Data-driven Agricultural Market Prediction

Abstract

In the information age, many economic problems have been solved using accumulated data from information systems. This study tries to relieve two controversial issues in market prediction using such data. First, the controversies often exist over the theoretical model, Rational Expectation Hypothesis (REH) model, and the empirical model, the time-series model. REH has been questioned for its overly restrictive assumptions and its poor forecasting performance. Second, this study tries to verify their better predictive power of machine-learning method over time-series method in the case with the agent-level data. The machine-learning methods in this study adopt disaggregated farm-level data to improve flexibility, which has not been attempted in previous studies. They are compared with the conventional time-series methods. Consequently, the explanatory and predictive power of the REH model was found to be worse than the model with farm-level data. Also, the time-series model dominates the REH model in supply forecasting, which is consistent with previous studies. Furthermore, machine-learning methods using disaggregated data performed better than the time-series models, when forecasting the far future.

기술의 발전과 더불어 개개인의 의사결정이 데이터로 축적되면서 이러한 데이터를 활용하여 과거에는 풀지 못하였던 다양한 문제들을 검증할 수 있게 되었다. 본 연구는 시장예측과 관련된 선행 연구에 있어서 두 개의 주요한 연구 질문에 대한 답을 구하고자 한다. 첫 번째 주요한 문제는 합리적 기대가설이 이론적으로는 널리 활용되어 왔지만 너무 강한 가정을 가지고 있기 때문에 실제 경제 예측을 잘못한다는 점이다. 본 연구에서 합리적 기대 가설을 활용한 모델과 개개인의 의사결정을 합한 데이터를 활용한 모델을 비교해보니 정보 시스템 데이터를 활용한 모델이 더 뛰어난 설명력과 예측력을 가지는 것을 확인 할 수 있었다. 두 번째로 주요한 질문은 개개인의 의사결정을 담는 데이터를 활용하여 시장 예측을 할 때 가장 유용한 방법론이 어떤 것인가에 대한 질문이다. 과거에 시장 가격과 시장 공급량과 같이 합해진 데이터를 사용할 때는 시계열 방법론이 예측을 잘 한다는 결과가 있었다. 그러나 시장 단위가 아닌 개인 단위의 데이터는 더욱 복잡하고 비선형적인 관계가 나타날 수 있기 때문에 본 연구에서는 머신러닝 방법을 활용하여 시계열 방법과 비교해 보았다. 그 결과 단기적으로는 시계열 방법이 장기적으로는 머신러닝 방법이 우세하다는 결과를 얻을 수 있었다.