DSGE 및 머신러닝을 활용한 프랑스 공공 부채 예측

초록 공공 부채 예측은 효과적인 정책 수립과 경제 안정성을 위해 필수적이나, 전통적인 접근법은 데이터 부족 문제로 어려움을 겪고 있습니다. 머신러닝(ML)이 금융 예측에서 성공을 거둔 반면, 역사적 시계열이 짧고 저빈도(예: 분기/연간) 데이터 이용 가능성 제한으로 거시경제 예측에는 아직 충분히 활용되지 못했습니다. 본 연구는 프랑스 공공 부채의 변화를 중심으로 한계점을 극복하기 위해 DSGE(동태 확률 일반균형) 모델링과 ML 기법을 통합한 새로운 하이브리드 프레임워크를 제안합니다. 먼저 프랑스의 추정된 DSGE 모델을 통해 대규모 인공 거시경제 데이터를 생성하여 ML 알고리즘 훈련을 효율화했습니다. 이후 훈련된 모델을 실제 역사적 데이터에 적용하여 부채 방향성 예측을 실시했습니다. 결과는 XGBoost 모델이 90% 정확도를 달성하며, 벤치마크로 사용한 엘라스틱 넷(elastic net) 모델을 능가함을 보여줍니다. 본 연구 결과는 구조적 경제 모델과 데이터 기반 기법의 결합이 거시경제 예측 능력을 향상시킬 수 있음을 시사합니다.