본 논문은 인과 발견과 불확실성 인식 예측을 결합한 금융 시계열 분석 방법론을 제시한다. 미국 GDP, 경제 성장률, 물가 상승률, 실업률 네 가지 거시경제 지표를 1970년부터 2021년까지 분기별 데이터에 적용하여 LPCMCI 프레임워크와 Gaussian Process Distance Correlation (GPDC)를 이용, 동적 인과 관계를 밝힌다. 분석 결과 경제 성장률에서 GDP로의 단방향 인과 관계가 확인되었고, 물가 상승률의 연결성이 제한적임을 보여 잠재 요인의 영향을 시사한다. 실업률은 강한 자기회귀 의존성을 보여 확률적 예측의 사례 연구로 활용되었다. 시계열에 훈련된 대규모 언어 모델인 Chronos 프레임워크를 활용하여 실업률에 대한 제로샷 예측을 수행, 과업별 훈련 없이 1분기 및 2분기 예측을 정확하게 제공한다. 특히, 모델의 불확실성 인식 예측은 90% 신뢰 구간을 제공하여 통계적으로 원칙적인 편차 분석을 통한 이상 탐지를 가능하게 한다. 이 연구는 인과 구조 학습과 확률적 언어 모델을 결합하여 경제 정책에 대한 정보를 제공하고 예측의 강건성을 높이는 가치를 보여준다.
