{ "cells": [ { "cell_type": "markdown", "id": "87149e6d", "metadata": {}, "source": [ "# 01 데이터 입수 — 산업 패널·외생 6종·유가 원천\n", "\n", "**목적.** 외생 6종 진단에 필요한 동결 입력을 불러오고, 파일이 온전한지와 입력 사이의 변환 관계가 맞는지 확인한다.\n", "\n", "| 입력(`data/inputs/`) | 내용 | 출처 | 공개 |\n", "|---|---|---|---|\n", "| `levels_agg.csv` | 총량 모형 패널: 실질 GDP(계절조정, 십억원) 1980Q1–2025Q4 | 보고서1 2장 산출물(ECOS) | 공개 |\n", "| `levels_sa.csv`, `levels_62.csv`, `levels_69.csv` | 36·62·69분류 분기 실질부가가치(십억원) | 보고서1 2장 산출물(ECOS·KOSIS·산업연관표) | 공개 |\n", "| `io_linkage_W.csv`, `io_linkage_62.csv`, `io_linkage_69.csv` | 산업연관 강도 행렬(IO 사전) | 보고서1 2장 산출물(한국은행 산업연관표) | 공개 |\n", "| `exog_scenarios_v2.csv` | 외생 6종 수준값, S1–S5, 2000Q1–2035Q4 | 보고서1 3장 산출물(BOKDPM 평활·전망 + 시나리오 편차) | 공개 |\n", "| `exog_hist_v2.csv`, `exog_scen_v2.csv` | 위 수준값을 VARX 투입 형태(수준·차분·로그차분)로 바꾼 과거값·시나리오 경로 | 보고서1 3장 산출물 | 공개 |\n", "| `dsge_exog_paths.csv` | 시나리오 외생 충격 경로(`oil_g` 등) | 보고서1 3장 산출물 | 공개 |\n", "| `bokdpm_obs_2000_2025.csv` | BOKDPM 관측자료 20종(`LOIL_us` 포함) | ECOS·FRED 수집본 | 공개 |\n", "| `fred_POILWTIUSDM.csv`, `fred_POILDUBUSDM.csv` | WTI·두바이유 월별 가격(달러/배럴), 1992-01–2026-07 | FRED(IMF 국제상품가격) | 공개 |\n", "| `varx_coef_frozen.npz` | 원 파이프라인으로 추정한 VARX 계수 4종(총량·36·62·69) | 본 연구 모형 산출물 | 공개 |\n", "| `postreform/exog_hist_v2.csv`, `postreform/exog_scen_v2.csv` | 2026-10 정비판 외생 6종(실질금리 1차 차분)의 과거값·시나리오 경로 | 보고서1 3장 정비판 산출물(5장 패키지 입력과 같은 파일) | 공개 |\n", "\n", "출처와 원래 위치는 `data/inputs/PROVENANCE.md`에 정리하였다. 공표 SHAP 값(`data/published/shap_*.json`)은 03의 검증 기준이다.\n", "`data/published/jeongbi/`의 5장 기록 사본(62분류 정비판 분해 `shap_62_s5.csv`, 드리프트 재설정 `drift_anchor_s5.csv`)은 02 10절의 대조 기준이다.\n", "\n", "**산출물.** `data/interim/input_inventory.csv`, `data/interim/oil_quarterly_100ln.csv`, (ONLINE=1) `data/interim/fred_*_online.csv`" ] }, { "cell_type": "code", "execution_count": 1, "id": "2b07969a", "metadata": { "execution": { "iopub.execute_input": "2026-10-08T08:04:33.851433Z", "iopub.status.busy": "2026-10-08T08:04:33.850934Z", "iopub.status.idle": "2026-10-08T08:04:34.222953Z", "shell.execute_reply": "2026-10-08T08:04:34.222453Z" } }, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "Python 3.12.10 · pandas 2.2.3 · numpy 2.4.6\n", " ONLINE=0 (FRED 유가 재수집) FULL=0 (확장 점검) FRED 키 없음(공개 CSV 사용)\n", " 외생 과거(정상형) 있음 data\\inputs\\exog_hist_v2.csv\n", " 외생 시나리오(정상형) 있음 data\\inputs\\exog_scen_v2.csv\n", " 외생 수준 있음 data\\inputs\\exog_scenarios_v2.csv\n", " 시나리오 충격 있음 data\\inputs\\dsge_exog_paths.csv\n", " BOKDPM 관측 있음 data\\inputs\\bokdpm_obs_2000_2025.csv\n", " FRED WTI 있음 data\\inputs\\fred_POILWTIUSDM.csv\n", " FRED 두바이 있음 data\\inputs\\fred_POILDUBUSDM.csv\n", " 동결 계수 있음 data\\inputs\\varx_coef_frozen.npz\n", " 패널 총량 있음 data\\inputs\\levels_agg.csv\n", " 패널 36 있음 data\\inputs\\levels_sa.csv\n", " 패널 62 있음 data\\inputs\\levels_62.csv\n", " 패널 69 있음 data\\inputs\\levels_69.csv\n" ] } ], "source": [ "import os, json\n", "import config as C # BLAS 스레드 설정이 적용되도록 numpy보다 먼저 불러온다\n", "import numpy as np, pandas as pd\n", "import exog_diagnosis as F\n", "pd.set_option(\"display.float_format\", lambda v: f\"{v:,.3f}\")\n", "pd.set_option(\"display.width\", 200)\n", "C.setup()" ] }, { "cell_type": "markdown", "id": "12f9cba9", "metadata": {}, "source": [ "## 1. 동결 입력과 SHA-256\n", "\n", "`config.INPUT_SHA256`에 적힌 해시와 파일 해시가 모두 같아야 다음 단계로 넘어간다." ] }, { "cell_type": "code", "execution_count": 2, "id": "489b03a1", "metadata": { "execution": { "iopub.execute_input": "2026-10-08T08:04:34.223955Z", "iopub.status.busy": "2026-10-08T08:04:34.223955Z", "iopub.status.idle": "2026-10-08T08:04:34.260454Z", "shell.execute_reply": "2026-10-08T08:04:34.260454Z" } }, "outputs": [ { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
파일크기(bytes)형태SHA-256(앞 16자리)일치
0postreform/exog_hist_v2.csv5521104×7d142ff2992b5ae3eTrue
1postreform/exog_scen_v2.csv11096200×8f45f8007d7b88fafTrue
2postreform/exog_levels_2000_2035.csv43925720×8748cc232732adb73True
3bokdpm_obs_2000_2025.csv33329104×218ae2f6709bf15265True
4dsge_exog_paths.csv7540200×7b5fe00a341fe6763True
5exog_hist_v2.csv5481104×70943ba6160f6faf4True
6exog_scen_v2.csv11034200×8f490a1cb17390289True
7exog_scenarios_v2.csv43830720×879e4a02cd4c3e7c2True
8fred_POILDUBUSDM.csv12117415×2cc766e2524a02c7cTrue
9fred_POILWTIUSDM.csv12095415×2ac49d9350ae20bf0True
10io_linkage_62.csv6781762×633f747a97c3804541True
11io_linkage_69.csv7938269×701f57d01c6867b456True
12io_linkage_W.csv1103536×37cf11efc744586d35True
13levels_62.csv105355104×6400469e892aac4742True
14levels_69.csv122145104×71c8a5adcedfa4635cTrue
15levels_agg.csv4748184×3f04021ff282e5387True
16levels_sa.csv51177184×38ccfc8dad3c8cd7b0True
17varx_coef_frozen.npz328559B_agg(23, 1) · B_36(163, 36) · B_62(267, 62) ·...2442a16d850a1891True
\n", "
" ], "text/plain": [ " 파일 크기(bytes) 형태 SHA-256(앞 16자리) 일치\n", "0 postreform/exog_hist_v2.csv 5521 104×7 d142ff2992b5ae3e True\n", "1 postreform/exog_scen_v2.csv 11096 200×8 f45f8007d7b88faf True\n", "2 postreform/exog_levels_2000_2035.csv 43925 720×8 748cc232732adb73 True\n", "3 bokdpm_obs_2000_2025.csv 33329 104×21 8ae2f6709bf15265 True\n", "4 dsge_exog_paths.csv 7540 200×7 b5fe00a341fe6763 True\n", "5 exog_hist_v2.csv 5481 104×7 0943ba6160f6faf4 True\n", "6 exog_scen_v2.csv 11034 200×8 f490a1cb17390289 True\n", "7 exog_scenarios_v2.csv 43830 720×8 79e4a02cd4c3e7c2 True\n", "8 fred_POILDUBUSDM.csv 12117 415×2 cc766e2524a02c7c True\n", "9 fred_POILWTIUSDM.csv 12095 415×2 ac49d9350ae20bf0 True\n", "10 io_linkage_62.csv 67817 62×63 3f747a97c3804541 True\n", "11 io_linkage_69.csv 79382 69×70 1f57d01c6867b456 True\n", "12 io_linkage_W.csv 11035 36×37 cf11efc744586d35 True\n", "13 levels_62.csv 105355 104×64 00469e892aac4742 True\n", "14 levels_69.csv 122145 104×71 c8a5adcedfa4635c True\n", "15 levels_agg.csv 4748 184×3 f04021ff282e5387 True\n", "16 levels_sa.csv 51177 184×38 ccfc8dad3c8cd7b0 True\n", "17 varx_coef_frozen.npz 328559 B_agg(23, 1) · B_36(163, 36) · B_62(267, 62) ·... 2442a16d850a1891 True" ] }, "execution_count": 2, "metadata": {}, "output_type": "execute_result" } ], "source": [ "rows = []\n", "for name, h in C.INPUT_SHA256.items():\n", " p = os.path.join(C.INPUTS, name)\n", " got = F.sha256(p)\n", " shape = \"\"\n", " if name.endswith(\".csv\"):\n", " d = pd.read_csv(p, encoding=\"utf-8-sig\")\n", " shape = f\"{d.shape[0]}×{d.shape[1]}\"\n", " elif name.endswith(\".npz\"):\n", " z = np.load(p, allow_pickle=False)\n", " shape = \" · \".join(f\"{k}{z[k].shape}\" for k in z.files if k.startswith(\"B_\"))\n", " rows.append({\"파일\": name, \"크기(bytes)\": os.path.getsize(p), \"형태\": shape, \"SHA-256(앞 16자리)\": got[:16], \"일치\": got == h})\n", "inv = pd.DataFrame(rows)\n", "inv.to_csv(os.path.join(C.INTERIM, \"input_inventory.csv\"), index=False, encoding=\"utf-8-sig\")\n", "assert inv[\"일치\"].all(), \"동결 입력의 SHA-256이 다르다 — data/inputs/ 파일을 확인한다\"\n", "inv" ] }, { "cell_type": "markdown", "id": "2289b4d6", "metadata": {}, "source": [ "## 2. 산업 패널 — 총량·36·62·69\n", "\n", "네 패널 모두 추정 표본 2000Q1–2025Q4(104분기)에 결측이 없어야 한다. 총량 모형은 실질 GDP 한 계열을 수준으로,\n", "산업 모형은 각 산업 실질부가가치를 로그차분으로 쓴다. 62·69분류의 산업 합계는 같다(69분류는 62분류 일부를 분화한 것이다)." ] }, { "cell_type": "code", "execution_count": 3, "id": "fbfdd057", "metadata": { "execution": { "iopub.execute_input": "2026-10-08T08:04:34.261473Z", "iopub.status.busy": "2026-10-08T08:04:34.261473Z", "iopub.status.idle": "2026-10-08T08:04:34.278033Z", "shell.execute_reply": "2026-10-08T08:04:34.277527Z" } }, "outputs": [ { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
명세산업 수전체 기간표본 결측2025 합계(조원)
패널
총량수준11980Q1–2025Q402,326.267
36차분361980Q1–2025Q402,178.489
62차분622000Q1–2025Q402,178.489
69차분692000Q1–2025Q402,178.489
\n", "
" ], "text/plain": [ " 명세 산업 수 전체 기간 표본 결측 2025 합계(조원)\n", "패널 \n", "총량 수준 1 1980Q1–2025Q4 0 2,326.267\n", "36 차분 36 1980Q1–2025Q4 0 2,178.489\n", "62 차분 62 2000Q1–2025Q4 0 2,178.489\n", "69 차분 69 2000Q1–2025Q4 0 2,178.489" ] }, "execution_count": 3, "metadata": {}, "output_type": "execute_result" } ], "source": [ "SAMPLE = F.SAMPLE\n", "rows, ann = [], {}\n", "for name, spec in C.MODELS.items():\n", " lev = pd.read_csv(spec[\"levels\"], index_col=0)\n", " inds = [c for c in lev.columns if c != spec[\"gdp\"]]\n", " sub = lev[inds].reindex(SAMPLE)\n", " a = F.q_to_annual(sub).sum(axis=1)\n", " ann[name] = a\n", " rows.append({\"패널\": name, \"명세\": spec[\"spec\"], \"산업 수\": len(inds), \"전체 기간\": f\"{lev.index[0]}–{lev.index[-1]}\",\n", " \"표본 결측\": int(sub.isna().sum().sum()), \"2025 합계(조원)\": a.loc[2025] / 1e3})\n", "panels = pd.DataFrame(rows).set_index(\"패널\")\n", "assert panels[\"표본 결측\"].eq(0).all(), \"추정 표본에 결측이 있다\"\n", "assert abs(ann[\"62\"] - ann[\"69\"]).max() < 1e-3, \"62·69 산업 합계가 다르다\"\n", "panels" ] }, { "cell_type": "markdown", "id": "56896c9d", "metadata": {}, "source": [ "## 3. 외생 6종 — 수준값과 VARX 투입 형태\n", "\n", "외생은 BOKDPM 내생·관측 변수를 조합한 관측 가능한 계열이다. VARX에는 적분차수에 맞춰 수준·차분·로그차분 중 하나로 들어간다.\n", "\n", "| 외생 | 구성 | 투입 형태 |\n", "|---|---|---|\n", "| 유가 | `LOIL_us`(100·ln 달러/배럴) | 1차 차분 |\n", "| 세계수요 | `Y_us`(미국 산출갭) | 수준 |\n", "| 실질금리 | `CB_kor` − 소비자물가 전년동기비 | 수준 |\n", "| 실질환율 | `LS_kor` + 미국 CPI − 한국 CPI(100·ln) | 1차 차분 |\n", "| 고용_취업자 | 경제활동인구 × (1 − 실업률/100), 천 명 | 100·로그차분 |\n", "| 우리경기 | `Y_kor`(한국 산출갭) | 수준 |\n", "\n", "수준값 파일에 원 변환(`build_varx_exog.py`와 같은 규칙)을 다시 적용해 과거값·시나리오 경로 두 파일과 같아지는지 확인한다." ] }, { "cell_type": "code", "execution_count": 4, "id": "4190899b", "metadata": { "execution": { "iopub.execute_input": "2026-10-08T08:04:34.278033Z", "iopub.status.busy": "2026-10-08T08:04:34.278033Z", "iopub.status.idle": "2026-10-08T08:04:34.296167Z", "shell.execute_reply": "2026-10-08T08:04:34.296167Z" } }, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "과거값 (104, 6) · 시나리오 5개 × (40, 6) · 수준값 (720, 8)\n", "재변환 최대 차이: 과거 0.0e+00 · 시나리오 0.0e+00\n" ] }, { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
2025Q4(과거 끝)2035Q4(S1)변환
유가-9.7632.469diff
세계수요1.022-0.001level
실질금리0.9392.781level
실질환율3.610-0.109diff
고용_취업자0.0240.216dlog
우리경기0.102-0.074level
\n", "
" ], "text/plain": [ " 2025Q4(과거 끝) 2035Q4(S1) 변환\n", "유가 -9.763 2.469 diff\n", "세계수요 1.022 -0.001 level\n", "실질금리 0.939 2.781 level\n", "실질환율 3.610 -0.109 diff\n", "고용_취업자 0.024 0.216 dlog\n", "우리경기 0.102 -0.074 level" ] }, "execution_count": 4, "metadata": {}, "output_type": "execute_result" } ], "source": [ "eh = F.read_exog_hist(C.EXOG_HIST)\n", "es = F.read_exog_scen(C.EXOG_SCEN)\n", "lv = F.read_exog_levels(C.EXOG_LEVELS)\n", "st = F.to_stationary(lv)\n", "d_hist = (st[(st[\"시나리오\"] == \"S1\") & (st[\"분기\"] < \"2026Q1\")].set_index(\"분기\")[F.EXOG] - eh).abs().max().max()\n", "d_scen = max((g.set_index(\"분기\")[F.EXOG] - es[s]).abs().max().max() for s, g in st[st[\"분기\"] >= \"2026Q1\"].groupby(\"시나리오\"))\n", "print(f\"과거값 {eh.shape} · 시나리오 {len(es)}개 × {es['S1'].shape} · 수준값 {lv.shape}\")\n", "print(f\"재변환 최대 차이: 과거 {d_hist:.1e} · 시나리오 {d_scen:.1e}\")\n", "assert d_hist < 1e-4 and d_scen < 1e-4, \"수준값과 정상형 파일의 변환 관계가 맞지 않는다\"\n", "pd.DataFrame({\"2025Q4(과거 끝)\": eh.loc[\"2025Q4\"], \"2035Q4(S1)\": es[\"S1\"].loc[\"2035Q4\"], \"변환\": pd.Series(F.TF)})" ] }, { "cell_type": "markdown", "id": "b13fc1ae", "metadata": {}, "source": [ "## 4. 유가 원천 — `LOIL_us`와 FRED 두 계열\n", "\n", "BOKDPM 자료 수집 문서(`used_data_sources.json`)는 미국 유가를 FRED `POILWTIUSDM`(WTI)로 적고, 관측자료 파일의 `LOIL_us`는\n", "WTI 분기 평균의 100·ln과 정확히 같다(아래 첫 줄). 그런데 VARX 외생 유가의 과거 구간(외생 수준값의 2000Q1–2025Q4)은 BOKDPM 추정 결과의\n", "평활값이며, 이 값은 WTI가 아니라 **두바이유(`POILDUBUSDM`) 분기 평균의 100·ln과 일치한다**(아래 둘째·셋째 줄).\n", "BOKDPM 추정 당시 Dynare가 읽은 자료 파일에는 두바이유가 들어 있었고, 이후 자료 파일을 WTI로 다시 만들었으나 모형을 다시 추정하지 않은 결과로 판단된다.\n", "이 차이가 전망에 주는 영향은 `02_분석.ipynb` 6절에서 계산한다." ] }, { "cell_type": "code", "execution_count": 5, "id": "f28e6626", "metadata": { "execution": { "iopub.execute_input": "2026-10-08T08:04:34.297171Z", "iopub.status.busy": "2026-10-08T08:04:34.297171Z", "iopub.status.idle": "2026-10-08T08:04:34.631763Z", "shell.execute_reply": "2026-10-08T08:04:34.631763Z" } }, "outputs": [ { "data": { "text/html": [ "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
 최대 |차이|
비교 
BOKDPM 관측 LOIL_us − 100·ln(WTI)0.000000
VARX 유가(평활, 과거) − 100·ln(두바이)0.000050
VARX 유가(평활, 과거) − 100·ln(WTI)30.309548
\n" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
WTI_100ln두바이_100lnVARX유가_100ln
2000Q1336.129319.426319.426
2008Q2482.011476.330476.330
2012Q1463.339475.324475.324
2020Q2333.305349.514349.514
2025Q4408.842415.253415.253
\n", "
" ], "text/plain": [ " WTI_100ln 두바이_100ln VARX유가_100ln\n", "2000Q1 336.129 319.426 319.426\n", "2008Q2 482.011 476.330 476.330\n", "2012Q1 463.339 475.324 475.324\n", "2020Q2 333.305 349.514 349.514\n", "2025Q4 408.842 415.253 415.253" ] }, "execution_count": 5, "metadata": {}, "output_type": "execute_result" } ], "source": [ "wti_m, dub_m = F.read_fred_csv(C.WTI_CSV), F.read_fred_csv(C.DUB_CSV)\n", "obs = pd.read_csv(C.BOKDPM_OBS)\n", "chk = F.loil_observation_check(obs, wti_m)\n", "\n", "s1 = lv[lv[\"시나리오\"] == \"S1\"].set_index(\"분기\")[\"유가\"].reindex(F.SAMPLE)\n", "wq = F.quarterly_100ln(wti_m, start=\"2000-01-01\"); wq.index = wq.index.astype(str)\n", "dq = F.quarterly_100ln(dub_m, start=\"2000-01-01\"); dq.index = dq.index.astype(str)\n", "src = pd.DataFrame([\n", " {\"비교\": \"BOKDPM 관측 LOIL_us − 100·ln(WTI)\", \"최대 |차이|\": chk[\"차이\"].abs().max()},\n", " {\"비교\": \"VARX 유가(평활, 과거) − 100·ln(두바이)\", \"최대 |차이|\": (s1 - dq.reindex(F.SAMPLE)).abs().max()},\n", " {\"비교\": \"VARX 유가(평활, 과거) − 100·ln(WTI)\", \"최대 |차이|\": (s1 - wq.reindex(F.SAMPLE)).abs().max()},\n", "]).set_index(\"비교\")\n", "assert src.iloc[0, 0] < 1e-6 and src.iloc[1, 0] < 1e-3, \"유가 원천 대조 결과가 예상과 다르다\"\n", "oilq = pd.DataFrame({\"WTI_100ln\": wq, \"두바이_100ln\": dq, \"VARX유가_100ln\": s1}).loc[\"2000Q1\":]\n", "oilq.to_csv(os.path.join(C.INTERIM, \"oil_quarterly_100ln.csv\"), encoding=\"utf-8-sig\")\n", "display(src.style.format(\"{:.6f}\"))\n", "oilq.loc[[\"2000Q1\", \"2008Q2\", \"2012Q1\", \"2020Q2\", \"2025Q4\"]]" ] }, { "cell_type": "markdown", "id": "bfd89fb5", "metadata": {}, "source": [ "## 5. FRED 재수집과 대조(ONLINE=1)\n", "\n", "`ONLINE=1`이면 FRED에서 두 계열을 다시 받아 동결본과 겹치는 달의 값을 대조하고, 원 시산 표본(1999-10–2026-07)으로 로그차분 상관을 다시 계산한다.\n", "FRED 키는 환경변수 `API_KEY_FRED`에서만 읽으며, 키가 없으면 공개 CSV 주소를 쓴다. 기본 실행(ONLINE=0)은 이 절을 건너뛴다.\n", "FRED가 과거 값을 개정하면 차이가 나타날 수 있으며, 이때도 검증은 동결본 기준으로 진행한다." ] }, { "cell_type": "code", "execution_count": 6, "id": "9edf3f55", "metadata": { "execution": { "iopub.execute_input": "2026-10-08T08:04:34.633265Z", "iopub.status.busy": "2026-10-08T08:04:34.632765Z", "iopub.status.idle": "2026-10-08T08:04:34.636767Z", "shell.execute_reply": "2026-10-08T08:04:34.636767Z" } }, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "ONLINE=0: FRED 재수집을 건너뛰고 동결본만 사용한다.\n" ] } ], "source": [ "if C.ONLINE:\n", " rows, fetched = [], {}\n", " for sid, frozen in [(C.WTI_SERIES, wti_m), (C.DUB_SERIES, dub_m)]:\n", " s = F.fetch_fred(sid, C.API_KEY_FRED or None)\n", " fetched[sid] = s\n", " s.rename(sid).to_frame().to_csv(os.path.join(C.INTERIM, f\"fred_{sid}_online.csv\"), encoding=\"utf-8-sig\")\n", " ov = s.index.intersection(frozen.index)\n", " rows.append({\"계열\": sid, \"받은 기간\": f\"{s.index.min():%Y-%m}–{s.index.max():%Y-%m}\", \"겹친 달\": len(ov),\n", " \"새 달\": int((s.index > frozen.index.max()).sum()), \"겹친 달 최대 |차이|\": float((s[ov] - frozen[ov]).abs().max())})\n", " online = pd.DataFrame(rows).set_index(\"계열\")\n", " r_on = F.oil_benchmark(fetched[C.WTI_SERIES], fetched[C.DUB_SERIES], end=C.FROZEN_FRED_END)[\"corr\"]\n", " r_fz = F.oil_benchmark(wti_m, dub_m)[\"corr\"]\n", " print(f\"로그차분 상관(1999-10–2026-07): 재수집 {r_on:.4f} · 동결본 {r_fz:.4f}\")\n", " print(\"겹친 달 값이 모두 같다.\" if online[\"겹친 달 최대 |차이|\"].max() < 1e-8 else \"주의: FRED가 과거 값을 개정했다(검증은 동결본 기준).\")\n", " display(online)\n", "else:\n", " print(\"ONLINE=0: FRED 재수집을 건너뛰고 동결본만 사용한다.\")" ] }, { "cell_type": "markdown", "id": "609012bf", "metadata": {}, "source": [ "## 6. 산출물\n", "\n", "다음 노트북(`02_분석.ipynb`)은 `data/inputs/`의 동결 입력을 직접 읽는다. 이 노트북의 산출물은 점검 기록이다." ] }, { "cell_type": "code", "execution_count": 7, "id": "4daedc97", "metadata": { "execution": { "iopub.execute_input": "2026-10-08T08:04:34.637769Z", "iopub.status.busy": "2026-10-08T08:04:34.637769Z", "iopub.status.idle": "2026-10-08T08:04:34.640469Z", "shell.execute_reply": "2026-10-08T08:04:34.640469Z" } }, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "input_inventory.csv 1,138 bytes\n", "oil_quarterly_100ln.csv 5,771 bytes\n" ] } ], "source": [ "for f in sorted(os.listdir(C.INTERIM)):\n", " p = os.path.join(C.INTERIM, f)\n", " print(f\"{f:<34} {os.path.getsize(p):>9,d} bytes\")" ] } ], "metadata": { "kernelspec": { "display_name": "Python 3", "language": "python", "name": "python3" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 3 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", "version": "3.12.10" } }, "nbformat": 4, "nbformat_minor": 5 }