Bai–Perron 다중 구조 변화 검정: 회귀 단절점과 개수 추정

회귀 구조 변화란 표본의 어느 시점에서 하나 이상의 회귀계수가 바뀌었을 가능성을 뜻합니다. 전체 표본에서 계수 하나만 추정하면 변화가 가려질 수 있습니다. 예를 들어 수익률과 위험요인의 관계가 앞부분에서는 양수였다가 뒷부분에는 약해지거나 반전되면, 전체 평균 계수는 어느 구간도 제대로 설명하지 못할 수 있습니다. Bai–Perron 절차는 이 문제를 관측치를 여러 구간으로 나누는 명시적인 탐색 문제로 다룹니다.

Chow 검정과의 핵심 차이는 단절 날짜가 분석 전에 고정되었는지 여부입니다. Chow 검정은 지정한 날짜의 양쪽 표본을 비교합니다. 여러 날짜를 바꿔 가며 보통의 Chow 통계량을 계산하고 가장 큰 값만 보고하면, 표준적인 단일 검정의 기준분포를 그대로 쓸 수 없습니다. Bai–Perron 검정은 후보 날짜를 탐색하는 절차를 고려하며 하나보다 많은 단절도 평가할 수 있습니다. 사전에 정한 날짜를 비교하는 경우에는 Chow 검정 안내를 참고하세요.

회귀 CUSUM과도 구별해야 합니다. CUSUM은 시간 순서에 따른 재귀 잔차 경로가 안정성 가정과 맞는지를 살피지만, 그 자체로 여러 단절 시점의 선택된 목록을 산출하지는 않습니다. Bai–Perron은 구간별 회귀모형을 명시하고 그 아래에서 분할을 추정합니다. 어느 방법도 변화가 발생한 이유를 밝혀 주지는 않습니다. 잔차 경로 진단은 회귀 CUSUM 안내를 보세요.

관측치가 \(T\)개이고 정수 단절 날짜가 \(T_1<\cdots<T_m\)개라고 합시다. \(T_0=0\), \(T_{m+1}=T\)로 두고, \(j\)번째 구간을 \(T_{j-1}+1,\ldots,T_j\) 관측치로 정의합니다. 순수 구조 변화 모형에서는

\[ y_t=x_t'\beta_j+u_t,\qquad T_{j-1}<t\le T_j,\quad j=1,\ldots,m+1. \]

여기서 \(y_t\)는 종속변수, \(x_t\)는 포함된 설명변수 벡터, \(\beta_j\)는 \(j\)번째 구간의 계수 벡터, \(u_t\)는 오차입니다. 미지수는 계수값만이 아닙니다. 분석 설계에서 따로 고정하지 않았다면 단절 날짜와 개수 \(m\)도 추정하거나 선택해야 합니다. 이 모형은 관측치에 의미 있는 순서가 있고, 선택한 사양 안에서 각 구간의 계수 벡터가 일정하다고 가정합니다.

금융 회귀의 예를 들면 \(y_t\)는 포트폴리오 수익률이고 \(x_t\)에는 시장 수익률, 금리 변화, 변동성 지표가 들어갈 수 있습니다. 단절이 검출됐다는 결과는 정해진 절차에서 구간별 선형 조건부 평균이 전체 표본의 한 계수보다 표본 안에서 더 잘 맞는다는 뜻입니다. 특정 사건이 계수를 바꿨다거나, 설명변수가 외생적이라거나, 표본 밖에서도 관계가 유지된다는 뜻은 아닙니다.

관측 날짜와 달력 날짜도 구분할 필요가 있습니다. 일별 거래 세션으로 자료를 정렬했다면 120번째 세션과 121번째 세션 사이의 단절은 반드시 하루 동안의 시장 변화를 의미하지 않습니다. 휴장일, 누락된 시세, 불규칙 표본 간격이 관측 순번과 달력의 대응을 바꿉니다. 단절 시점을 사건 발생 시각처럼 해석하기 전에 표본 정렬 방식과 보고 날짜의 정의를 적어야 합니다.

순수 구조 변화 모형에서는 모든 회귀계수가 구간마다 달라질 수 있습니다. 절편과 모든 기울기가 바뀌도록 허용하지만, 구간별 추정 계수가 더 많아집니다. 구간이 짧거나 설명변수 수가 많으면 단절과 계수를 정밀하게 추정하기 어렵습니다. 모델링하는 모든 관계가 각 구간에서 새롭게 정해져도 된다는 질문일 때만 순수 변화가 적합합니다.

부분 구조 변화 모형에서는 일부 계수만 구간에 따라 바뀌고 나머지는 공통으로 유지됩니다. 예를 들어 \(\beta_j=(\delta',\gamma_j')'\)라 놓고 \(\delta\)는 모든 구간에서 공유하며 \(\gamma_j\)만 구간별로 달라지게 할 수 있습니다. 절편과 정책 노출도에 대한 기울기는 바뀌지만 통제변수의 효과는 공통이라고 가정하는 식입니다. 이 제약은 적합 목적함수와 검정의 기준분포를 모두 바꿉니다. 단순한 계산 편의로 취급하지 말고 왜 공통 계수를 두는지 설명해야 합니다.

계산 방식도 다릅니다. 순수 변화 모형에서는 한 분할의 잔차제곱합(RSS)이 서로 독립적으로 적합한 구간별 RSS의 합이므로, 정해진 단절 개수에서 동적계획법을 적용할 수 있습니다. 부분 변화 모형에서는 공통 계수가 전체 구간을 연결합니다. Bai와 Perron은 공통 계수를 고정한 상태에서 단절 날짜와 변하는 계수를 추정하고, 분할을 고정한 뒤 공통 계수를 갱신하는 반복 절차를 설명합니다. 구간별 RSS를 단순 합산하는 점화식 하나로 이 모형의 제약을 포함한 전체 최적화를 직접 풀 수는 없습니다. 더 많은 단절을 보여 주는 사양을 고르기보다 연구 질문과 제약의 근거에 맞춰야 합니다.

단절 탐색에는 각 구간에 남겨야 할 최소 관측치 수가 필요합니다. 이 절단 규칙은 지나치게 짧은 구간에 불안정한 계수를 맞추는 것을 막아 줍니다. 동시에 표본 끝에 너무 가까운 변화나 서로 가까운 단절은 탐색 대상에서 제외합니다. 따라서 절단값은 자연법칙이나 보편적인 상수가 아니라 분석 설계의 일부입니다.

명시적인 가상 예로 관측치 \(T=240\)개에 최소 구간 비율 15%를 선택했다고 합시다. 그러면 \(h=0.15\times240=36\)개가 구간별 최소 관측치 수입니다. 단절 날짜를 이전 구간의 마지막 관측치로 정의하면, 단절이 하나일 때 허용되는 날짜는 \(36\le T_1\le204\)입니다. 양쪽 구간에 각각 최소 36개 관측치가 남습니다.

단절이 두 개라면 허용 가능한 날짜 쌍은 다음 조건을 만족해야 합니다.

\[ 36\le T_1,\qquad T_1+36\le T_2\le204. \]

이를 풀어 쓰면 \(T_1\le168\)이고, \(T_2\)는 첫 단절보다 최소 36개 관측치 뒤에 있으면서 두 번째 단절 이후에도 36개를 남겨야 합니다. \((72,156)\)은 세 구간이 72개, 84개, 84개이므로 허용됩니다. \((80,100)\)은 중간 구간이 20개뿐이어서 허용되지 않습니다. 이 \(h\)로는 단절이 최대 5개까지 가능합니다. 6개 단절에는 최소 36개씩인 구간이 7개 필요해 \(7\times36=252\)개가 들기 때문입니다.

여기서 15%는 명확히 가정한 설계 예일 뿐 권장 기본값이 아닙니다. 비율을 크게 잡으면 짧게 지속되는 레짐이나 표본 양끝에 가까운 날짜를 제외할 수 있습니다. 작게 잡으면 짧은 구간도 허용하지만 기울기와 장기 공분산량을 안정적으로 추정할 정보가 부족할 수 있습니다. 표본 주기, 설명변수 수, 가능한 레짐 지속시간, 추론 방식에 맞춰 정하고 실제 사용값을 보고하세요. 실질적으로 가능한 범위에서 인접한 절단값으로 결론이 달라지는지도 확인할 수 있습니다. 시차변수나 누락 관측치가 있으면 구현체에 따라 실제 표본 크기와 탐색 끝점이 다르게 정의될 수 있으므로 사용한 규칙을 밝혀야 합니다.

순수 구조 변화 모형에서 단절 개수 \(m\)을 고정하면, 전체 구간 RSS의 합을 최소화하는 문제로 날짜 탐색을 표현할 수 있습니다.

\[ \min_{T_1,\ldots,T_m}\;\sum_{j=1}^{m+1}\operatorname{SSR}\(T_{j-1}+1,T_j\), \]

단, 날짜 순서와 최소 구간 길이를 지켜야 합니다. \(\operatorname{SSR}(a,b)\)는 \(a,\ldots,b\) 관측치로 구간 회귀를 적합했을 때의 최소 잔차제곱합입니다. 날짜 조합을 하나씩 모두 계산하는 단순 탐색은 \(T\)와 \(m\)이 늘수록 후보가 빠르게 많아집니다.

동적계획법은 이미 해결한 부분 문제의 결과를 재사용합니다. \(D(r,j)\)가 1번부터 \(j\)번 관측치까지를 유효한 구간 \(r\)개로 나눴을 때의 최소 RSS라면, 점화식의 한 형태는 다음과 같습니다.

\[ D(r,j)=\min_i\{D(r-1,i)+\operatorname{SSR}(i+1,j)\}, \]

여기서 분할점 \(i\)는 앞의 \(r-1\)개 구간과 마지막 구간이 모두 최소 길이를 충족하도록 제한됩니다. 각 단계에서 최솟값을 만든 분할점을 저장하면 최종 날짜를 복원할 수 있습니다. 허용된 구간 수마다 제약 안에서 RSS가 가장 작은 분할을 찾으므로, 단절을 한 개씩 탐욕적으로 추가하는 방식과 다릅니다. Bai와 Perron(2003)은 순수 및 부분 변화 모형을 다루는 계산 절차를 설명합니다.

여기서 ‘전역 최소’란 고정된 단절 개수, 설명변수, 모형, 절단 규칙, 목적함수 안에서의 최소라는 뜻입니다. 통계모형이 진실이라거나 선택한 개수가 옳다거나 모든 사양 중 최선이라는 뜻은 아닙니다. 여러 \(m\)을 효율적으로 비교할 수는 있지만, \(m\)을 고르는 일은 별도의 추론 또는 모형 선택 단계입니다.

후보 개수마다 최적 분할을 얻은 뒤 \(m\)을 정하는 방법은 여러 가지입니다. 순차 \(\sup F(\ell+1\mid\ell)\) 검정은 단절 \(\ell\)개인 모형과 단절이 하나 더 있는 모형을 비교하며, 허용되는 날짜 전반에서 통계량의 최댓값을 사용합니다. UDmax나 WDmax 같은 이중 최대 검정은 최대 단절 개수를 정해 둔 뒤 단절이 전혀 없는 귀무가설을 개수가 미지인 대립가설과 비교합니다. BIC 계열과 같은 정보 기준은 적합도 개선과 모형 복잡도 벌점을 비교합니다. 이 방법들은 서로 관련 있지만 같은 질문에 답하는 것은 아닙니다.

단절 날짜를 최대로 탐색한 뒤에는 보통의 고정 날짜 F 임계값을 그대로 쓰기 어렵습니다. 단절이 없다는 귀무가설 아래에서는 대립가설의 날짜가 식별되는 방식과 달라 비표준 점근분포가 생깁니다. 임계값은 절단비율, 순수 또는 부분 변화 사양, 설명변수, 오차 공분산 가정 등에 좌우됩니다. Bai–Perron(1998)은 다중 변화 검정을 제시했고, 이후의 임계값 연구는 절단 및 모형 조건에 따른 값을 정리합니다. Andrews(1993)는 한 개 미지 단절점의 불안정성 검정에 중요한 결과를 제공하지만, 해당 임계값을 다중 단절 검정에 대신 적용할 수는 없습니다.

순차검정은 해석하기 쉽지만 각 단계의 검정력과 미리 정한 최대 단절 수에 따라 결과가 달라질 수 있습니다. 정보 기준은 벌점이 서로 다르므로 선택하는 개수가 일치하지 않을 수도 있고, 후보 모형 모두가 실제 관계를 근사하는 것일 수도 있습니다. 단절이 많다고 해서 반드시 더 현실적인 설명은 아닙니다. 계수 추정이 불안정해지는 비용에 비해 적합도 개선은 작을 수 있습니다. 사용한 절차, 최대 개수, 절단값, 검정 순서나 정보 기준, 임계값 가정을 보고하고, 선택 개수가 중요한 결론을 좌우하면 민감도도 보여 주세요.

최소 RSS를 만드는 날짜는 특정 사양 아래에서 얻은 점추정치입니다. 경제적 관계가 바뀐 정확한 순간을 자료가 알아냈다고 보고해서는 안 됩니다. 표본 변동, 작은 계수 변화, 서로 가까운 단절, 잡음이 큰 종속변수, 변동이 적은 설명변수, 긴 최소 구간 길이는 최소점 주변의 목적함수를 평평하게 만들 수 있습니다. 이때 서로 인접한 여러 분할이 거의 똑같이 잘 맞을 수 있습니다.

Bai와 Perron은 명시한 조건 아래에서 단절 날짜의 신뢰구간을 구성하는 방법을 제시합니다. 이 구간은 모형에 포함된 단절 날짜 추정의 표본 불확실성을 설명하지만, 회귀식이 맞는지, 어떤 변수를 넣을지, 단절 개수가 몇 개인지, 절단 규칙을 어떻게 정할지에 대한 모든 불확실성을 포함하지는 않습니다. 단절 개수 자체가 불확실한데 하나의 선택값에 조건부인 좁은 날짜 구간만 제시하면 전체 불확실성을 과소평가할 수 있습니다.

실무 보고서는 날짜를 정의한 규칙, 추정 관측 순번, 대응 달력 날짜, 각 단절의 구간 추정치를 따로 밝혀야 합니다. 구간이 넓거나 서로 겹치면 날짜가 정확히 특정되지 않았다고 표현하세요. 결과를 본 뒤 차트에서 고른 날짜를 독립적으로 예측한 사건 시점처럼 설명해서는 안 됩니다. 추정 단절을 알려진 정책이나 사건과 비교한다면, 사건과 비교 기간을 자료를 본 뒤 골랐을 가능성도 고려해야 합니다.

RSS를 최소화하는 것은 적합 기준입니다. 검정과 신뢰구간이 유효한지는 설명변수와 오차에 관한 가정에 달려 있습니다. 금융 회귀의 오차에는 자기상관, 조건부 이분산, 이상치, 변동성 변화, 겹치는 수익률, 비동기 관측이 있을 수 있습니다. 오차가 독립이고 분산이 일정하다고 가정한 공분산 추정량과 임계값을 종속 또는 이분산 잔차에 그대로 적용하면, 추정 날짜가 그럴듯해 보여도 유의성 판단은 잘못될 수 있습니다.

Bai–Perron 연구는 이분산이나 시계열 의존을 허용하는 더 넓은 조건에서의 절차도 다룹니다. 다만 실제 설정에 맞는 공분산 보정과 기준값을 선택해야 합니다. 강건 또는 HAC 공분산 추정은 누락된 동학, 내생적인 설명변수, 잘못 지정한 조건부 평균, 서로 양립하지 않는 관측 간격을 바로잡아 주지 않습니다. 강건 표준오차를 썼다는 사실만으로 RSS 목적함수가 자료를 더 잘 설명하게 바뀌는 것도 아닙니다.

후보 구간별로 잔차의 자기상관과 분산 패턴을 확인하세요. 오차 사양이 구간별 분산, 시계열 상관, 설명변수 분포의 변화를 허용하는지와 선택한 검정 이론이 이를 다루는지 적어야 합니다. 짧은 구간에서는 강건 공분산 추정도 특히 불안정하므로 절단값과 모형 차원을 함께 설계해야 합니다. 회귀계수와 공분산 가정의 기초는 OLS 회귀 안내를 참고할 수 있습니다.

재현 가능한 분석 보고서에는 종속변수와 설명변수 전체, 변환 방식, 표본 기간과 빈도, 절편 및 계수 제약, 순수 또는 부분 변화 사양, 최대 후보 단절 수 \(m\), 절단 비율과 최소 길이, 날짜 정의, 최적화 방법, 개수 선택 검정 또는 기준을 기록해야 합니다. 선택된 단절 수, 구간별 계수, 날짜와 불확실성 구간, 검정 통계량, 공분산 처리, 임계값의 출처도 함께 제시합니다. 탐색에서 제외된 관측치나 표본 끝점 처리 방식도 설명해야 합니다.

통계적으로 검출된 단절이 보여 주는 것은 해당 모형과 가정 아래 계수가 불안정하다는 증거입니다. 어떤 사건이 변화를 일으켰는지, 특정 뉴스나 정책이 원인인지, 변화 전후의 계수가 앞으로도 이어질지는 입증하지 않습니다. 누락변수, 데이터 정의 변경, 변동성 사건, 측정 오류, 실제 경제 구조의 변화가 모두 결과에 영향을 줄 수 있으며, 회귀 단절검정만으로 그 설명을 분리할 수 없습니다.

퀀트 매매에서 전체 표본 단절 탐색은 각 후보 단절의 앞과 뒤 자료를 모두 사용합니다. 추정 날짜를 실시간에 알고 있었던 것처럼 거래하면 미래정보 편향이 생깁니다. 레짐 규칙을 평가하려면 시간 순서대로 검증하고, 각 시점에서 이용 가능했던 정보로만 재추정하며, 스프레드·수수료·시장충격·금융비용·차입비용·회전율·지연을 포함하세요. 고정 계수 기준선과 매매하지 않는 기준선도 비교하고, 실제로 이후에 관측된 자료를 최종 검증용으로 남겨야 합니다. 단절은 모형 검토나 위험 점검을 시작할 근거가 될 수 있지만 예측력이나 투자 우위를 입증하지는 않습니다.

Bai와 Perron(1998)은 선형 모형의 다중 구조 변화 추정과 검정을 제시했습니다. 2003년 계산 논문은 동적계획법 및 부분 변화 절차를 설명하고, 임계값 논문은 설계에 따른 검정 기준의 차이를 다룹니다. Bai–Perron(1998) 원문과 Andrews의 미지 단절점 논문도 참고하세요. 함께 볼 진단은 사전 지정 날짜의 Chow 검정과 회귀 CUSUM 검정입니다.