사람검토로 넘길 근거가 된다. 원 논문의 실증대상은 주택이어서 채권 데이터의 유용성은 새로 검증해야 한다.
SCOPE모델 불가지론적 설명방법을 두 주택가격 사례로 보인 예비연구다. 인과효과를 식별하지 않으며 채권·시계열 의존자료에는 bootstrap 설계를 별도로 검증해야 한다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Explaining Machine Learning by Bootstrapping Partial Marginal Effects and Shapley Values3 primary · 0 archived +
OLS에서 PME는 회귀계수와 해석적으로 동일하다.
ORIGINAL PASSAGEthe PME of OLS is analytically equivalent to the OLS regression coefficientFederal Reserve FEDS 2024-075, Abstract, page 1, September 2024; updated 5 March 2025, accessed 2026-10-23Bootstrap은 PME 점추정치의 표준오차와 신뢰구간을 제공한다.
ORIGINAL PASSAGEBootstrapping provides standard errors and confidence intervalsFederal Reserve FEDS 2024-075, Abstract, page 1, September 2024; updated 5 March 2025, accessed 2026-10-23방법은 두 개의 주택가격 사례에 적용됐다.
ORIGINAL PASSAGEtwo hedonic house pricing exercisesFederal Reserve FEDS 2024-075, Section 1, page 2, September 2024; updated 5 March 2025, accessed 2026-10-23Show the original briefing text
구분: Federal Reserve Board FEDS·비선형 ML 설명가능성
발표일: 2024년 9월·2025년 3월 5일 갱신
선정 이유: 최신성보다 채권 모델의 비선형 기여와 불확실성을 함께 보고할 수 있는 방법론적 가치 때문에 선정했다.
핵심 요약
연구진은 부분의존함수의 기울기를 부분한계효과(PME)로 정의해 비선형 ML의 입력효과를 회귀계수와 같은 축에서 비교한다. OLS에 적용하면 PME가 회귀계수와 해석적으로 같고, bootstrap으로 점추정치의 표준오차와 신뢰구간을 만든다. 두 주택가격 사례에서 신경망·SVM·Random Forest·Gradient Boosting의 비선형 관계를 비교했고 Shapley 분해로 확장했다. 채권 데이터에서의 성과를 검증한 논문은 아니다. 연준 원문
채권 트레이딩·리스크관리·시장미시구조 관점 실무 시사점
회사채 OAS나 체결확률 모델의 SHAP 순위만으로는 입력이 어느 방향으로 얼마나 작동하는지와 추정 불확실성을 알기 어렵다. PME 곡선과 bootstrap 구간을 등급·잔존만기·유동성 구간별로 보고하면, 선형 기준모형과 비선형 모형이 같은 경제관계를 학습했는지 비교할 수 있다. 구간이 넓어지는 영역은 위험한도나 사람 검토로 넘길 근거가 된다.
한국 시장 복제 아이디어
민평대비 OAS와 RFQ 체결확률을 각각 목표로 두고 OLS·LightGBM·신경망을 같은 시계열 분할에서 학습한다. 등급, 잔존만기, 거래공백, 발행잔액과 딜러 수의 PME 및 bootstrap 구간을 비교하고, 설명 안정성·표본외 오차·구간별 calibration이 함께 개선되는지를 통과기준으로 삼는다.