환율은 각국의 실질적인 화폐 가치로서 유기적으로 연결된 국내외 상황에 따라 탄력적으로 변동하며 각 나라의 수출입은 물론 내수 경제에 많은 영향을 끼친다. 최근 미·중 갈등을 비롯한 베트남의 경제 상황 악화는 우리나라 수출 기업의 큰 침체를 야기하며 원화 가치 하락세와 함께 한국 경제의 잇따른 악재로 이어지고 있다. 이에 따라 본 연구에서는 다변량 환율 예측 연구에서 가장 높은 성능을 보인 Transformer-MAF를 기반으로 우리나라 주요 수출 8개국의 원화 환율 추이를 예측해냄으로써 실질적인 환위험 관리에 도움이 되고자 하였다. 그러나 기존의 Transformer-MAF는 하나의 선형층으로 이루어진 임베딩 모듈을 통하여 전체적인 맥락 정보만을 모델에 전달할 뿐 나라별 급상승 내지 급하강 변동 추이를 예측하는 데에 주요한 맥락 정보를 강조하지 못하고 있었다. 따라서 우리는 기존의 Transformer-MAF에 Dilated Temporal Dependency Embedding 모듈을 제안함으로써 인접 시점의 다양한 종속관계를 바탕으로 효과적인 다변량 장기 예측이 이루어지도록 하였다. 제안한 임베딩 모듈은 각 나라의 포괄적인 맥락 정보를 추출할 수 있는 고차원의 선형 투영층과 이에 관하여 순전파마다 새로운 인접 시점의 맥락 정보를 다양하게 전달하는 연속된 무작위 마스킹 및 확장된 합성곱 신경망 블록으로 구성되어 있다. 실험 결과, 제안 모델 Dilated Temporal Dependency centered Transformer-MAF (DTD Transformer-MAF)은 가장 적은 표준편차를 보이며 모든 비교 모델을 모두 뛰어넘는 0.75987 CRPSsum (± 0.00202)를 기록하며 적은 연산량 증가만으로도 효율적인 다변량 환율 예측이 가능함을 보여주었다. Ablation study에 따르면 전체 성능 향상에 가장 크게 기여한 요소는 무작위의 연속된 3개의 마스킹이었으며 이를 통해 다양한 맥락 관계를 생성하여 보다 많은 시점 정보를 전달해주는 것이 모델의 환율 변동성 추론 향상에 주요함을 실험적으로 확인하였다.
The exchange rate fluctuates elastically depending on the domestic and international conditions and has a great impact on the domestic economy as well as the export and import of each country. Recently, the deterioration of Vietnam's economic situation, including the US-China conflict, has caused a major downturn in Korean exporters along with the depreciation of the Korean Won. Therefore, this study aims to help manage their exchange rate risks by predicting the trends of the exchange rates of 8 major exporting countries based on Transformer-MAF, which has shown the highest performance in multivariate exchange rate prediction studies. However, the Transformer-MAF only conveys overall contextual information to the model through an single linear embedding module, and fails to emphasize the contextual information important for predicting the fluctuation trend of each country. Therefore, we proposed a Dilated Temporal Dependency Embedding module to the Transformer-MAF to enable effective multivariate long-term prediction based on various dependency relationships at adjacent time points. The proposed embedding module consists of a high-dimensional linear projection layer that can extract comprehensive contextual information of each country, and successive randomized masking and dilated conv blocks that deliver the various contextual information from different neighboring time points in each forward propagation. Experimental results show that the proposed model has the smallest standard deviation and outperforms all comparison models with a 0.75987 CRPSsum (±0.00202), provinging that effective multivariate exchange rate forecasting is possible with only a small increase in computation.