Clark–West 중첩 예측 검정: 공식, 계산 예시와 한계

제한 모형은 상수항으로 다음 달 수익률을 예측하고, 큰 모형은 여기에 가치평가 비율 하나를 더한다고 가정해 보겠습니다. 큰 모형의 추가 계수를 0으로 두면 기준 모형이 되므로 두 모형은 중첩 관계입니다. 그 계수가 실제로 0이어도 이를 추정하는 과정에서 큰 모형의 예측값에 표본 잡음이 섞일 수 있습니다. 그러면 모집단의 예측력이 같아도 큰 모형의 표본 평균제곱예측오차(MSPE)가 더 높게 관측될 수 있습니다.

Clark–West 보정은 중첩 예측의 표본외 제곱오차를 비교할 때 이러한 추정 잡음을 다루려는 방법입니다. 이 설정에서 큰 모형이 제한 기준모형에 추가 예측 정보를 주는지 묻습니다. 이는 짝지은 예측 손실을 폭넓게 비교하는 Diebold–Mariano 안내와 범위가 다릅니다. 특히 중첩모형에서 일반적인 DM 참조분포가 자동으로 유효하다고 볼 수는 없습니다. Clark와 McCracken은 중첩 예측의 정확도 및 포괄 검정이 갖는 점근·유한표본 특성을 분석했고, Clark와 West는 조정 MSPE 절차와 근사 추론을 제안했습니다. Clark와 McCracken(2001)00071-9), Clark와 West(2007).

제한 기준모형의 예측을 (f_{0,t+h}), 큰 대안모형의 예측을 (f_{1,t+h})라 하고, 두 모형이 같은 목표 (y_{t+h})를 예측해야 합니다. 보통 추가 계수를 하나 이상 0으로 두면 대안모형이 기준모형과 같아지는 경우 중첩이라고 합니다. 단순히 변수가 더 많거나, 모형이 복잡하거나, 표본 내 적합도가 높다는 이유만으로 중첩 관계가 성립하지는 않습니다.

각 예측 시점에는 그때 이용할 수 있던 정보만 사용해 두 예측값을 만듭니다. 시간순 학습 구간으로 모형을 추정하고, 이후의 평가 구간에서 예측합니다. 목표변수, 예측기간, 단위, 예측 시점, 실현값을 두 모형에 동일하게 맞춥니다. 순차 재귀 방식이나 롤링 방식으로 재추정할 수 있지만, 어떤 방법인지 밝히고 각 시점에 실제로 생성한 예측값을 보존해야 합니다. 평가 구간을 반복해서 확인해 설명변수, 변환, 예측기간을 고르면 그 구간은 더 이상 손대지 않은 검증 자료가 아닙니다. CAViaR 안내는 꼬리 분위수 예측도 평균 예측과 같은 손실로 묶기보다 목표에 맞는 점수로 평가해야 함을 보여줍니다.

Clark–West 보정은 중첩모형 귀무가설 아래 모수 추정 잡음을 다루는 방법입니다. 미래 정보 사용, 서로 다른 표본 비교, 과거 시점에 알려지지 않은 개정자료 사용, 공개하지 않은 모형 탐색까지 해결해 주지는 않습니다. 초기 추정 구간, 예측 시점 수, 예측기간, 자료 시점, 롤링·재귀 재추정 방식을 밝혀 실제 표본외 비교인지 확인할 수 있게 합니다.

f₀,t+h를 제한 모형의 예측, f₁,t+h를 큰 모형의 예측이라고 하겠습니다. 오차는 eⱼ,t+h = yₜ₊ₕ − fⱼ,t+h입니다. 제곱오차 손실을 사용할 때 시점별 Clark–West 조정 차이는 다음과 같습니다.

dCW,t+h = (e₀,t+h)² − [(e₁,t+h)² − (f₀,t+h − f₁,t+h)²]

이는 제한 모형의 제곱오차에서 큰 모형의 제곱오차를 뺀 뒤, 두 예측 간 제곱 거리만큼 더한 식과 같습니다. 마지막 항은 귀무가설 아래 추가 추정계수로 큰 모형에 생기는 예측 잡음을 반영합니다. Clark와 West는 큰 모형의 표본 MSPE에서 이 예측 차이 항을 빼고 비교하는 방식으로 보정을 설명합니다. Clark와 West(2007).

두 모형이 공통으로 예측한 P개 시점에서 평균 조정 차이를 계산합니다. 평균(dCW) = (1/P) Σ dCW,t+h입니다. 실제값과 예측값의 단위가 베이시스포인트라면 제곱오차와 조정 차이의 단위는 베이시스포인트 제곱입니다. 위 부호 규칙에서 조정 평균이 양수이면 큰 모형에 유리한 방향입니다. 이 값은 보정된 비교 점수이며 큰 모형의 실현 MSPE도, 거래에 사용할 예측값도 아닙니다.

Clark–West 검정의 일반적인 질문은 중첩된 큰 모형이 제한 기준모형보다 기대 MSPE를 낮추는지입니다. 귀무가설은 추가 모형 요소가 예측력을 개선하지 않는다는 내용이고, 단측 대립가설은 큰 모형이 더 낮은 MSPE를 갖는다는 주장입니다. 위 공식에서는 표준오차에 비해 충분히 큰 양의 조정 평균이 대립가설을 지지합니다.

조정 손실 표기에서 검정할 가설은 H₀: E[dCW] = 0, H₁: E[dCW] > 0입니다. 이 양의 방향은 제한모형 손실을 먼저 빼는 부호 규칙을 따릅니다. 차이를 반대 순서로 정의하면 부호도 뒤집히므로 결과와 함께 규칙을 밝혀야 합니다.

검정통계량은 보통 조정 차이 dCW의 표본 평균을 그 표준오차로 나눈 값입니다. Clark와 West는 자신들이 분석한 설계에 대해 적절한 경우 표준오차나 자기상관에 강건한 표준오차를 사용한 근사 정규 단측 검정을 권합니다. West(1996)는 추정된 모수를 사용한 표본외 예측을 포함해, 예측값과 오차의 매끄러운 함수에 대한 모멘트 추론을 다룹니다. 검정 방향은 결과를 보기 전에 정해야 합니다. 통계량의 부호를 확인한 뒤 양측 가설이나 부호 규칙을 바꾸면 안 됩니다.

p값은 중첩 관계, 예측 생성 방식, 목표변수, 손실, 추론 절차와 표본 가정에 조건부인 값입니다. 큰 모형이 참일 확률을 나타내지 않으며, 추가 설명변수가 목표변수를 움직이는 원인이라고 입증하지도 않습니다.

베이시스포인트 단위의 가상 관측 네 개를 사용하겠습니다. 실현값은 [0, 1, −1, 0], 제한 모형 예측은 [−1, 0, 0, 0], 중첩된 큰 모형 예측은 [−1.5, 0.5, −0.5, 0.5]입니다. 제한 모형의 제곱오차는 [1, 1, 1, 0]이고 평균 MSPE는 0.75 bp²입니다. 큰 모형의 제곱오차는 [2.25, 0.25, 0.25, 0.25]이며 평균 MSPE도 0.75 bp²입니다.

제곱 예측 차이 (f₀ − f₁)²는 [0.25, 0.25, 0.25, 0.25]입니다. 조정식 e₀² − e₁² + (f₀ − f₁)²에 대입하면 시점별 값은 [−1, 1, 1, 0] bp², 표본 평균은 0.25 bp²입니다. 원래 MSPE는 같지만 추정 잡음 조정 이후의 평균은 양수입니다.

네 기간은 산술만 보여 줍니다. 불확실성을 믿을 만하게 추정하거나 통계적 유의성을 판단하기에는 관측 수가 턱없이 적습니다. 조정 평균이 양수라고 실제 예측 우위가 입증되는 것은 아니며, 수치는 시장에서 얻은 값이 아니라 설명용 가정입니다. <!-- learn:illustration -->

1기간 예측도 목표변수, 설명변수, 추정 구간이 이어지면서 조정 손실 차이가 시계열 의존성을 보일 수 있습니다. 여러 기간 뒤를 예측하는 창이 겹치면 이웃한 예측이 같은 실현 구간을 공유하므로 조정 차이가 구조적으로 상관될 수 있습니다. 모든 예측 시점을 독립으로 보는 표준오차는 불확실성을 작게 잡을 수 있습니다.

표준오차는 표본 설계에 맞는 방법으로 추정해야 합니다. 조건이 맞는다면 이분산·자기상관에 강건한 장기분산 추정량을 조정 차이 시계열에 사용할 수 있습니다. Clark와 West는 예측오차가 자기상관을 가질 때 자기상관에 강건한 표준오차를 사용한다고 명시합니다. 예측기간, 공분산 추정량, 커널과 대역폭, 재표집 또는 임계값 산출 방법을 밝힙니다. 블록 부트스트랩 안내는 시계열 의존을 보존하려면 관측 순서를 반영해 재표집해야 하는 이유를 설명합니다. 일반적인 부트스트랩이 Clark–West 귀무가설을 자동으로 구현하지는 않습니다.

필요한 의존성 처리는 설계마다 다릅니다. 긴 예측기간, 지속성이 큰 목표, 반복적인 모수 추정, 변동성 변화는 단순한 기간 겹침보다 더 긴 의존을 만들 수 있습니다. 가장 작은 p값을 주는 설정을 골라서는 안 됩니다. 타당한 여러 추론 설정에서 결과가 얼마나 달라지는지 제시합니다.

두 모형이 중첩되면 추정 표본과 평가 표본이 함께 커지는 경우 귀무가설 아래 분포가 비표준일 수 있습니다. Clark와 McCracken은 중첩 예측의 정확도 및 포괄 검정이 익숙한 비중첩 비교와 다른 점근·유한표본 특성을 가진다고 보였습니다. Clark–West는 연구한 설계에서 유용한 근사 정규 추론을 제시하지만, ‘근사 정규’라는 표현이 모든 표본에서 유의수준이 정확히 맞는다는 뜻은 아닙니다. Clark와 McCracken(2001)00071-9), Clark와 West(2007).

평가 표본이 작거나 추가 계수가 많거나, 기준모형이 잘못 지정되거나, 변수를 자료에 맞춰 선택했거나, 롤링·재귀 추정 방식을 바꾸면 검정 크기와 검정력이 달라질 수 있습니다. 표본이나 설계가 논문에서 살핀 설정과 크게 다르다면 연구 설계에 맞춘 임계값 또는 신중히 정한 시뮬레이션·부트스트랩 절차를 고려합니다. 추정 표본과 평가 표본의 크기를 보고하고, 어떤 참조분포로 p값을 얻었는지 명시합니다.

Diebold–Mariano 검정은 일반적인 짝지은 손실 비교에서 두 예측의 기대 손실이 같은지 묻습니다. Clark–West 조정은 한 모형이 다른 모형을 포함하고 추가 계수의 추정이 귀무가설 아래 원래 MSPE 차이를 왜곡하는 제곱오차 비교에 맞춰져 있습니다. 중첩되지 않은 모형에 이 조정을 적용하면 근거 없이 다른 질문으로 바꾸게 됩니다. DM의 원 논문은 다양한 손실을 다루며 예측오차가 정규분포나 독립성을 따르지 않아도 되는 상황을 논의합니다. 관련 문헌이지만 중첩모형 절차와 같은 검정은 아닙니다. Diebold와 Mariano(1995).

어느 검정도 목표변수, 예측기간, 기준모형, 설명변수를 반복해서 시험한 연구자의 선택 문제를 해결하지는 않습니다. 최종 비교가 광범위한 탐색에서 나온 경우 후보 집합 전체를 기록하고 탐색 수준의 질문에 맞는 절차를 사용합니다. White Reality Check와 Hansen SPA 안내는 탐색한 거래 규칙 집합에 대한 추론을 설명합니다. Clark–West 하나만으로 선택된 비교가 사전에 정한 확증적 검정이 되지는 않습니다.

유의한 단측 결과는 명시한 가정 아래, 해당 목표와 평가 설계에서 큰 모형이 기대 제곱오차를 낮춘다는 근거입니다. 추가 설명변수가 원인임을 입증하거나 신호가 계속 안정적으로 작동한다고 보여 주지는 않습니다. 예측 개선이 의사결정에 의미를 주기엔 너무 작을 수 있고, 모형이 가장 잘 맞는 시기가 실제로는 거래비용이 높은 국면일 수도 있습니다.

거래 수익성은 별도의 규칙, 손대지 않은 평가자료, 현실적인 스프레드·수수료·슬리피지·시장충격·금융비용·차입·위험한도가 필요합니다. 인과 주장을 하려면 질문에 맞는 식별전략이 필요합니다. 표본외 예측 비교는 인과설계가 아닙니다. Clark–West 결과가 실제로 말해 주는 범위를 명시하고, 그 밖의 주장은 그 주장을 검정하는 별도 자료에 맡깁니다.

제한 모형과 큰 모형을 밝히고, 두 모형이 중첩되는 구체적인 제약을 설명합니다. 목표변수, 예측기간, 제곱오차 단위, 추정 구간, 예측 시점 간격, 평가 기간, 공통 표본 규칙도 기록합니다. 모수를 순차 재귀 방식이나 롤링 방식 중 어떻게 추정하는지, 정보집합과 당시 자료 버전을 어떻게 보존하는지도 설명합니다.

두 모형의 원래 MSPE, 평균 Clark–West 조정 차이, 부호 규칙, 표준오차, 단측 대립가설, 참조분포나 임계값, p값, 의존성 추정 방법을 보고합니다. 추가 계수 수, 표본 크기, 변수·예측기간 탐색, 기준모형 선택, 평가 구간이 모형 설계에 사용됐는지도 공개합니다. 이런 기록이 있어야 독자는 조정된 중첩모형 검정과 일반 예측 비교를 구분하고 남은 불확실성을 살필 수 있습니다.