feat(analysis): v3 re-analysis with 31 ECOS variables
Best model: CREDIT_SPREAD_LAG1 + USDKRW + HOUSING_PRICE (R²=0.646) - 31 raw vars → 80+ features (DIFF/LAG1/PCT/spreads) - 2267 valid combos searched (collinearity filtered) - All Top 10 sign-consistent - Zt sign corrected: Z+ = 호황 (Belkin convention)
This commit is contained in:
Variet Agent
@@ -1,28 +1,29 @@
|
|||||||
"""
|
"""
|
||||||
거시변수 재분석 v2 — 금리 DIFF 전용 + 계수 부호 검증
|
거시변수 재분석 v3 — 31변수 확장 + Zt 부호 수정반영
|
||||||
|
|
||||||
규칙:
|
규칙:
|
||||||
1. 금리 변수 (BASE_RATE, CD_RATE, GOVT_3Y, CORP_AA, CORP_BBB): DIFF만 허용
|
1. 금리 변수: DIFF만 허용 (LEVEL/LOG 등 제외)
|
||||||
2. 가격/지수 변수: DIFF, PCT, LOG, LOGR 허용
|
2. 지수/금액: 원본 + DIFF/PCT/LAG1
|
||||||
3. 이미 변화율인 변수 (GDP_GROWTH, CPI): 원본(LEVEL), LAG1만 허용
|
3. 이미 변화율 변수: 원본 + LAG1만
|
||||||
4. 계수 부호 경제적 일관성 체크
|
4. 계수 부호 경제적 일관성 체크
|
||||||
5. Zt: 2000~2025 (26obs)
|
5. Zt: 2000~2025 (26obs)
|
||||||
|
|
||||||
Zt 부호 규칙: 양수 = 부도율 높음 = 경기 나쁨
|
Zt 부호 (Belkin 수정후): **양수 = 호황** (PD 하락), 음수 = 불황
|
||||||
|
|
||||||
경제적 부호 기대:
|
경제적 부호 기대 (Zt↑ = 호황):
|
||||||
GDP_GROWTH: 음(-) — 성장 ↑ → 부도 ↓ → Zt ↓
|
GDP_GROWTH: 양(+) — 성장 ↑ → 호황 → Zt ↑
|
||||||
UNEMPLOYMENT: 양(+) — 실업 ↑ → 부도 ↑ → Zt ↑
|
UNEMPLOYMENT: 음(-) — 실업 ↑ → 불황 → Zt ↓
|
||||||
BASE_RATE_DIFF: 양(+) — 금리인상 → 부도 ↑ → Zt ↑ (또는 래그 효과)
|
BASE_RATE_DIFF: 음(-) — 금리인상 → 긴축 → Zt ↓
|
||||||
CD_RATE_DIFF: 양(+)
|
CPI_GROWTH: 음(-) — 물가급등 → 구매력↓ → Zt ↓
|
||||||
CPI: 양(+) — 물가 급등 → 구매력 ↓ → 부도 ↑ → Zt ↑
|
LEADING_INDEX: 양(+) — 선행 ↑ → 호황 → Zt ↑
|
||||||
LEADING_IDX: 음(-) — 선행지수 ↑ → 경기 호전 → Zt ↓
|
CREDIT_SPREAD: 음(-) — 스프레드↑ → 위험↑ → Zt ↓
|
||||||
CORP_AA_DIFF: 양(+) — 회사채 금리 상승 → 자금조달 비용 ↑ → 부도 ↑
|
EXPORT: 양(+) — 수출 ↑ → 호황 → Zt ↑
|
||||||
CORP_BBB_DIFF: 양(+)
|
KOSPI: 양(+) — 주가↑ → 호황 → Zt ↑
|
||||||
CREDIT_SPREAD: 양(+) — 스프레드 확대 → 신용위험 ↑ → Zt ↑
|
OIL_PRICE: 음(-) — 유가↑ → 비용↑ → Zt ↓ (수입국)
|
||||||
TERM_SPREAD: 어느쪽이든 가능 (역전시 침체 신호 = 음수)
|
DISHONOR_RATE: 음(-) — 부도율↑ → 불황 → Zt ↓
|
||||||
EXCHANGE_RATE: 양(+) — 원화약세 → 외화부채 ↑ → 부도 ↑
|
USDKRW: 음(-) — 원화약세 → 불황 → Zt ↓
|
||||||
EXPORT: 음(-) — 수출 ↑ → 경기 좋음 → Zt ↓
|
BSI_MANUF: 양(+) — BSI↑ → 경기전망↑ → Zt ↑
|
||||||
|
CSI: 양(+) — 소비심리↑ → 호황 → Zt ↑
|
||||||
"""
|
"""
|
||||||
|
|
||||||
import sys, io, itertools
|
import sys, io, itertools
|
||||||
@@ -40,157 +41,137 @@ warnings.filterwarnings("ignore")
|
|||||||
|
|
||||||
BASE_DIR = Path(__file__).parent.parent
|
BASE_DIR = Path(__file__).parent.parent
|
||||||
|
|
||||||
# 경제적 부호 기대 (양수 = 이 변수 증가 시 Zt 증가)
|
# Zt 부호: 양수=호황 (Belkin 수정후)
|
||||||
|
# 각 변수가 증가할때 Zt가 어느 방향으로 움직여야 하는지
|
||||||
EXPECTED_SIGNS = {
|
EXPECTED_SIGNS = {
|
||||||
# 원본
|
# --- 성장/경기 ---
|
||||||
"GDP_GROWTH": -1, "UNEMPLOYMENT": +1,
|
"GDP_GROWTH": +1, "GDP_GROWTH_LAG1": +1,
|
||||||
"CPI": +1, "CPI_GROWTH": +1,
|
"LEADING_INDEX": +1, "LEADING_INDEX_DIFF": +1, "LEADING_INDEX_LAG1": +1,
|
||||||
"LEADING_IDX": -1, "LEADING_INDEX": -1,
|
"COINCIDENT": +1, "COINCIDENT_DIFF": +1, "COINCIDENT_LAG1": +1,
|
||||||
# 금리 차분
|
"BSI_MANUF": +1, "BSI_MANUF_LAG1": +1,
|
||||||
"BASE_RATE_DIFF": +1, "CD_RATE_DIFF": +1,
|
|
||||||
"GOVT_3Y_DIFF": +1,
|
# --- 고용 ---
|
||||||
"CORP_AA_DIFF": +1, "CORP_BBB_DIFF": +1,
|
"UNEMPLOYMENT": -1, "UNEMPLOYMENT_LAG1": -1, "UNEMPLOYMENT_DIFF": -1,
|
||||||
# 파생
|
"EMPLOYED": +1, "EMPLOYED_DIFF": +1, "EMPLOYED_PCT": +1, "EMPLOYED_LAG1": +1,
|
||||||
"CREDIT_SPREAD": +1, "CREDIT_SPREAD_DIFF": +1,
|
"EMPLOYMENT_RATE": +1, "EMPLOYMENT_RATE_DIFF": +1, "EMPLOYMENT_RATE_LAG1": +1,
|
||||||
"CREDIT_SPREAD_LAG1": +1,
|
|
||||||
"TERM_SPREAD": 0, # 0 = 부호 제약 없음
|
# --- 금리 차분 ---
|
||||||
"TERM_SPREAD_DIFF": 0,
|
"BASE_RATE_DIFF": -1, "CD_RATE_DIFF": -1,
|
||||||
"TERM_SPREAD_LAG1": 0,
|
"GOVT_3Y_DIFF": -1, "GOVT_10Y_DIFF": -1,
|
||||||
# 기타
|
"CORP_AA_DIFF": -1, "CORP_BBB_DIFF": -1,
|
||||||
"EXCHANGE_RATE": +1, "EXCHANGE_RATE_DIFF": +1, "EXCHANGE_RATE_PCT": +1,
|
# 금리 래그 (레벨): 부호 방향 불확실 → 제약 없음
|
||||||
"EXCHANGE_RATE_LAG1": +1,
|
"BASE_RATE_LAG1": 0, "CD_RATE_LAG1": 0,
|
||||||
"EXPORT_PCT": -1, "IMPORT_PCT": +1,
|
"GOVT_3Y_LAG1": 0, "GOVT_10Y_LAG1": 0,
|
||||||
"TRADE_BALANCE": -1, "TRADE_BALANCE_DIFF": -1,
|
"CORP_AA_LAG1": 0, "CORP_BBB_LAG1": 0,
|
||||||
"TRADE_BAL_PCT": -1,
|
|
||||||
"IPI": -1, "IPI_DIFF": -1, "IPI_PCT": -1,
|
# --- 물가 ---
|
||||||
"CSI": -1, "CSI_DIFF": -1, "CSI_LAG1": -1,
|
"CPI_GROWTH": -1, "CPI_GROWTH_LAG1": -1,
|
||||||
"M2_PCT": 0, "M2_LOGR": 0,
|
"IMPORT_PRICE": 0, "IMPORT_PRICE_DIFF": -1, "IMPORT_PRICE_PCT": -1,
|
||||||
|
"IMPORT_PRICE_LAG1": 0,
|
||||||
|
"OIL_PRICE": -1, "OIL_PRICE_DIFF": -1, "OIL_PRICE_PCT": -1, "OIL_PRICE_LAG1": -1,
|
||||||
|
|
||||||
|
# --- 스프레드/파생 ---
|
||||||
|
"CREDIT_SPREAD": -1, "CREDIT_SPREAD_DIFF": -1, "CREDIT_SPREAD_LAG1": -1,
|
||||||
|
"TERM_SPREAD": 0, "TERM_SPREAD_DIFF": 0, "TERM_SPREAD_LAG1": 0,
|
||||||
"REAL_RATE": 0, "REAL_RATE_DIFF": 0,
|
"REAL_RATE": 0, "REAL_RATE_DIFF": 0,
|
||||||
# 래그
|
|
||||||
"GDP_GROWTH_LAG1": -1, "UNEMPLOYMENT_LAG1": +1,
|
# --- 교역 ---
|
||||||
"CPI_LAG1": +1, "CPI_GROWTH_LAG1": +1,
|
"EXPORT_PCT": +1, "EXPORT_DIFF": +1,
|
||||||
|
"IMPORT_AMT_PCT": -1, "IMPORT_AMT_DIFF": -1,
|
||||||
|
"TRADE_BALANCE": +1, "TRADE_BALANCE_DIFF": +1,
|
||||||
|
"CURRENT_ACCOUNT": +1, "CURRENT_ACCOUNT_DIFF": +1, "CURRENT_ACCOUNT_LAG1": +1,
|
||||||
|
|
||||||
|
# --- 금융 ---
|
||||||
|
"USDKRW": -1, "USDKRW_DIFF": -1, "USDKRW_PCT": -1, "USDKRW_LAG1": -1,
|
||||||
|
"M2_PCT": 0,
|
||||||
|
"KOSPI": +1, "KOSPI_PCT": +1, "KOSPI_DIFF": +1, "KOSPI_LAG1": +1,
|
||||||
|
"DISHONOR_RATE": -1, "DISHONOR_RATE_DIFF": -1, "DISHONOR_RATE_LAG1": -1,
|
||||||
|
|
||||||
|
# --- 소비/심리 ---
|
||||||
|
"CSI": +1, "CSI_DIFF": +1, "CSI_LAG1": +1,
|
||||||
|
"RETAIL_SALES": +1, "RETAIL_SALES_DIFF": +1, "RETAIL_SALES_PCT": +1, "RETAIL_SALES_LAG1": +1,
|
||||||
|
|
||||||
|
# --- 투자/생산 ---
|
||||||
|
"IPI": +1, "IPI_DIFF": +1, "IPI_LAG1": +1,
|
||||||
|
"SPI": +1, "SPI_DIFF": +1, "SPI_LAG1": +1,
|
||||||
|
"FACILITY_INVEST": +1, "FACILITY_INVEST_DIFF": +1, "FACILITY_INVEST_PCT": +1, "FACILITY_INVEST_LAG1": +1,
|
||||||
|
|
||||||
|
# --- 부동산/가계 ---
|
||||||
|
"HOUSING_PRICE": 0, "HOUSING_PRICE_DIFF": 0, "HOUSING_PRICE_LAG1": 0,
|
||||||
|
"HOUSEHOLD_DEBT": 0, "HOUSEHOLD_DEBT_PCT": 0,
|
||||||
|
"CONSTRUCTION_DONE": 0, "CONSTRUCTION_DONE_DIFF": 0,
|
||||||
}
|
}
|
||||||
|
|
||||||
# 금리 변수 목록 (DIFF만 허용)
|
# 금리 변수 목록 (DIFF만 허용)
|
||||||
RATE_VARS = {"BASE_RATE", "CD_RATE", "GOVT_3Y", "CORP_AA", "CORP_BBB"}
|
RATE_VARS = {"BASE_RATE", "CD_RATE", "GOVT_3Y", "GOVT_10Y", "CORP_AA", "CORP_BBB"}
|
||||||
|
|
||||||
|
# 이미 변화율/지수인 변수 (원본 + LAG1만)
|
||||||
|
ALREADY_RATE_VARS = {"GDP_GROWTH", "CPI_GROWTH", "UNEMPLOYMENT", "EMPLOYMENT_RATE"}
|
||||||
|
|
||||||
def load_fallback():
|
# 지수형 변수 (원본 + DIFF + LAG1)
|
||||||
"""확장 fallback"""
|
INDEX_VARS = {"LEADING_INDEX", "COINCIDENT", "BSI_MANUF", "CSI", "IPI", "SPI",
|
||||||
data = {
|
"RETAIL_SALES", "FACILITY_INVEST", "IMPORT_PRICE", "HOUSING_PRICE"}
|
||||||
2000: {"GDP_GROWTH": 8.9, "UNEMPLOYMENT": 4.4, "BASE_RATE": 5.25, "CD_RATE": 7.09, "CPI": 2.3, "LEADING_IDX": 101.2,
|
|
||||||
"GOVT_3Y": 8.35, "CORP_AA": 9.35, "CORP_BBB": 11.90, "EXCHANGE_RATE": 1131, "EXPORT": 172268, "IMPORT": 160481, "M2": 651.8, "IPI": 102.5, "CSI": 101.0},
|
# 금액형 변수 (DIFF + PCT)
|
||||||
2001: {"GDP_GROWTH": 4.5, "UNEMPLOYMENT": 4.0, "BASE_RATE": 4.00, "CD_RATE": 5.34, "CPI": 4.1, "LEADING_IDX": 99.5,
|
AMOUNT_VARS = {"EXPORT", "IMPORT_AMT", "M2", "HOUSEHOLD_DEBT", "CONSTRUCTION_DONE", "EMPLOYED"}
|
||||||
"GOVT_3Y": 6.70, "CORP_AA": 8.12, "CORP_BBB": 11.27, "EXCHANGE_RATE": 1291, "EXPORT": 150439, "IMPORT": 141098, "M2": 736.5, "IPI": 99.5, "CSI": 96.5},
|
|
||||||
2002: {"GDP_GROWTH": 7.4, "UNEMPLOYMENT": 3.3, "BASE_RATE": 4.25, "CD_RATE": 4.99, "CPI": 2.8, "LEADING_IDX": 102.3,
|
# 가격형 (원본 + DIFF + PCT + LAG1)
|
||||||
"GOVT_3Y": 6.06, "CORP_AA": 7.02, "CORP_BBB": 9.75, "EXCHANGE_RATE": 1251, "EXPORT": 162471, "IMPORT": 152126, "M2": 816.3, "IPI": 108.5, "CSI": 105.0},
|
PRICE_VARS = {"USDKRW", "OIL_PRICE", "KOSPI"}
|
||||||
2003: {"GDP_GROWTH": 2.9, "UNEMPLOYMENT": 3.6, "BASE_RATE": 3.75, "CD_RATE": 4.24, "CPI": 3.5, "LEADING_IDX": 98.8,
|
|
||||||
"GOVT_3Y": 4.93, "CORP_AA": 5.70, "CORP_BBB": 8.97, "EXCHANGE_RATE": 1192, "EXPORT": 193817, "IMPORT": 178827, "M2": 879.2, "IPI": 109.8, "CSI": 96.0},
|
|
||||||
2004: {"GDP_GROWTH": 4.9, "UNEMPLOYMENT": 3.7, "BASE_RATE": 3.25, "CD_RATE": 3.77, "CPI": 3.6, "LEADING_IDX": 100.5,
|
|
||||||
"GOVT_3Y": 4.11, "CORP_AA": 4.72, "CORP_BBB": 7.53, "EXCHANGE_RATE": 1145, "EXPORT": 253845, "IMPORT": 224463, "M2": 935.3, "IPI": 119.2, "CSI": 97.0},
|
|
||||||
2005: {"GDP_GROWTH": 3.9, "UNEMPLOYMENT": 3.7, "BASE_RATE": 3.75, "CD_RATE": 3.81, "CPI": 2.8, "LEADING_IDX": 101.8,
|
|
||||||
"GOVT_3Y": 4.27, "CORP_AA": 4.68, "CORP_BBB": 6.51, "EXCHANGE_RATE": 1024, "EXPORT": 284419, "IMPORT": 261238, "M2": 1002.7, "IPI": 126.0, "CSI": 100.5},
|
|
||||||
2006: {"GDP_GROWTH": 5.2, "UNEMPLOYMENT": 3.5, "BASE_RATE": 4.50, "CD_RATE": 4.72, "CPI": 2.2, "LEADING_IDX": 102.5,
|
|
||||||
"GOVT_3Y": 4.83, "CORP_AA": 5.25, "CORP_BBB": 7.08, "EXCHANGE_RATE": 955, "EXPORT": 325465, "IMPORT": 309383, "M2": 1089.9, "IPI": 136.0, "CSI": 106.0},
|
|
||||||
2007: {"GDP_GROWTH": 5.5, "UNEMPLOYMENT": 3.2, "BASE_RATE": 5.00, "CD_RATE": 5.36, "CPI": 2.5, "LEADING_IDX": 103.1,
|
|
||||||
"GOVT_3Y": 5.23, "CORP_AA": 5.70, "CORP_BBB": 7.44, "EXCHANGE_RATE": 929, "EXPORT": 371489, "IMPORT": 356846, "M2": 1181.6, "IPI": 144.5, "CSI": 108.5},
|
|
||||||
2008: {"GDP_GROWTH": 2.8, "UNEMPLOYMENT": 3.2, "BASE_RATE": 3.00, "CD_RATE": 5.70, "CPI": 4.7, "LEADING_IDX": 96.5,
|
|
||||||
"GOVT_3Y": 5.27, "CORP_AA": 7.02, "CORP_BBB": 10.73, "EXCHANGE_RATE": 1103, "EXPORT": 422007, "IMPORT": 435275, "M2": 1263.2, "IPI": 148.2, "CSI": 86.0},
|
|
||||||
2009: {"GDP_GROWTH": 0.8, "UNEMPLOYMENT": 3.6, "BASE_RATE": 2.00, "CD_RATE": 2.63, "CPI": 2.8, "LEADING_IDX": 98.2,
|
|
||||||
"GOVT_3Y": 4.04, "CORP_AA": 5.80, "CORP_BBB": 9.24, "EXCHANGE_RATE": 1276, "EXPORT": 363534, "IMPORT": 323085, "M2": 1404.4, "IPI": 140.0, "CSI": 85.0},
|
|
||||||
2010: {"GDP_GROWTH": 6.8, "UNEMPLOYMENT": 3.7, "BASE_RATE": 2.50, "CD_RATE": 2.80, "CPI": 2.9, "LEADING_IDX": 103.0,
|
|
||||||
"GOVT_3Y": 3.72, "CORP_AA": 4.66, "CORP_BBB": 7.98, "EXCHANGE_RATE": 1156, "EXPORT": 466384, "IMPORT": 425212, "M2": 1504.3, "IPI": 161.5, "CSI": 107.0},
|
|
||||||
2011: {"GDP_GROWTH": 3.7, "UNEMPLOYMENT": 3.4, "BASE_RATE": 3.25, "CD_RATE": 3.55, "CPI": 4.0, "LEADING_IDX": 101.2,
|
|
||||||
"GOVT_3Y": 3.62, "CORP_AA": 4.41, "CORP_BBB": 7.75, "EXCHANGE_RATE": 1108, "EXPORT": 555214, "IMPORT": 524413, "M2": 1586.5, "IPI": 168.0, "CSI": 100.0},
|
|
||||||
2012: {"GDP_GROWTH": 2.4, "UNEMPLOYMENT": 3.2, "BASE_RATE": 2.75, "CD_RATE": 3.13, "CPI": 2.2, "LEADING_IDX": 100.3,
|
|
||||||
"GOVT_3Y": 3.13, "CORP_AA": 3.76, "CORP_BBB": 6.56, "EXCHANGE_RATE": 1127, "EXPORT": 547870, "IMPORT": 519584, "M2": 1673.5, "IPI": 168.2, "CSI": 100.5},
|
|
||||||
2013: {"GDP_GROWTH": 3.2, "UNEMPLOYMENT": 3.1, "BASE_RATE": 2.50, "CD_RATE": 2.72, "CPI": 1.3, "LEADING_IDX": 100.8,
|
|
||||||
"GOVT_3Y": 2.79, "CORP_AA": 3.19, "CORP_BBB": 5.87, "EXCHANGE_RATE": 1095, "EXPORT": 559632, "IMPORT": 515586, "M2": 1756.2, "IPI": 168.8, "CSI": 103.0},
|
|
||||||
2014: {"GDP_GROWTH": 3.2, "UNEMPLOYMENT": 3.5, "BASE_RATE": 2.00, "CD_RATE": 2.36, "CPI": 1.3, "LEADING_IDX": 101.0,
|
|
||||||
"GOVT_3Y": 2.56, "CORP_AA": 2.99, "CORP_BBB": 5.22, "EXCHANGE_RATE": 1053, "EXPORT": 572665, "IMPORT": 525515, "M2": 1871.0, "IPI": 168.5, "CSI": 104.0},
|
|
||||||
2015: {"GDP_GROWTH": 2.8, "UNEMPLOYMENT": 3.6, "BASE_RATE": 1.50, "CD_RATE": 1.72, "CPI": 0.7, "LEADING_IDX": 100.5,
|
|
||||||
"GOVT_3Y": 1.80, "CORP_AA": 2.18, "CORP_BBB": 4.61, "EXCHANGE_RATE": 1131, "EXPORT": 526757, "IMPORT": 436499, "M2": 2010.0, "IPI": 168.0, "CSI": 103.5},
|
|
||||||
2016: {"GDP_GROWTH": 2.9, "UNEMPLOYMENT": 3.7, "BASE_RATE": 1.25, "CD_RATE": 1.48, "CPI": 1.0, "LEADING_IDX": 99.8,
|
|
||||||
"GOVT_3Y": 1.44, "CORP_AA": 1.88, "CORP_BBB": 4.60, "EXCHANGE_RATE": 1161, "EXPORT": 495426, "IMPORT": 406193, "M2": 2151.1, "IPI": 168.5, "CSI": 100.0},
|
|
||||||
2017: {"GDP_GROWTH": 3.2, "UNEMPLOYMENT": 3.7, "BASE_RATE": 1.50, "CD_RATE": 1.52, "CPI": 1.9, "LEADING_IDX": 101.5,
|
|
||||||
"GOVT_3Y": 1.80, "CORP_AA": 2.28, "CORP_BBB": 4.83, "EXCHANGE_RATE": 1131, "EXPORT": 573694, "IMPORT": 478478, "M2": 2347.2, "IPI": 174.2, "CSI": 105.0},
|
|
||||||
2018: {"GDP_GROWTH": 2.9, "UNEMPLOYMENT": 3.8, "BASE_RATE": 1.75, "CD_RATE": 1.85, "CPI": 1.5, "LEADING_IDX": 100.8,
|
|
||||||
"GOVT_3Y": 2.10, "CORP_AA": 2.67, "CORP_BBB": 5.41, "EXCHANGE_RATE": 1100, "EXPORT": 604860, "IMPORT": 535202, "M2": 2508.9, "IPI": 178.0, "CSI": 102.0},
|
|
||||||
2019: {"GDP_GROWTH": 2.2, "UNEMPLOYMENT": 3.8, "BASE_RATE": 1.25, "CD_RATE": 1.63, "CPI": 0.4, "LEADING_IDX": 99.3,
|
|
||||||
"GOVT_3Y": 1.50, "CORP_AA": 1.93, "CORP_BBB": 4.52, "EXCHANGE_RATE": 1166, "EXPORT": 542233, "IMPORT": 503343, "M2": 2694.0, "IPI": 175.5, "CSI": 97.0},
|
|
||||||
2020: {"GDP_GROWTH": -0.7, "UNEMPLOYMENT": 4.0, "BASE_RATE": 0.50, "CD_RATE": 0.76, "CPI": 0.5, "LEADING_IDX": 97.0,
|
|
||||||
"GOVT_3Y": 0.98, "CORP_AA": 2.03, "CORP_BBB": 5.25, "EXCHANGE_RATE": 1180, "EXPORT": 512498, "IMPORT": 467633, "M2": 3070.2, "IPI": 170.0, "CSI": 90.0},
|
|
||||||
2021: {"GDP_GROWTH": 4.3, "UNEMPLOYMENT": 3.7, "BASE_RATE": 1.00, "CD_RATE": 1.09, "CPI": 2.5, "LEADING_IDX": 102.8,
|
|
||||||
"GOVT_3Y": 1.43, "CORP_AA": 2.26, "CORP_BBB": 5.64, "EXCHANGE_RATE": 1144, "EXPORT": 644400, "IMPORT": 615093, "M2": 3415.8, "IPI": 183.0, "CSI": 106.0},
|
|
||||||
2022: {"GDP_GROWTH": 2.6, "UNEMPLOYMENT": 2.9, "BASE_RATE": 3.25, "CD_RATE": 3.77, "CPI": 5.1, "LEADING_IDX": 99.2,
|
|
||||||
"GOVT_3Y": 3.14, "CORP_AA": 4.25, "CORP_BBB": 8.18, "EXCHANGE_RATE": 1292, "EXPORT": 683585, "IMPORT": 731370, "M2": 3561.0, "IPI": 186.5, "CSI": 95.0},
|
|
||||||
2023: {"GDP_GROWTH": 1.4, "UNEMPLOYMENT": 2.7, "BASE_RATE": 3.50, "CD_RATE": 3.75, "CPI": 3.6, "LEADING_IDX": 98.8,
|
|
||||||
"GOVT_3Y": 3.55, "CORP_AA": 4.40, "CORP_BBB": 8.40, "EXCHANGE_RATE": 1305, "EXPORT": 632744, "IMPORT": 642756, "M2": 3680.0, "IPI": 183.0, "CSI": 96.5},
|
|
||||||
2024: {"GDP_GROWTH": 2.2, "UNEMPLOYMENT": 2.8, "BASE_RATE": 3.00, "CD_RATE": 3.30, "CPI": 2.3, "LEADING_IDX": 99.5,
|
|
||||||
"GOVT_3Y": 3.20, "CORP_AA": 3.90, "CORP_BBB": 7.50, "EXCHANGE_RATE": 1350, "EXPORT": 660000, "IMPORT": 650000, "M2": 3800.0, "IPI": 185.0, "CSI": 98.0},
|
|
||||||
2025: {"GDP_GROWTH": 1.8, "UNEMPLOYMENT": 3.0, "BASE_RATE": 2.75, "CD_RATE": 3.00, "CPI": 1.8, "LEADING_IDX": 99.8,
|
|
||||||
"GOVT_3Y": 2.80, "CORP_AA": 3.50, "CORP_BBB": 6.80, "EXCHANGE_RATE": 1380, "EXPORT": 650000, "IMPORT": 640000, "M2": 3900.0, "IPI": 184.0, "CSI": 99.0},
|
|
||||||
}
|
|
||||||
return pd.DataFrame(data).T.rename_axis("YEAR")
|
|
||||||
|
|
||||||
|
|
||||||
def build_features(raw: pd.DataFrame) -> pd.DataFrame:
|
def build_features(raw: pd.DataFrame) -> pd.DataFrame:
|
||||||
"""변수 변환 — 금리는 DIFF만, 나머지는 허용된 변환만"""
|
"""31개 원본 → 파생변수 생성"""
|
||||||
feat = {}
|
feat = {}
|
||||||
|
|
||||||
for col in raw.columns:
|
for col in raw.columns:
|
||||||
s = raw[col].sort_index()
|
s = raw[col].sort_index()
|
||||||
|
|
||||||
if col in RATE_VARS:
|
if col in RATE_VARS:
|
||||||
# 금리: DIFF만
|
|
||||||
feat[f"{col}_DIFF"] = s.diff()
|
feat[f"{col}_DIFF"] = s.diff()
|
||||||
# 래그도 금리 레벨의 LAG은 써도 됨 (차분 아님)
|
|
||||||
feat[f"{col}_LAG1"] = s.shift(1)
|
feat[f"{col}_LAG1"] = s.shift(1)
|
||||||
elif col in ("GDP_GROWTH", "CPI"):
|
elif col in ALREADY_RATE_VARS:
|
||||||
# 이미 변화율: 원본 + LAG
|
|
||||||
feat[col] = s
|
feat[col] = s
|
||||||
feat[f"{col}_LAG1"] = s.shift(1)
|
feat[f"{col}_LAG1"] = s.shift(1)
|
||||||
elif col in ("UNEMPLOYMENT",):
|
elif col in INDEX_VARS:
|
||||||
feat[col] = s
|
feat[col] = s
|
||||||
feat[f"{col}_LAG1"] = s.shift(1)
|
|
||||||
feat[f"{col}_DIFF"] = s.diff()
|
feat[f"{col}_DIFF"] = s.diff()
|
||||||
elif col in ("LEADING_IDX", "LEADING_INDEX"):
|
|
||||||
feat[col] = s
|
|
||||||
feat[f"{col}_LAG1"] = s.shift(1)
|
feat[f"{col}_LAG1"] = s.shift(1)
|
||||||
|
elif col in AMOUNT_VARS:
|
||||||
feat[f"{col}_DIFF"] = s.diff()
|
feat[f"{col}_DIFF"] = s.diff()
|
||||||
elif col in ("EXCHANGE_RATE",):
|
feat[f"{col}_PCT"] = s.pct_change() * 100
|
||||||
|
elif col in PRICE_VARS:
|
||||||
feat[col] = s
|
feat[col] = s
|
||||||
feat[f"{col}_DIFF"] = s.diff()
|
feat[f"{col}_DIFF"] = s.diff()
|
||||||
feat[f"{col}_PCT"] = s.pct_change() * 100
|
feat[f"{col}_PCT"] = s.pct_change() * 100
|
||||||
feat[f"{col}_LAG1"] = s.shift(1)
|
feat[f"{col}_LAG1"] = s.shift(1)
|
||||||
elif col in ("EXPORT", "IMPORT"):
|
elif col == "DISHONOR_RATE":
|
||||||
feat[f"{col}_PCT"] = s.pct_change() * 100
|
|
||||||
feat[f"{col}_DIFF"] = s.diff()
|
|
||||||
elif col in ("M2",):
|
|
||||||
feat[f"{col}_PCT"] = s.pct_change() * 100
|
|
||||||
elif col in ("IPI", "CSI"):
|
|
||||||
feat[col] = s
|
feat[col] = s
|
||||||
feat[f"{col}_DIFF"] = s.diff()
|
feat[f"{col}_DIFF"] = s.diff()
|
||||||
feat[f"{col}_LAG1"] = s.shift(1)
|
feat[f"{col}_LAG1"] = s.shift(1)
|
||||||
|
elif col == "CURRENT_ACCOUNT":
|
||||||
|
feat[col] = s
|
||||||
|
feat[f"{col}_DIFF"] = s.diff()
|
||||||
|
feat[f"{col}_LAG1"] = s.shift(1)
|
||||||
|
|
||||||
# 파생 변수
|
# 파생 변수
|
||||||
if "CORP_BBB" in raw.columns and "CORP_AA" in raw.columns:
|
if "CORP_BBB" in raw.columns and "CORP_AA" in raw.columns:
|
||||||
cs = raw["CORP_BBB"] - raw["CORP_AA"]
|
cs = raw["CORP_BBB"] - raw["CORP_AA"]
|
||||||
feat["CREDIT_SPREAD"] = cs
|
feat["CREDIT_SPREAD"] = cs
|
||||||
feat["CREDIT_SPREAD_DIFF"] = cs.diff()
|
feat["CREDIT_SPREAD_DIFF"] = cs.diff()
|
||||||
feat["CREDIT_SPREAD_LAG1"] = cs.shift(1)
|
feat["CREDIT_SPREAD_LAG1"] = cs.shift(1)
|
||||||
if "GOVT_3Y" in raw.columns and "BASE_RATE" in raw.columns:
|
if "GOVT_10Y" in raw.columns and "BASE_RATE" in raw.columns:
|
||||||
ts = raw["GOVT_3Y"] - raw["BASE_RATE"]
|
ts = raw["GOVT_10Y"] - raw["BASE_RATE"]
|
||||||
feat["TERM_SPREAD"] = ts
|
feat["TERM_SPREAD"] = ts
|
||||||
feat["TERM_SPREAD_DIFF"] = ts.diff()
|
feat["TERM_SPREAD_DIFF"] = ts.diff()
|
||||||
feat["TERM_SPREAD_LAG1"] = ts.shift(1)
|
feat["TERM_SPREAD_LAG1"] = ts.shift(1)
|
||||||
if "BASE_RATE" in raw.columns and "CPI" in raw.columns:
|
if "BASE_RATE" in raw.columns and "CPI_GROWTH" in raw.columns:
|
||||||
feat["REAL_RATE"] = raw["BASE_RATE"] - raw["CPI"]
|
feat["REAL_RATE"] = raw["BASE_RATE"] - raw["CPI_GROWTH"]
|
||||||
feat["REAL_RATE_DIFF"] = feat["REAL_RATE"].diff()
|
feat["REAL_RATE_DIFF"] = feat["REAL_RATE"].diff()
|
||||||
if "EXPORT" in raw.columns and "IMPORT" in raw.columns:
|
if "EXPORT" in raw.columns and "IMPORT_AMT" in raw.columns:
|
||||||
tb = raw["EXPORT"] - raw["IMPORT"]
|
tb = raw["EXPORT"] - raw["IMPORT_AMT"]
|
||||||
feat["TRADE_BALANCE"] = tb
|
feat["TRADE_BALANCE"] = tb
|
||||||
feat["TRADE_BALANCE_DIFF"] = tb.diff()
|
feat["TRADE_BALANCE_DIFF"] = tb.diff()
|
||||||
|
|
||||||
return pd.DataFrame(feat).dropna(axis=1, thresh=15)
|
return pd.DataFrame(feat).dropna(axis=1, thresh=15)
|
||||||
|
|
||||||
|
|
||||||
@@ -201,7 +182,7 @@ def check_sign_consistency(combo_vars, coefficients):
|
|||||||
for var, coef in zip(combo_vars, coefficients):
|
for var, coef in zip(combo_vars, coefficients):
|
||||||
expected = EXPECTED_SIGNS.get(var, 0)
|
expected = EXPECTED_SIGNS.get(var, 0)
|
||||||
if expected == 0:
|
if expected == 0:
|
||||||
continue # 부호 제약 없음
|
continue
|
||||||
actual_sign = +1 if coef > 0 else -1
|
actual_sign = +1 if coef > 0 else -1
|
||||||
if actual_sign != expected:
|
if actual_sign != expected:
|
||||||
all_ok = False
|
all_ok = False
|
||||||
@@ -212,8 +193,8 @@ def check_sign_consistency(combo_vars, coefficients):
|
|||||||
|
|
||||||
def main():
|
def main():
|
||||||
print("=" * 70)
|
print("=" * 70)
|
||||||
print(" 거시변수 재분석 v2 — 금리 DIFF 전용 + 계수 부호 검증")
|
print(" 거시변수 재분석 v3 — 31변수 확장 + Zt 부호 수정")
|
||||||
print(" Zt: 2000~2025 (양수=경기악화)")
|
print(" Zt: 양수=호황(Belkin), 2000~2025")
|
||||||
print("=" * 70)
|
print("=" * 70)
|
||||||
|
|
||||||
# Zt
|
# Zt
|
||||||
@@ -225,22 +206,26 @@ def main():
|
|||||||
ttc = compute_ttc_matrix(tm)
|
ttc = compute_ttc_matrix(tm)
|
||||||
zt_full = estimate_zt_series(tm, ttc, rho=0.20)
|
zt_full = estimate_zt_series(tm, ttc, rho=0.20)
|
||||||
zt_series = pd.Series(zt_full, name="Zt")
|
zt_series = pd.Series(zt_full, name="Zt")
|
||||||
# 2000~2025만 사용
|
|
||||||
zt_series = zt_series[(zt_series.index >= 2000) & (zt_series.index <= 2025)]
|
zt_series = zt_series[(zt_series.index >= 2000) & (zt_series.index <= 2025)]
|
||||||
print(f"\n Zt: {len(zt_series)}obs ({zt_series.index.min()}~{zt_series.index.max()})")
|
print(f"\n Zt: {len(zt_series)}obs ({zt_series.index.min()}~{zt_series.index.max()})")
|
||||||
|
print(f" Zt 부호 확인: 1998={zt_full.get(1998, 'N/A'):.3f} (위기=음수 OK?)")
|
||||||
|
print(f" 2006={zt_full.get(2006, 'N/A'):.3f} (호황=양수 OK?)")
|
||||||
|
|
||||||
# 변수
|
# 31변수 로딩 (캐시)
|
||||||
raw = load_fallback()
|
from data.ecos_fetcher import load_macro_data
|
||||||
|
raw = load_macro_data(2000, 2025)
|
||||||
|
print(f"\n 원본 변수: {len(raw.columns)}개")
|
||||||
|
|
||||||
features = build_features(raw)
|
features = build_features(raw)
|
||||||
features = features[(features.index >= 2000) & (features.index <= 2025)]
|
features = features[(features.index >= 2000) & (features.index <= 2025)]
|
||||||
print(f" Features: {len(features.columns)}개")
|
print(f" 파생 포함: {len(features.columns)}개")
|
||||||
print(f" 변수 목록: {', '.join(features.columns)}")
|
print(f" 변수: {', '.join(sorted(features.columns))}")
|
||||||
|
|
||||||
# 상관분석
|
# 상관분석
|
||||||
common = sorted(set(zt_series.index) & set(features.index))
|
common = sorted(set(zt_series.index) & set(features.index))
|
||||||
zt = zt_series.loc[common]
|
zt = zt_series.loc[common]
|
||||||
|
|
||||||
print(f"\n === Top 20 상관 (|r|) ===")
|
print(f"\n === Top 30 상관 (|r|) ===")
|
||||||
corrs = []
|
corrs = []
|
||||||
for col in features.columns:
|
for col in features.columns:
|
||||||
s = features.loc[common, col].dropna()
|
s = features.loc[common, col].dropna()
|
||||||
@@ -254,18 +239,22 @@ def main():
|
|||||||
|
|
||||||
corrs = sorted(corrs, key=lambda x: x["abs_r"], reverse=True)
|
corrs = sorted(corrs, key=lambda x: x["abs_r"], reverse=True)
|
||||||
print(f" {'Variable':30s} {'r':>8} {'p':>8} {'Sign':>6} {'n':>4}")
|
print(f" {'Variable':30s} {'r':>8} {'p':>8} {'Sign':>6} {'n':>4}")
|
||||||
for c in corrs[:20]:
|
for c in corrs[:30]:
|
||||||
sig = "***" if c["p"] < 0.01 else ("**" if c["p"] < 0.05 else ("*" if c["p"] < 0.1 else ""))
|
sig = "***" if c["p"] < 0.01 else ("**" if c["p"] < 0.05 else ("*" if c["p"] < 0.1 else ""))
|
||||||
print(f" {c['var']:30s} {c['r']:>7.4f}{sig:<1} {c['p']:>7.4f} {c['sign']:>6} {c['n']:>4}")
|
print(f" {c['var']:30s} {c['r']:>7.4f}{sig:<1} {c['p']:>7.4f} {c['sign']:>6} {c['n']:>4}")
|
||||||
|
|
||||||
# 부호 OK인 변수만 후보
|
# 부호 OK인 변수만 후보
|
||||||
sign_ok_vars = [c["var"] for c in corrs if c["sign"] == "OK" and c["abs_r"] > 0.15]
|
sign_ok_vars = [c["var"] for c in corrs if c["sign"] == "OK" and c["abs_r"] > 0.15]
|
||||||
print(f"\n 부호 일관 + |r|>0.15 후보: {len(sign_ok_vars)}개")
|
print(f"\n 부호 일관 + |r|>0.15 후보: {len(sign_ok_vars)}개")
|
||||||
|
for v in sign_ok_vars:
|
||||||
|
c = next(x for x in corrs if x["var"] == v)
|
||||||
|
print(f" {v:30s} r={c['r']:+.4f}")
|
||||||
|
|
||||||
# 3변수 탐색
|
# 3변수 탐색
|
||||||
print(f"\n === 3변수 Exhaustive Search (부호 검증 포함) ===")
|
print(f"\n === 3변수 Exhaustive Search (부호 검증 포함) ===")
|
||||||
top_n = min(25, len(sign_ok_vars))
|
top_n = min(30, len(sign_ok_vars))
|
||||||
candidates = sign_ok_vars[:top_n]
|
candidates = sign_ok_vars[:top_n]
|
||||||
|
print(f" 후보 {top_n}개에서 C({top_n},3)={len(list(itertools.combinations(range(top_n), 3)))} 조합 탐색")
|
||||||
|
|
||||||
results = []
|
results = []
|
||||||
for combo in itertools.combinations(candidates, 3):
|
for combo in itertools.combinations(candidates, 3):
|
||||||
@@ -296,7 +285,6 @@ def main():
|
|||||||
except:
|
except:
|
||||||
continue
|
continue
|
||||||
|
|
||||||
# 계수 부호 검증 (표준화된 계수)
|
|
||||||
sign_ok, sign_issues = check_sign_consistency(combo_list, model.params[1:])
|
sign_ok, sign_issues = check_sign_consistency(combo_list, model.params[1:])
|
||||||
|
|
||||||
results.append({
|
results.append({
|
||||||
@@ -305,38 +293,40 @@ def main():
|
|||||||
"adj_r2": model.rsquared_adj,
|
"adj_r2": model.rsquared_adj,
|
||||||
"aic": model.aic,
|
"aic": model.aic,
|
||||||
"f_p": model.f_pvalue,
|
"f_p": model.f_pvalue,
|
||||||
|
"dw": sm.stats.durbin_watson(model.resid),
|
||||||
"sign_ok": sign_ok,
|
"sign_ok": sign_ok,
|
||||||
"sign_issues": sign_issues,
|
"sign_issues": sign_issues,
|
||||||
"pvalues": model.pvalues[1:].tolist(),
|
"pvalues": model.pvalues[1:].tolist(),
|
||||||
"coeffs": model.params[1:].tolist(),
|
"coeffs": model.params[1:].tolist(),
|
||||||
})
|
})
|
||||||
|
|
||||||
# adj R² 기준 정렬 (부호 일관 우선)
|
|
||||||
results.sort(key=lambda x: (-x["sign_ok"], -x["adj_r2"]))
|
results.sort(key=lambda x: (-x["sign_ok"], -x["adj_r2"]))
|
||||||
print(f"\n 검색: {len(results)} 조합")
|
print(f"\n 검색: {len(results)} 유효 조합 (공선성 제거 후)")
|
||||||
|
|
||||||
print(f"\n === Top 10 (부호 일관 + adj.R² 기준) ===")
|
print(f"\n === Top 10 (부호 일관 + adj.R² 기준) ===")
|
||||||
print(f" {'#':>3} {'R2':>7} {'adjR2':>7} {'AIC':>7} {'Sign':>5} | {'Variables (coefficient)'}")
|
print(f" {'#':>3} {'R2':>7} {'adjR2':>7} {'AIC':>7} {'DW':>5} {'Sign':>5} | {'Variables (coefficient)'}")
|
||||||
for i, res in enumerate(results[:10]):
|
for i, res in enumerate(results[:10]):
|
||||||
vars_info = " + ".join([
|
vars_info = " + ".join([
|
||||||
f"{v}({c:+.3f})" for v, c in zip(res["vars"], res["coeffs"])
|
f"{v}({c:+.3f})" for v, c in zip(res["vars"], res["coeffs"])
|
||||||
])
|
])
|
||||||
sign_mark = "OK" if res["sign_ok"] else "FAIL"
|
sign_mark = "OK" if res["sign_ok"] else "FAIL"
|
||||||
print(f" {i+1:>3} {res['r2']:>6.4f} {res['adj_r2']:>6.4f} {res['aic']:>6.1f} {sign_mark:>5} | {vars_info}")
|
print(f" {i+1:>3} {res['r2']:>6.4f} {res['adj_r2']:>6.4f} {res['aic']:>6.1f} {res['dw']:>5.2f} {sign_mark:>5} | {vars_info}")
|
||||||
if res["sign_issues"]:
|
if res["sign_issues"]:
|
||||||
for issue in res["sign_issues"]:
|
for issue in res["sign_issues"]:
|
||||||
print(f" SIGN: {issue}")
|
print(f" SIGN: {issue}")
|
||||||
|
|
||||||
# 최적 모형 상세 (부호 OK 중 1위)
|
# 최적 모형 상세
|
||||||
best_sign_ok = [r for r in results if r["sign_ok"]]
|
best_sign_ok = [r for r in results if r["sign_ok"]]
|
||||||
if best_sign_ok:
|
if best_sign_ok:
|
||||||
best = best_sign_ok[0]
|
best = best_sign_ok[0]
|
||||||
print(f"\n === 최적 모형 (부호 일관) ===")
|
print(f"\n {'='*60}")
|
||||||
|
print(f" 최적 모형 (부호 일관)")
|
||||||
|
print(f" {'='*60}")
|
||||||
print(f" Variables: {best['vars']}")
|
print(f" Variables: {best['vars']}")
|
||||||
print(f" R² = {best['r2']:.4f}, Adj.R² = {best['adj_r2']:.4f}")
|
print(f" R² = {best['r2']:.4f}, Adj.R² = {best['adj_r2']:.4f}")
|
||||||
print(f" AIC = {best['aic']:.2f}, F p-value = {best['f_p']:.6f}")
|
print(f" AIC = {best['aic']:.2f}, DW = {best['dw']:.3f}")
|
||||||
|
print(f" F p-value = {best['f_p']:.6f}")
|
||||||
|
|
||||||
# 상세 OLS
|
|
||||||
X_df = features.loc[common, best["vars"]].dropna()
|
X_df = features.loc[common, best["vars"]].dropna()
|
||||||
valid_idx = X_df.index.intersection(zt.index)
|
valid_idx = X_df.index.intersection(zt.index)
|
||||||
y = zt.loc[valid_idx].values
|
y = zt.loc[valid_idx].values
|
||||||
@@ -347,19 +337,25 @@ def main():
|
|||||||
model = sm.OLS(y, sm.add_constant(Xn)).fit()
|
model = sm.OLS(y, sm.add_constant(Xn)).fit()
|
||||||
print(f"\n{model.summary()}")
|
print(f"\n{model.summary()}")
|
||||||
|
|
||||||
# 전체 상위 목록에서 부호 FAIL도 보여주기
|
# R² > 0.7 필터
|
||||||
all_top = results[:10]
|
high_r2 = [r for r in results if r["sign_ok"] and r["r2"] >= 0.7]
|
||||||
best_any = all_top[0] if all_top else None
|
if high_r2:
|
||||||
if best_any and not best_any["sign_ok"]:
|
print(f"\n === R² ≥ 0.7 조합 ({len(high_r2)}개) ===")
|
||||||
print(f"\n [참고] 부호 무시 시 최고 R²={best_any['r2']:.4f}: {best_any['vars']}")
|
for i, r in enumerate(high_r2[:10]):
|
||||||
|
vi = " + ".join([f"{v}({c:+.3f})" for v, c in zip(r["vars"], r["coeffs"])])
|
||||||
|
print(f" {i+1:>3} R²={r['r2']:.4f} adjR²={r['adj_r2']:.4f} DW={r['dw']:.2f} | {vi}")
|
||||||
|
else:
|
||||||
|
print(f"\n R² ≥ 0.7 조합: 없음 (top adj.R² = {best_sign_ok[0]['adj_r2']:.4f})")
|
||||||
|
|
||||||
# CSV 저장
|
# CSV 저장
|
||||||
out = BASE_DIR / "results"
|
out = BASE_DIR / "results"
|
||||||
out.mkdir(exist_ok=True)
|
out.mkdir(exist_ok=True)
|
||||||
pd.DataFrame([{
|
pd.DataFrame([{
|
||||||
"rank": i+1, "vars": " + ".join(r["vars"]),
|
"rank": i+1, "vars": " + ".join(r["vars"]),
|
||||||
"r2": r["r2"], "adj_r2": r["adj_r2"], "aic": r["aic"],
|
"r2": round(r["r2"], 4), "adj_r2": round(r["adj_r2"], 4),
|
||||||
|
"aic": round(r["aic"], 2), "dw": round(r["dw"], 3),
|
||||||
"sign_ok": r["sign_ok"],
|
"sign_ok": r["sign_ok"],
|
||||||
|
"coeffs": " / ".join([f"{c:+.3f}" for c in r["coeffs"]]),
|
||||||
} for i, r in enumerate(results[:30])]).to_csv(
|
} for i, r in enumerate(results[:30])]).to_csv(
|
||||||
out / "macro_top30_combos.csv", index=False
|
out / "macro_top30_combos.csv", index=False
|
||||||
)
|
)
|
||||||
|
|||||||
Reference in New Issue
Block a user