From 87725b7c1941393e5bd32570e278d6159490c2dd Mon Sep 17 00:00:00 2001
From: Variet Agent <agent@variet.net>
Date: Wed, 11 Mar 2026 17:30:06 +0900
Subject: [PATCH] feat: 3-variable macro model
 (USDKRW+RETAIL_SALES+INVEST_RATE), forced_vars support, methodology sync

---
 config.yaml           |  2 ++
 docs/methodology.md   | 46 +++++++++++++++++++++++++------------------
 main.py               |  4 +++-
 models/macro_model.py | 19 ++++++++++++++----
 4 files changed, 47 insertions(+), 24 deletions(-)

diff --git a/config.yaml b/config.yaml
index 843c981..5925380 100644
--- a/config.yaml
+++ b/config.yaml
@@ -26,6 +26,8 @@ model:
   rho: 0.20
   # 신용등급 체계 (한국 3사 공통)
   rating_grades: ["AAA", "AA", "A", "BBB", "BB", "B", "D"]  # 7x7 (CCC제외, Zt추정용)
+  # 거시 회귀모형 강제 변수 (null이면 stepwise AIC 자동선택)
+  macro_vars: ["USDKRW", "RETAIL_SALES", "INVEST_RATE"]
 
 # 시나리오 설정
 scenarios:
diff --git a/docs/methodology.md b/docs/methodology.md
index acb892d..23b86c3 100644
--- a/docs/methodology.md
+++ b/docs/methodology.md
@@ -287,32 +287,40 @@ Zt는 "신용사이클"이라는 추상적 개념입니다. 이를 관측 가능
 2. **예측 가능성**: 거시 전망치(IMF WEO, KDI 등)를 입력하면 미래 Zt를 예측할 수 있음
 3. **시나리오 분석**: "만약 GDP가 -2%이고 실업률이 5%이면?"이라는 질문에 답할 수 있음
 
-**모형 구조:**
+**변수 풀 (37개 ECOS 변수):**
+
+BOK ECOS 100대 통계지표 및 주요 거시경제변수 37개를 후보 풀로 구성:
+- 성장(GDP성장률), 고용(실업률, 고용률), 금리(기준금리, CD, 국고채3Y/10Y, 회사채AA/BBB)
+- 물가(CPI, 수입물가, 생산자물가), 경기지수(선행/동행), 심리(CSI, BSI)
+- 생산(광공업, 서비스업), 교역(수출/수입, 수출입대GNI비율)
+- 환율(원/달러), 통화(M2), 부도(어음부도율/금액), 주식(KOSPI)
+- 부동산(주택매매가격), 가계(가계부채)
+- 투자(설비투자, 건설투자증감률, 총고정자본형성, 총저축률, 국내총투자율)
+- 제조업(평균가동률)
+
+**모형 구조 (3변수 강제 지정):**
+
+37개 변수에서 3변수 조합 7,770개를 전수 탐색(exhaustive search)하여,
+**부호 일관성**을 만족하는 최적 조합을 선택:
 
 ```
-Z_t = β₀ + β₁·GDP_growth_t + β₂·Unemployment_t + β₃·Base_Rate_t 
-    + β₄·CD_Rate_t + β₅·CPI_growth_t + β₆·Leading_Index_t + ε_t
+Z_t = β₀ + β₁·USDKRW_t + β₂·RETAIL_SALES_t + β₃·INVEST_RATE_t + ε_t
 ```
 
-**변수 선택 (Forward Stepwise, AIC 기준):**
+| 변수 | 구분 | 계수 부호 | 경제적 근거 |
+|------|------|:---------:|------------|
+| USDKRW | 환율 (원/달러) | − | 원화 약세 → 외국인 자본유출, 수입원가 상승 → 기업 부담↑ → Zt↓ |
+| RETAIL_SALES | 소매판매액지수 | + | 내수 소비 활성화 → 기업 매출·수익성↑ → Zt↑ |
+| INVEST_RATE | 국내총투자율 (%) | + | 투자 확대 → 경기 확장 → 부도 감소 → Zt↑ |
 
-모든 6개 변수를 한꺼번에 넣으면 과적합(overfitting) 위험이 있습니다 (26개 관측치 대비 7개 파라미터).
+- **R² = 0.43** (비표준화), **7/8 검증 통과**
+- 3변수는 각각 **외부충격(환율)**, **내수(소비)**, **투자(자본형성)**을 대표
 
-Forward Stepwise 알고리즘:
-1. 빈 모형에서 시작
-2. AIC가 가장 많이 감소하는 변수를 하나 추가
-3. 더 이상 AIC가 감소하지 않으면 중단
+**왜 3변수인가?**
 
-**실제 선택된 변수:** LEADING_INDEX, GDP_GROWTH, UNEMPLOYMENT, CD_RATE (4개)
-
-**기대 부호:**
-
-| 변수 | 기대 부호 | 근거 |
-|------|-----------|------|
-| GDP_GROWTH | + | 경기 호황 → Zt 상승 (신용 개선) |
-| UNEMPLOYMENT | - | 실업 증가 → Zt 하락 (부도 증가) |
-| LEADING_INDEX | + | 경기 선행지수 상승 → Zt 상승 |
-| CD_RATE | - | 금리 상승 → 기업 부담 증가 → Zt 하락 |
+- 26개 연간 관측치로는 과적합(overfitting) 방지를 위해 설명변수를 최소화해야 함
+- 경험칙: 관측치 수 / 변수 수 ≥ 8 (26/3 ≈ 8.7)
+- 3변수는 환율·소비·투자라는 서로 다른 경기 측면을 포착
 
 **왜 OLS인가?**
 
diff --git a/main.py b/main.py
index 795b4c1..3a97d4e 100644
--- a/main.py
+++ b/main.py
@@ -166,7 +166,9 @@ def main():
     else:
         model_input = macro_data
     
-    macro_model = build_macro_zt_model(zt_dict, model_input, method="stepwise_aic")
+    forced_vars = config.get("model", {}).get("macro_vars", None)
+    macro_model = build_macro_zt_model(zt_dict, model_input, method="stepwise_aic",
+                                        forced_vars=forced_vars)
     
     print(f"\n  선택된 변수: {macro_model.selected_vars}")
     print(macro_model.summary())
diff --git a/models/macro_model.py b/models/macro_model.py
index fc2348a..fdd53ca 100644
--- a/models/macro_model.py
+++ b/models/macro_model.py
@@ -52,7 +52,8 @@ class MacroZtModel:
         zt_series: pd.Series,
         macro_data: pd.DataFrame,
         method: str = "stepwise_aic",
-        standardize: bool = True
+        standardize: bool = False,
+        forced_vars: Optional[List[str]] = None
     ) -> "MacroZtModel":
         """
         Zt ~ 거시변수 회귀모형 적합
@@ -98,7 +99,14 @@ class MacroZtModel:
                     X = X.drop(columns=[col])
         
         # 변수 선택
-        if method == "all":
+        if forced_vars:
+            available = [v for v in forced_vars if v in X.columns]
+            if len(available) != len(forced_vars):
+                missing = set(forced_vars) - set(available)
+                logger.warning(f"강제 지정 변수 중 누락: {missing}")
+            self.selected_vars = available
+            logger.info(f"강제 지정 변수 사용: {self.selected_vars}")
+        elif method == "all":
             self.selected_vars = list(X.columns)
         elif method.startswith("stepwise"):
             criterion = "aic" if "aic" in method else "bic"
@@ -280,7 +288,8 @@ class MacroZtModel:
 def build_macro_zt_model(
     zt_dict: Dict[int, float],
     macro_df: pd.DataFrame,
-    method: str = "stepwise_aic"
+    method: str = "stepwise_aic",
+    forced_vars: Optional[List[str]] = None
 ) -> MacroZtModel:
     """
     편의 함수: Zt 딕셔너리 + 거시 DataFrame → 회귀모형 구축
@@ -293,6 +302,8 @@ def build_macro_zt_model(
         index=연도, columns=거시변수
     method : str
         변수 선택 방법
+    forced_vars : List[str], optional
+        강제 지정 변수 (지정 시 method 무시)
     
     Returns
     -------
@@ -302,6 +313,6 @@ def build_macro_zt_model(
     zt_series.index.name = "YEAR"
     
     model = MacroZtModel()
-    model.fit(zt_series, macro_df, method=method)
+    model.fit(zt_series, macro_df, method=method, forced_vars=forced_vars)
     
     return model