This article suggests a new clustering forecasting system to integrate change-point detection and artificial neural networks. The basic concept of proposed model is to obtain intervals divided by change point, to identify them as change-point groups, and to involve them in the forecasting model. The proposed models consist of two stages. The first stage, the change-point-assisted clustering modeling stage, is to detect successive change points in dataset and to forecast change-point group with backpropagation neural networks. In this stage, three change-point detection methods are applied and compared: (1) the parametric method, (2) the nonparametric approach, and (3) model-based approach. The next stage is to forecast the final output with BPN.
Through the application to the financial economics, we compare the proposed models with a neural network model alone and, in addition, determine which of three change point detection methods can perform better in Chapter 5. Through the discovery of different patterns in the U.S. Treasury securities, the focus then shifts to the change-point detection-assisted modeling of Treasury bill rates with 1 years' maturity and Treasury bond rates with 30 years' maturity in Chapter 6.
In Chapter 7, we propose three integrated neural network models in terms of classifier technique: (1) multivariate discriminant analysis-supported neural network model, (2) case based reasoning-supported neural network model and (3) backpropagation neural networks-supported neural network model. Subsequently, we compare these models with a neural network model alone and, in addition, determine which of three classifiers (MDA, CBR and BPN) can perform better.
For the performance evaluation of proposed model, this article is to examine the predictability of the integrated neural network model based on change-point detection through the root mean squared error (RMSE), the mean absolute error (MAE), and the mean absolute percentage error (MAPE).
지금까지 이자율 연구는 다양한 통계적 접근 방법을 통해 지속적으로 연구되어 왔다. 하지만, 1990년대 초반부터는 유전자 알고리즘 (genetic algorithm), 퍼지이론 (fuzzy theory), 사례기반추론 (case-based reasoning) 및 인공신경망 (artificial neural network) 등과 같은 인공지능 (artificial intelligence) 기법을 통한 분석이 일종의 복잡계 (chaotic) 성질을 지닌 이자율 연구에 있어 기존의 통계적 분석 방법론 보다는 우수하다고 입증되고 있다. 인공지능기법을 이용한 분석에 있어서도 최근에는 단순히 한가지 인공지능기법을 적용하는 단계를 벗어나 통계적 분석방법이나 여러 가지 인공지능 기법들의 체계적인 결합을 통한 모형이 예측성과를 높이는데 큰 도움이 된다고 밝혀지고 있다. 특히 인공신경망을 중심으로 하나이상의 다른 기법과 결합하는 결합 인공신경망 모형 (integrated neural network model0 이 이자율 예측에 있어 그 성과를 크게 높일 수 있다고 입증되었다. 이러한 사실에 근거하여 이 논문에서는 모형의 근간으로 결합 인공신경망 모형을 채택했다.
일반적으로 이자율의 움직임은 정부의 계획된 경제정책에 의해 조절되어진다. 이자율은 통화량의 영향을 크게 받는데, 정부는 이러한 통화량 조절을 위해 중앙은행을 중심으로 하는 금융권을 통해 통화량을 효율적으로 조절한다. 이자율 통제에 있어 가장 중요한 정책중의 하나는 지불준비금 정책인데, 미국의 경우는 연방준비제도 (Federal Reserve System) 하에 시중 은행들이 중앙은행에 일정금액을 강제적으로 예탁시키는 지불준비금 정책을 이용하여 통화량을 의도적으로 조절한다. 이러한 모든 사실을 종합해보면 이자율의 움직임은 정부의 통화량 정책에 기인하여 발생하는 일련의 변환시점(change point)이 존재한다고 추측할 수 있다.
이자율의 이러한 특징을 바탕으로 이 논문에서는 이자율 예측에 있어서 변환시점 검색을 통해 이를 기반으로 하는 결합 인공신경망 모형을 제안한다. 제안한 모델은 두 단계로 구성된다. 첫 번째 단계는 전체 이자율 데이터의 변환시점을 통계적 검정을 이용하여 연속적으로 유의적 구간을 찾고 이것을 기반으로 각 구간을 일종의 동질적 그룹(homogeneous gorup)으로 구분한다. 두 번째 단계는 각 동질적 그룹별로 이자율을 예측한다. 여기서 첫 번째 단계는 일종의 군집분석(clustering analysis)과 같은 역할을 하는데 군집분석과 한 가지 다른점은 시간을 유지하는 상태에서 군집을 구성한다는 것이다.
이 논문의 연구 모형을 바탕으로 다각적인 분석을 행했다. 미국의 여러 회사채들(treasury securities)의 특징을 조명하고, 이러한 회사채에 대해 동질적 그룹의 수를 달리 하면서 연구모형의 타당성을 검증하였다. 또한 동질적 그룹 형성 시 여러 통계적 변환시점 검정법들의 다양한 적용을 통해 이 논문에서 제안한 “시간 기반 군집분석(time-based clustering analysis)"의 유의성을 검증하였다.
이 논문이 제시한 연구 모형은 비단 이자율뿐만 아니라 복잡계 성향이 더욱 큰 환율이나 주가 예측에도 활용할 수 있다고 생각한다. 한 가지 아쉬운 점은 주어진 자료의 변환시점이 몇 번 발생하는지를 자동적으로 파악할 수 없다는 단점이 있다. 이 문제에 관해서는 여러 통계학자들의 연구가 계속 진행 중이기 때문에 새로운 이론이 곧 제시 될 수 있다고 생각한다. 또한 이 논문의 연구모형에서 인공신경망이 그 줄기를 이루는데 최종 예측 단계에서는 다른 인공지능 기법이 활용되어 예측력 향상을 꾀할 수 있다고 생각하며, 이는 추후 연구로 남긴다.
