구조적 벡터 자기회귀모형의 새로운 지평: 희소 이질적 마르코프 전환 이분산성 모델

서론: 금융·거시경제 분석의 오랜 숙제

거시경제학자와 중앙은행 정책입안자들은 오랫동안 하나의 근본적인 문제에 직면해 있다. 금리를 올릴 때 경제가 어떻게 반응할지, 또는 금융시장의 충격이 실물경제로 얼마나 빠르게 파급될지를 정량적으로 파악하는 것이다. 이를 위해 경제학자들은 구조적 벡터 자기회귀모형(Structural Vector Autoregression, SVAR)이라는 강력한 도구를 개발했다.

그러나 SVAR 모형에는 근본적인 약점이 있었다. 바로 식별(identification) 문제이다. 같은 데이터를 설명하는 무수히 많은 모형이 존재할 수 있다는 뜻이다. 마치 같은 현상을 서로 다른 각도에서 촬영한 사진들처럼, 어느 것이 “진짜” 구조를 나타내는지 알기 어렵다는 의미다.

Fei Shang과 Tomasz Woźniak의 최신 논문은 이 문제를 이분산성(heteroskedasticity)을 통해 해결하는 혁신적인 접근법을 제시한다. 더욱 주목할 만한 것은 그들이 제안한 희소 이질적 마르코프 전환 이분산성(Sparse Heterogeneous Markov-Switching Heteroskedasticity) 모형이 단순한 이론적 기여를 넘어, 실제 통화정책 효과 분석과 같은 실무적 문제 해결에 즉시 적용될 수 있다는 점이다.

핵심 혁신: 희소 마르코프 전환 이분산성 모형의 구조

기존 접근법의 한계

전통적인 SVAR 모형들은 다음과 같은 문제들을 안고 있었다:

1. 상수 이분산성 가정: 시간이 지나도 각 경제적 충격의 크기가 일정하다고 가정하는데, 실제로는 금융위기 시기와 안정기에 충격의 크기가 크게 다르다.

2. 식별의 자의성: 통화정책 충격과 수요 충격을 구분하기 위해 흔히 임의적인 가정(예: 가격의 경직성)이 필요했다.

3. 통계적 정밀성 부족: 모형이 과도하게 단순화되면서 구조적 모수(structural parameters) 추정이 부정확해진다.

Shang과 Woźniak이 제안한 모형은 이러한 한계들을 근본적으로 재설계한다.

새로운 모형의 핵심 특징

1. 충격별 독립적인 마르코프 프로세스

논문의 가장 중요한 혁신은 각 구조적 충격(structural shock)이 자신의 고유한 마르코프 프로세스(Markov process)를 갖도록 한 것이다.

이를 좀 더 직관적으로 설명하면:

• 통화정책 충격은 그 변동성이 높은 시기와 낮은 시기를 번갈아 경험한다
• 공급 충격은 전혀 다른 패턴으로 진화한다
• 수요 충격은 또 다른 독자적인 동학을 따른다

각 충격의 조건부 분산(conditional variance)은 자기 자신의 레짐 전환(regime switching) 구조에 따라 변한다. 이는 마치 각 악기가 독립적으로 음량을 조절하면서 전체 오케스트라가 연주되는 것과 같다.

2. 희소성(Sparsity) 도입

더욱 영리한 설계가 희소성 개념의 도입이다. 논문에서는 실제 데이터 생성 과정(data-generating process)보다 더 많은 레짐을 모형에 포함시킨다. 예를 들어 실제로는 3개 레짐만 존재하더라도, 모형은 5개 또는 6개의 가능한 레짐을 허용한다.

언뜻 보면 과도한 것처럼 보이지만, 이는 다음과 같은 큰 장점을 제공한다:

• 일부 레짐은 표본 기간에 0회 발생한다 (실제로는 존재하지 않음)
• 이를 통해 모형은 자동으로 실제 레짐 개수를 학습한다
• 과도하게 제한적이지 않으면서도 동시에 과적합을 피할 수 있다

3. 정규화된 조건부 분산을 위한 새로운 분포

Shang과 Woźniak이 내놓은 것은 정규화된 조건부 분산(normalised conditional variances)을 위한 새로운 분포(distribution)다. 이 분포의 특징은:

• 깁스 샘플링(Gibbs sampling)이라는 강력한 통계적 기법을 적용하기에 적합하다
• 계산이 효율적이면서도 정확하다
• 모형의 식별 가능성을 수학적으로 검증하기 용이하다

모형의 핵심 성과: 세 가지 주요 발견

(i) 시스템 정규화 및 구조적 모수의 정밀한 추정

제안 모형은 기존의 인기 있는 대안들(예: 상수 분산 모형, 단일 공통 마르코프 프로세스 모형)보다 구조적 모수를 더 정확하게 추정한다.

이는 다음과 같은 이유 때문이다:

1. 정보 활용의 극대화: 이분산성이라는 추가 정보를 충분히 활용한다
2. 적절한 모수화: 과도하지도, 과소하지도 않은 복잡도를 유지한다
3. 베이지안 접근: 깁스 샘플링을 통해 불확실성을 적절히 반영한다

(ii) 동형성(Homoskedasticity) 검증 및 식별의 신뢰성 제고

이것이 특히 중요한 발견이다. 논문의 모형은 동형성이 실제로 성립하는지 신뢰성 있게 검증할 수 있다.

실무적 의미는 다음과 같다:

• 이분산성 기반 식별이 타당한가? → 모형이 자동으로 검증
• 만약 실제 데이터에서 이분산성이 거의 없다면? → 모형이 이를 감지하고 경고
• 다른 식별 전략(예: 신호제약)이 필요한가? → 객관적 근거 제공

이는 마치 자동진단 장치처럼, 연구자가 자신의 가정이 타당한지 데이터 자체가 말해주도록하는 것이다.

(iii) 확률 예측 분포의 우수한 성능

모형의 예측 성능은 확률적 볼티리티(Stochastic Volatility) 모형과 비교할 수 있는 수준이다. 이는 놀라운 성과인데, 왜냐하면:

• 더 복잡한 SV 모형도 이보다 나은 성능을 내기 어렵다
• 동시에 제안 모형은 구조적 해석가능성을 제공한다
• 계산 효율성이 뛰어나다

실증 분석: 미국 통화정책 식별의 증거

논문의 이론적 기여는 실제 경제 데이터 분석으로 검증된다. 저자들은 거시금융 구조시스템(macro-financial structural system)을 재검토했다.

연구 결과

1. 통화정책 충격의 식별: 논문은 이분산성을 통해 미국의 통화정책 충격을 신뢰성 있게 식별할 수 있음을 보여준다.

2. 문헌과의 일관성: 추정된 통화정책 효과는 기존 문헌에 보고된 수치들과 일치한다. 예를 들어:

   • 금리 인상이 실물경제에 미치는 영향의 크기
   • 효과가 나타나는 시차(lag)의 길이
   • 금융시장과 실물경제 간의 상호작용

3. 식별의 타당성: 미국 데이터에서 실제로 통화정책 충격과 다른 충격들의 변동성 패턴이 상이함을 통계적으로 입증한다.

이 결과는 단순한 기술적 검증을 넘어, 이분산성을 기반으로 한 식별이 실제로 작동한다는 강력한 증거를 제공한다.

왜 이 연구가 한국에서 중요한가?

한국 거시경제 정책 분석의 맥락

한국 경제는 몇 가지 독특한 특징이 있다:

1. 높은 개방도: 글로벌 충격에 매우 민감하다
2. 변화하는 변동성: 아시아 외환위기(1997년), 글로벌 금융위기(2008년), 코로나 팬데믹(2020년) 등 주기적 위기 경험
3. 통화정책의 복잡성: 금리 인상이 부동산, 환율, 주식시장에 미치는 복합적 영향

기존의 상수 이분산성을 가정하는 SVAR 모형들은 이러한 변화하는 충격 환경을 제대로 포착하지 못할 수 있다.

한국 중앙은행과 정책입안자들의 관점

한국은행과 금융감독당국은 통화정책의 효과를 정확히 파악해야 한다:

• 기준금리 결정: 인상 시 실물경제 부진의 위험, 인하 시 자산가격 거품 우려
• 거시건전성 규제: 금리 변화에 따른 은행권 건전성 영향 평가
• 금융시장 안정성: 통화정책 변화가 주식시장, 환율에 미치는 영향 예측

Shang-Woźniak 모형은 이러한 정책 분석에 더 정확하고 신뢰할 수 있는 추정치를 제공할 수 있다.

한국 투자자의 관점

기관투자자와 자산운용업체들에게도 이 모형의 적용은 중요하다:

1. 포트폴리오 헤징: 통화정책 충격의 크기가 시간에 따라 변한다는 사실을 반영한 위험 관리
2. 자산배분 전략: 각 경제 충격의 식별을 통해 자산 간 상관관계 변화 예측
3. 시나리오 분석: 더 정확한 거시경제 충격 시나리오 작성

HERMES 인사이트: 실전 투자 활용 관점

1. 통화정책 충격 예측의 정교함

통화정책 결정 앞두고 시장 반응 선점

Shang-Woźniak 모형을 활용하면 한국은행의 금리 결정이 각 자산군에 미치는 영향을 더 정확히 예측할 수 있다:

시나리오: 한국은행 기준금리 0.25% 인상
전통 SVAR → 평균적 충격 크기 추정
제안 모형 → 현재 경제 환경에 맞춘 조건부 충격 크기 추정
                (예: 금리 스프레드가 좁을 때는 충격이 더 큼)

투자자는 시장의 일반적 반응보다 더 정확한 예측으로 선제적 포지션 조정이 가능하다.

2. 변동성 환경에 따른 위험 조정

현재의 변동성 체제(regime)를 인식한 포지션 관리

논문의 마르코프 전환 구조는 현재 경제가 어떤 변동성 체제에 있는지 추정한다:

• 저변동성 체제: 통화정책 충격이 작을 가능성 높음 → 신용스프레드 수렴 기대 → 하이일드 채권 오버웨이트
• 고변동성 체제: 통화정책 충격이 클 가능성 높음 → 듀레이션 리스크 증가 → 장기채 회피

이는 단순한 역사적 변동성 계산을 넘어 구조적 이해를 바탕으로 한 포지션 조정이다.

3. 섹터별 영향도 분석의 개선

각 경제 충격이 섹터에 미치는 영향 파악

통화정책 충격, 공급 충격, 수요 충격을 정확히 식별할 수 있으면:

충격 유형	영향받는 섹터	투자 전략
통화정책 긴축	부동산, 금융	단기 매도, 이후 매수 재진입
공급 충격	에너지, 유틸리티	방어 섹터 선호
수요 충격	소비재, 경기판단 기업	경기 선행성에 따라 동적 조정

한국 펀드매니저는 이 모형의 충격 식별 결과를 팩터 배분 및 섹터 로테이션에 활용할 수 있다.

4. 선물·옵션 전략의 정교화

이분산성 변화를 반영한 옵션 포지셔닝

논문 모형은 각 충격의 조건부 분산이 마르코프 체계를 따른다고 한다. 이는:

• 변동성 스매일(smile) 곡선의 시간적 변화를 더 잘 예측
• 스트래들(straddle) 또는 스트랭글(strangle) 포지션의 최적 타이밍 결정
• V자 또는 역V자 형태의 변동성 구조 변화 선제적 포착

주식선물거래소(KOSPI 선물·옵션)에서 변동성 아비트라주 전략이 더욱 정밀해질 수 있다.

5. 머신러닝 기반 트레이딩 시스템의 입력 신호

알고리즘 거래에 구조적 정보 통합

Shang-Woźniak 모형에서 추출한 신호들:

• 현재 레짐 추정 확률
• 조건부 분산의 예측값
• 충격 식별 결과

이들을 머신러닝 모형의 피처(feature)로 활용하면 기존의 기술적 지표보다 정보 함량이 높은 신호를 얻을 수 있다.

6. 리스크 모니터링 자동화

포트폴리오 조기 경보 시스템(early warning system) 구축

이 모형은 구조적 변화(structural break)를 감지할 수 있다:

• 새로운 변동성 레짐으로 전환되는 신호 포착
• 충격 구조 자체가 변하는 상황 경고
• 기존 헤지 전략의 재검토 필요 시점 제시

자동화된 시스템으로 24/7 모니터링이 가능하며, 위기 조기 포착 가능성이 높다.

한국 금융 생태계에서의 실행 로드맵

단기 (1-3개월)

1. 한국은행 거시경제 모형 팀에 논문 공유
2. 국내 데이터(기준금리, 환율, 주가지수, 산업생산)로 프로토타입 구축
3. 기존 SVAR 모형과의 성능 비교 분석

중기 (3-12개월)

1. 대형 자산운용사와 협력 연구
2. 일반 투자자용 “통화정책 충격 추적 지수” 개발
3. 학술지 논문으로 국내 환경에서의 검증 결과 발표

장기 (1년 이상)

1. 규제당국(금감원, 한은)의 공식 정책 분석 도구로 채택
2. 증권사 리서치 센터의 표준 분석 틀로 정착
3. 국내 대학원 거시경제학 커리큘럼에 포함

기술적 우수성: 깊이 있는 이해

깁스 샘플링의 역할

제안된 모형이 실무적으로 활용 가능한 이유는 계산 효율성이다. 깁스 샘플링은:

• MCMC(마르코프 연쇄 몬테칼로) 방법의 특수한 경우
• 높은 차원의 모수를 순차적으로 샘플링
• 복잡한 최적화 문제를 회피하고도 베이지안 추정 가능

Shang-Woźniak이 제안한 정규화된 조건부 분산 분포는 이 깁스 샘플링을 특별히 효율적으로 만든다.

식별 검증의 수학적 의미

이분산성을 통한 식별은

📚 출처

• Shang, F. & Woźniak, T. (2026). Sparse Heterogeneous Markov-Switching Heteroskedasticity for Identification of Structural Vector Autoregressions. Luxon AI ORACLE 리서치팀 분석.