Granger causality in machine learning model: Application to KOSPI and Asian stock market indices

기계학습 모델을 이용한 그레인저 인과 검정: KOSPI와 다른 아시아 주식시장 지수간의 관계

본 논문에서는 기계학습을 이용한 예측모형에 그레인저 인과 검정을 도입하고자 한다. 현재 기계학습을 이용한 예측은 여러 분야에서 다양하게 사용되고 있지만 통계적인 가설검정 방법은 아직 확립되어 있지 않은 상황이다. 이러한 이유로 본 연구에서는 예측 오차들의 차이를 통하여 인과 검정을 시도한다. 추정 계수의 속성이 밝혀져 있지 않은 관계로 비모수 방법의 하나인 윌콕슨 부호순위 검정을 이용한다. 제시된 검정방법을 KOSPI와 아시아 주요 주식시장간의 인과관계 분석에 적용하였다. 시계열분석방법과 기계학습 방법을 이용하여 인과관계를 검정한 결과를 비교하여 다음의 두 가지 결론을 도출하였다. 첫째, 기계학습을 이용하는 경우 시계열 분석 방법보다 더 많은 인과관계를 찾아낼 수 있다. 둘째, 기계학습 모형에서는 인과관계가 존재하는 경우 그 관계의 정도가 매우 강하다는 것을 알 수 있다. 이러한 두 가지의 발견은 기계학습 모형이 설명변수와 피설명변수간의 모든 가능한 형태의 인과관계를 고려하여 예측하기 때문으로 볼 수 있다.

Granger causality test is introduced into machine learning model. Following Granger (1969), prediction errors are compared for the test. Since no formal statistical test is established in machine learning, non-parametric Wilcoxon signed rank test is used to derive statistical significance. Causality relationships between KOSPI and major Asian stock market indices are analyzed. From the comparisons of vector autoregression (VAR) and neural network models, two major findings are derived. First, neural network model identifies more causality relationships. Second, the Granger causalities between KOSPI and one of the Asian stock indices are more transparent in neural network model than in time series model. These results may be due to the fact that neural network model incorporates almost all possible shapes of functional relationships between target and feature variables. The neural network model finds more predictability because it extracts all available predictive sources from feature variables.