이 연구는 2020년부터 2024년까지 금리 충격기 동안 한국 가구의 금융 구조가 어떻게 이동했는지 분석한 IRFA 투고 논문입니다. 저는 공동 1저자로 데이터 정제, 형식 분석, 소프트웨어 구현, 검증, 시각화에 참여했고, 현재는 minor revision 단계에 있습니다.
연구 질문
금리가 오르면 가구 재무 구조가 변합니다. 하지만 평균 부채나 평균 자산만 보면 어떤 가구가 어떤 구조로 이동했는지 잘 보이지 않습니다. 그래서 이 연구는 가구를 정적인 유형으로만 나누지 않고, 여러 해에 걸쳐 어떤 군집에서 어떤 군집으로 이동하는지 보려 했습니다. 금융 구조를 다차원적으로 표현하고, transition을 분석하는 것이 핵심 질문이 됐습니다.
저는 이 프로젝트에서 "가구는 한 번 분류되면 끝나는가"라는 질문을 중요하게 봤습니다. 같은 가구도 금리 환경이 바뀌면 자산 구성, 부채 부담, 위험 노출이 달라질 수 있습니다. 그래서 단면의 군집보다 시간에 따른 이동이 연구의 핵심이 됐습니다.
데이터와 방법
분석에는 한국 가계금융복지조사 5개년 종단 마이크로데이터를 사용했습니다. 3,095가구, 15,475가구-연도 관측치, 12,380개의 전이를 다뤘고, 약 157개 변수를 정리했습니다. 변수 공학, 결측 처리, compositional data 처리, Gower distance, UMAP, K-Medoids, transition matrix, XGBoost, SHAP, Ledoit-Wolf covariance 같은 방법을 연결했습니다.
방법이 많은 이유는 예측 하나가 아니라 구조, 이동, 설명을 함께 보기 위해서였습니다. Gower distance와 UMAP, K-Medoids는 다양한 변수 유형을 가진 가구 금융 구조를 묶는 데 쓰였고, transition matrix는 시간이 지나며 어떤 이동이 일어나는지 보는 데 필요했습니다. XGBoost와 SHAP은 군집과 이동을 설명하는 변수의 역할을 확인하기 위한 층이었습니다.
제가 맡은 역할
제 기여는 데이터를 분석 가능한 형태로 만들고, 군집과 전이, 설명 모델이 같은 연구 질문을 향하도록 구현하고 검증하는 데 있었습니다. 특히 가구 금융 데이터는 변수 스케일과 결측, 비율형 변수 처리가 결과에 큰 영향을 줍니다. 그래서 저는 단순히 모델을 돌리는 것보다 전처리와 검증을 반복하는 시간이 길었습니다.
시각화도 결과를 장식하기 위한 것이 아니라, 가구 유형의 이동을 연구자가 읽을 수 있게 만드는 도구로 다뤘습니다. 군집이 어떻게 다르고, 어떤 전이가 두드러지는지, 설명 모델이 어떤 변수를 중요하게 보는지 한 흐름으로 보여 줘야 했습니다. 저는 코드와 그림, 검증 결과가 같은 이야기를 하도록 맞추는 데 많은 시간을 썼습니다.
현재 상태와 공개 범위
논문은 현재 minor revision 단계라 세부 결과와 리뷰 대응 내용은 공개 범위 밖에 둡니다. 대신 이 페이지에서는 연구의 문제의식, 데이터 규모, 방법론, 제가 맡은 기여를 공개 가능한 수준에서 설명합니다. 이 작업을 통해 저는 금융 데이터를 단면 비교가 아니라 시간에 따른 구조 변화로 읽는 법을 배웠습니다. 심사가 마무리되면 공개 가능한 결과와 해석을 더 정확히 보강할 예정입니다.
