예측 모델링은 크게 인과관계에 기반한 이론적(theoretical) 모델링과 상관관계에 기반한 축약형(reduced-form) 접근법으로 분류됨

• 모델 설계자는 모델을 통한 직관적 해석(good stories)과 예측력 높은 결과(good forecasts) 도출을 목표로 하며, 이에 따라 이론적 적합성뿐 아니라 예측력을 모델의 평가 기준으로 활용

• 문제는 이 두 가지 목표가 종종 상충하거나 경제변수, 샘플 기간, 예측 기간(단기•장기)에 따라 예측 모델 간 우위가 변동

  • 예측력 비교는 실증 분석 결과에 기반한 결과론적 평가로서, 문제의 상황에 맞게 모델러가 예측 모델의 후보군들을 설정해 이들을 비교하는 형태로 이루어짐

  • 이론적 모델은 직관적 해석이 가능하나, 다수의 실증연구 결과에 따르면 실제 예측성과 관련이 높은 변수들만 포함한 간결한(parsimonious) 계량 모델들이 예측성에서는 더 우위에 있다는 결론

빅데이터를 이용한 예측법은 축약형 접근법으로서, 최근 빅데이터를 활용하여 유용한 정보를 추출하는 방법에 대한 연구가 활발해짐

• 기존 축약형 모델은 빅데이터를 다룰 수 있는 틀을 제공하지 못하며, 경제이론이나 모델 설계자의 직관에 기반하여 몇 개의 설명변수를 선택하여 회귀분석 및 예측

• 반면 AI의 하위 카테고리인 머신러닝은 러닝 알고리즘으로서, 빅데이터에 담긴 정보를 추출•가공하여 경제변수를 예측할 수 있는 틀을 제공

  • 머신러닝은 예측문제 환경에 대한 사전적인 이론적•구조적 지식 없이 주어진 알고리즘을 통해 데이터에 담긴 정보를 추출해내는 귀납적 러닝으로, 다양한 구조의 데이터를 분석 가능

  • 알고리즘을 통해 데이터를 학습하고 해당 경제변수 예측에 관련성이 높은 정보를 추출함으로써 회귀분석이 가능한 규모의 프레임을 제공

러닝 알고리즘에 대한 산업공학•신경물리학•통계학 간의 다양한 학제적 논의가 활발하지만, 실제 활용은 산업 현장 주도로 이루어지고 있는 양상

• 테크•서비스업체(Google, Facebook, Amazon, Uber, Yelp, Airbnb 등)는 이용자들의 패턴을 학습, 은행•제조업은 의사결정, 상품가격 예측 및 주요 경제변수의 향방 예측 등에 빅데이터를 적극 활용함

• [AI 활용의 예] (1) 철강•철강원료•경제변수 예측을 위한 빅데이터 활용 (2) 매 순간 만 단위로 쌓이는 빅데이터(de-identified)를 활용하여 행동패턴 학습(HR analytics) 및 직원들의 복지향상•인사정책 개선 방안 개발

머신러닝 기법은 (1) 빅데이터에 담긴 정보를 활용할 수 있는 틀을 제공하며 (2) 검증 데이터(testing set)에서의 결과는 좋지만, (1) 분석결과의 직관적 해석이 어렵다는 점 (2) 실제 경제예측에서 어떠한 알고리즘도 뚜렷한 우월성을 지니고 있다는 것이 입증되지 않았다는 점(“No Free lunch Theorem”, Wolpert 1996)이 한계로 지적

• 최근 BlackRock의 경우 해석력 결여 문제를 지적하며 AI를 활용한 투자 리스크 모델링 접근법을 철회시킴 (Risk.net, 2018.11.12일자)

경제예측성 평가는 현재까지 주어진 데이터를 기반으로 이루어지므로, 현재를 바탕으로 한 결과가 미래에도 유의미할 것인가는 자연스러운 의문

• 경제변수의 동태는 현존하는 의사결정 프레임에 의해 결정되는 것이고, 현 시점 최적의 알고리즘은 지금까지 채집 가능한 데이터에 기반한 것. 이는 모든 예측 모델링에 해당되는 근본적인 질문으로, “economic forecasting is an art, not a science”는 이러한 한계를 지적

• 특히, 머신러닝 기법은 변수 간의 선제적 가정 없이 빅데이터에 담긴 과거 정보를 알고리즘에 따라 분석하는데, 모델러의 조정 없이 단순히 기계 학습을 할 경우 잘못된 결론이 도출될 수도 있음

  • Amazon은 기존 회사인력의 이력서 정보를 인사채용에 활용하였는데 AI 채용법이 기존 테크산업의 남성지배적인 구조를 고착화한다는 사실을 확인하고 이를 철회하기에 이름 (Reuters, 2018.10.10일자)

예측은 현재 가늠할 수 없는 미래 변수의 비이성적 행동변화나 경제충격을 모델 설계에 반영할 수 없는 본질적 한계가 있으므로, 모델 설계자의 통찰력을 반영한 정성적 평가도 중요

• 산업 전문가의 직관이 반영된 현실적이고 적시성 있는 알고리즘 설계가 요구되며 시시각각 변하는 정치경제적 상황과 각 산업의 특수성을 고려한 미세조정이 필요. 빅데이터를 활용할 수 있는 프레임이 주는 장점을 활용하되, 질적인 정보나 산업 전문지식을 활용하여 모델을 맥락화하는 방안을 고안