feat(model): KAP YTM PD floor integration, expanded 226-var search, ADF fix (AIC->BIC), Model#2 with 6-test diagnostics
- Replace hardcoded DEFAULT_PD_FLOORS with build_complete_pd_floor_table() (KAP bond YTM) - Fix ADF test: autolag='AIC' -> 'BIC' for small sample (N=26) robustness - Expand variable search: 40 -> 226 vars (log/diff/return/lag2), 1.9M combos - Select Model #2: HOUSING_PRICE + CREDIT_SPREAD_LAG1 + CURRENT_ACCOUNT_R - Add 6-test diagnostics table to AR1 sheet (ADF/LB/DW/BP/ARCH/Shapiro) - Add Korean variable names for transformed variables - Generate report v7 with full diagnostics
This commit is contained in:
Variet Agent
@@ -1,17 +1,16 @@
|
||||
"""
|
||||
거시경제 변수 ↔ Zt 연계 통계모형
|
||||
거시경제 변수 ↔ Zt 연계 AR(1) + Macro 모형
|
||||
|
||||
Zt(신용사이클 인덱스)를 거시경제변수로 설명하는 회귀모형을 구축하고,
|
||||
미래 거시 시나리오에 따른 Zt 전망을 생성합니다.
|
||||
Zt(신용사이클 인덱스)를 거시경제변수와 자기회귀 항으로 설명하는 모형.
|
||||
|
||||
모형:
|
||||
Z_t = β₀ + β₁·GDP_growth + β₂·Unemployment + β₃·Base_Rate
|
||||
+ β₄·CD_Rate + β₅·CPI_growth + β₆·Leading_Index + ε_t
|
||||
AR(1) + Macro 모형:
|
||||
Z(t) = c + phi*Z(t-1) + beta1*X1(t) + beta2*X2(t) + beta3*X3(t) + eps(t)
|
||||
|
||||
방법론 참고:
|
||||
- IMF (2021). "IFRS 9 and CECL Compatible Estimation for Top-Down Solvency Stress Testing"
|
||||
- ECB (2019). "Scenario Design for IFRS 9 Expected Credit Loss Estimation"
|
||||
- Fed (2022). "Dodd-Frank Act Stress Test Methodology"
|
||||
- Moody's Analytics: Z-score macro regression scenario forecast
|
||||
- Zanders Group: Vasicek Z macro regression PiT transition matrix
|
||||
- EBA/ECB: Forward-looking macro overlay on Z-index
|
||||
- IFRS 9 B5.5.42-44
|
||||
"""
|
||||
|
||||
import numpy as np
|
||||
@@ -45,7 +44,15 @@ class MacroZtModel:
|
||||
self.model = None
|
||||
self.result = None
|
||||
self.selected_vars = None
|
||||
self.scaler_params = {} # 정규화 파라미터
|
||||
self.scaler_params = {}
|
||||
# AR(1) attributes
|
||||
self.ar1_phi = None
|
||||
self.ar1_const = None
|
||||
self.ar1_beta = None
|
||||
self.ar1_sigma_eps = None
|
||||
self.ar1_macro_stats = {}
|
||||
self.is_ar1 = False
|
||||
self._ar1_var_names = None
|
||||
|
||||
def fit(
|
||||
self,
|
||||
@@ -253,16 +260,23 @@ class MacroZtModel:
|
||||
try:
|
||||
X = self.result.model.exog
|
||||
vif_values = {}
|
||||
var_names = ["const"] + self.selected_vars
|
||||
for i in range(X.shape[1]):
|
||||
if self.is_ar1 and self._ar1_var_names:
|
||||
var_names = self._ar1_var_names
|
||||
else:
|
||||
var_names = ["const"] + self.selected_vars
|
||||
for i in range(min(X.shape[1], len(var_names))):
|
||||
vif_values[var_names[i]] = variance_inflation_factor(X, i)
|
||||
diag["vif"] = vif_values
|
||||
except Exception:
|
||||
diag["vif"] = {}
|
||||
|
||||
# 계수 요약
|
||||
if self.is_ar1 and self._ar1_var_names:
|
||||
coef_names = self._ar1_var_names
|
||||
else:
|
||||
coef_names = ["const"] + self.selected_vars
|
||||
coef_df = pd.DataFrame({
|
||||
"변수": ["const"] + self.selected_vars,
|
||||
"변수": coef_names,
|
||||
"계수": self.result.params,
|
||||
"표준오차": self.result.bse,
|
||||
"t값": self.result.tvalues,
|
||||
@@ -283,36 +297,201 @@ class MacroZtModel:
|
||||
if self.result is None:
|
||||
return np.array([])
|
||||
return self.result.resid
|
||||
|
||||
# ================================================================
|
||||
# AR(1) + Macro 모형
|
||||
# ================================================================
|
||||
|
||||
def fit_ar1(
|
||||
self,
|
||||
zt_series: pd.Series,
|
||||
macro_data: pd.DataFrame,
|
||||
forced_vars: Optional[List[str]] = None
|
||||
) -> "MacroZtModel":
|
||||
"""
|
||||
AR(1) + Macro 모형 적합
|
||||
|
||||
Z(t) = c + phi*Z(t-1) + beta1*X1(t) + beta2*X2(t) + beta3*X3(t) + eps(t)
|
||||
|
||||
Z(t-1)을 설명변수에 포함하여 OLS로 추정합니다.
|
||||
|
||||
Parameters
|
||||
----------
|
||||
zt_series : pd.Series
|
||||
index=연도, values=Zt 추정값
|
||||
macro_data : pd.DataFrame
|
||||
index=연도, columns=거시변수
|
||||
forced_vars : List[str], optional
|
||||
강제 지정 거시변수
|
||||
"""
|
||||
self.is_ar1 = True
|
||||
|
||||
# 인덱스 정렬 및 교집합
|
||||
common_years = sorted(set(zt_series.index) & set(macro_data.index))
|
||||
if len(common_years) < 5:
|
||||
raise ValueError(f"공통 데이터 포인트가 부족합니다: {len(common_years)}개")
|
||||
|
||||
# AR(1) 구성: Z(t)와 Z(t-1) 쌍
|
||||
zt_full = zt_series.loc[common_years].sort_index()
|
||||
years = list(zt_full.index)
|
||||
|
||||
# t-1이 필요하므로 첫 해 제외
|
||||
y_years = years[1:]
|
||||
|
||||
y = zt_full.loc[y_years].values.astype(float)
|
||||
z_lag = zt_full.loc[years[:-1]].values.astype(float)
|
||||
|
||||
# 거시변수
|
||||
X_macro = macro_data.loc[y_years].copy()
|
||||
X_macro = X_macro.ffill().bfill().dropna(axis=1)
|
||||
|
||||
# 변수 선택
|
||||
if forced_vars:
|
||||
available = [v for v in forced_vars if v in X_macro.columns]
|
||||
if len(available) != len(forced_vars):
|
||||
missing = set(forced_vars) - set(available)
|
||||
logger.warning(f"AR(1) 강제 지정 변수 중 누락: {missing}")
|
||||
self.selected_vars = available
|
||||
else:
|
||||
self.selected_vars = list(X_macro.columns)
|
||||
|
||||
# 거시변수 표본 통계 저장 (시나리오 충격용)
|
||||
for col in self.selected_vars:
|
||||
col_data = macro_data[col].dropna()
|
||||
self.ar1_macro_stats[col] = {
|
||||
"mean": float(col_data.mean()),
|
||||
"std": float(col_data.std()),
|
||||
"last": float(col_data.iloc[-1]) if len(col_data) > 0 else 0.0
|
||||
}
|
||||
|
||||
# 거시변수 표준화 (mean=0, std=1)
|
||||
# → β가 "1σ 충격의 Z 영향"으로 직접 해석됨
|
||||
# → 절편 c가 장기 평균 Z 수준을 결정
|
||||
X_std = X_macro[self.selected_vars].copy()
|
||||
for col in self.selected_vars:
|
||||
mean = self.ar1_macro_stats[col]["mean"]
|
||||
std = self.ar1_macro_stats[col]["std"]
|
||||
if std > 0:
|
||||
X_std[col] = (X_std[col] - mean) / std
|
||||
else:
|
||||
X_std[col] = 0.0
|
||||
|
||||
# 설계행렬: [const, Z(t-1), X1_std(t), X2_std(t), X3_std(t)]
|
||||
X_design = np.column_stack([
|
||||
z_lag,
|
||||
X_std.values
|
||||
])
|
||||
X_with_const = sm.add_constant(X_design)
|
||||
|
||||
# OLS 적합
|
||||
self.model = sm.OLS(y, X_with_const)
|
||||
self.result = self.model.fit()
|
||||
|
||||
# AR(1) 파라미터 추출
|
||||
# params: [const, phi, beta1, beta2, ...]
|
||||
params = self.result.params
|
||||
self.ar1_const = params[0]
|
||||
self.ar1_phi = params[1]
|
||||
self.ar1_beta = {}
|
||||
for i, col in enumerate(self.selected_vars):
|
||||
self.ar1_beta[col] = params[2 + i]
|
||||
self.ar1_sigma_eps = float(np.std(self.result.resid))
|
||||
|
||||
# 변수명 저장 (진단용)
|
||||
self._ar1_var_names = ["const", "Z_lag1"] + self.selected_vars
|
||||
|
||||
# 정상성 체크
|
||||
if abs(self.ar1_phi) > 0 and abs(self.ar1_phi) < 1:
|
||||
half_life = np.log(2) / abs(np.log(abs(self.ar1_phi)))
|
||||
else:
|
||||
half_life = np.inf
|
||||
|
||||
logger.info(f"AR(1)+Macro 적합 완료:")
|
||||
logger.info(f" phi = {self.ar1_phi:.4f} (반감기 = {half_life:.1f}년)")
|
||||
logger.info(f" c = {self.ar1_const:.4f}")
|
||||
for col, beta in self.ar1_beta.items():
|
||||
logger.info(f" beta({col}) = {beta:+.6f}")
|
||||
logger.info(f" R2 = {self.result.rsquared:.4f}, "
|
||||
f"Adj.R2 = {self.result.rsquared_adj:.4f}")
|
||||
|
||||
if abs(self.ar1_phi) >= 1.0:
|
||||
logger.warning(f" phi={self.ar1_phi:.4f} >= 1.0 -> non-stationary!")
|
||||
|
||||
return self
|
||||
|
||||
def forecast_z_path(
|
||||
self,
|
||||
z_last: float,
|
||||
macro_shocks: Dict[str, float],
|
||||
horizon: int = 50
|
||||
) -> np.ndarray:
|
||||
"""
|
||||
AR(1) 모형으로 미래 Z 경로 생성
|
||||
|
||||
t=1: Z = c + phi*Z(t0) + sum(beta_i * shock_i * sigma_i)
|
||||
t>=2: Z = c + phi*Z(t-1) (거시 충격 없음, AR 감쇠만)
|
||||
|
||||
Parameters
|
||||
----------
|
||||
z_last : float
|
||||
마지막 관측 Z(t0)
|
||||
macro_shocks : Dict[str, float]
|
||||
변수별 충격 (sigma 배수)
|
||||
예: {"USDKRW": +1.5, "RETAIL_SALES": -1.5}
|
||||
horizon : int
|
||||
예측 기간 (년)
|
||||
|
||||
Returns
|
||||
-------
|
||||
np.ndarray : [Z(t0+1), ..., Z(t0+horizon)]
|
||||
"""
|
||||
if not self.is_ar1:
|
||||
raise ValueError("AR(1) 모형이 적합되지 않았습니다.")
|
||||
|
||||
z_path = np.zeros(horizon)
|
||||
z_prev = z_last
|
||||
|
||||
for t in range(horizon):
|
||||
z_next = self.ar1_const + self.ar1_phi * z_prev
|
||||
|
||||
# t=0 (첫 해)만 거시 충격 적용
|
||||
# β는 표준화된 변수 기준이므로 shock_sigma가 곧 β의 배수
|
||||
if t == 0:
|
||||
for var, shock_sigma in macro_shocks.items():
|
||||
if var in self.ar1_beta:
|
||||
beta = self.ar1_beta[var]
|
||||
z_next += beta * shock_sigma
|
||||
|
||||
z_path[t] = z_next
|
||||
z_prev = z_next
|
||||
|
||||
return z_path
|
||||
|
||||
|
||||
def build_macro_zt_model(
|
||||
zt_dict: Dict[int, float],
|
||||
macro_df: pd.DataFrame,
|
||||
method: str = "stepwise_aic",
|
||||
method: str = "ar1_macro",
|
||||
forced_vars: Optional[List[str]] = None
|
||||
) -> MacroZtModel:
|
||||
"""
|
||||
편의 함수: Zt 딕셔너리 + 거시 DataFrame → 회귀모형 구축
|
||||
편의 함수: Zt + 거시 DataFrame -> 회귀모형 구축
|
||||
|
||||
Parameters
|
||||
----------
|
||||
zt_dict : Dict[int, float]
|
||||
{연도: Zt값}
|
||||
macro_df : pd.DataFrame
|
||||
index=연도, columns=거시변수
|
||||
method : str
|
||||
변수 선택 방법
|
||||
forced_vars : List[str], optional
|
||||
강제 지정 변수 (지정 시 method 무시)
|
||||
|
||||
Returns
|
||||
-------
|
||||
MacroZtModel : 적합된 모형
|
||||
zt_dict : {연도: Zt값}
|
||||
macro_df : index=연도, columns=거시변수
|
||||
method : "ar1_macro" (기본) | "stepwise_aic" | "all"
|
||||
forced_vars : 강제 지정 변수
|
||||
"""
|
||||
zt_series = pd.Series(zt_dict, name="Zt")
|
||||
zt_series.index.name = "YEAR"
|
||||
|
||||
model = MacroZtModel()
|
||||
model.fit(zt_series, macro_df, method=method, forced_vars=forced_vars)
|
||||
|
||||
if method == "ar1_macro":
|
||||
model.fit_ar1(zt_series, macro_df, forced_vars=forced_vars)
|
||||
else:
|
||||
model.fit(zt_series, macro_df, method=method, forced_vars=forced_vars)
|
||||
|
||||
return model
|
||||
|
||||
Reference in New Issue
Block a user