기술 요약: 자산 배분을 위한 시그니처 정보 기반 트랜스포머 (Signature-Informed Transformer)

1. 문제 정의

현대 퀀트 금융은 전략적 자산 배분에서 핵심적인 과제에 직면해 있다: 즉, 금융 시장의 복잡하고 비선형적이며 경로 의존적인(path-dependent) 특성에 강건한 포트폴리오를 구축하는 것이다. 이 작업을 수행하는 지배적인 딥러닝 패러다임은 분리된 2단계 파이프라인을 채택한다. 즉, 예측 모델이 자산 수익률을 예측하고(일반적으로 평균 제곱 오차(MSE)와 같은 통계적 지표에 최적화됨), 이후 이 예측값들이 다운스트림 포트폴리오 옵티마이저로 전달되는 방식이다.

저자들은 이 접근 방식가 두 가지 결정적인 결함을 가지고 있다고 주장한다:

1. 금융 유도 편향(Financial Inductive Bias)의 부재: 범용 예측 아키텍처는 자산 간의 복잡한 선행-후행(lead-lag) 관계와 같은 고유한 시장 구조를 모델링하는 데 실패하며, 이로 인해 진정한 신호와 노이즈를 구분하기 어려워진다.
2. 목적 불일치 및 오차 증폭: 예측 정확도(예: MSE 최소화)를 최적화하는 것은 다운스트림 목표인 포트폴리오 구축과는 무관하다. 미세한 예측 오차는 옵티마이저에 의해 변동성이 크고 비현실적이거나 차선적인 포트폴리오 가중치로 증폭될 수 있다. 또한, MSE 목적 함수는 본질적으로 예측하기 쉬운 자산을 선호하도록 모델을 유도하여, 추정 오차가 큰 예측하기 어려운 자산을 무시함으로써 최종 배분을 왜곡할 가능성이 있다.

본 논문은 강력한 해결책이 시장 데이터로부터 포트폴리오 가중치로 직접 연결되는 **통합된 정책(unified policy)**을 학습하는 것이며, 동시에 금융 시계열의 알려진 기하학적 특성을 모델링하도록 아키텍처가 설계되어야 한다고 제안한다.

2. 방법론: 시그니처 정보 기반 트랜스포머 (SIT)

저자들은 특징 추출과 의사결정을 통합하는 딥러닝 프레임워크인 **시그니처 정보 기반 트랜스포머(Signature-Informed Transformer, SIT)**를 제안한다. 이 아키텍처는 세 가지 시너지 효과를 내는 기둥을 기반으로 구축된다.

A. 경로 기반 특징 표현 (Path-wise Feature Representation)

SIT는 가공되지 않은 가격 입력을 사용하는 대신, **러프 경로 시그니처(Rough Path Signatures)**를 활용하여 특징을 생성한다. 가격 경로 $X$에 대하여, 시그니처 $\text{Sig}(X)$는 경로의 형태를 요약하는 반복 적분(iterated integrals)의 시퀀스로서, 추세와 진동을 인코딩한다.

• **1차 항(First-order terms)**은 순 증분(net increments)을 포착한다.
• **2차 항(Second-order terms)**은 부호가 있는 면적(signed areas)을 인코딩하며, 저자들은 이것이 (명제 2.1에 의해) 자산 간의 선행-후행 관계를 엄격하게 포착함을 증명한다. 만약 자산 $X_1$이 $X_2$를 엄격하게 선행한다면, 2차 교차 항 $A(X) = \int X_1 dX_2 - \int X_2 dX_1$은 엄격하게 양수이다.
• 모델은 이러한 시그니처 임베딩을 시간 임베딩(캘린더 특징) 및 학습 가능한 자산별 임베딩과 융합하여 입력 토큰을 구성한다.

B. 시그니처 증강 어텐션 (Signature-Augmented Attention)

자산 간의 의존성을 모델링하기 위해, SIT는 새로운 시그니처 정보 기반 셀프 어텐션(Signature-Informed Self-Attention) 메커니즘을 도입한다.

• 표준 어텐션과 달리, 이 메커니즘은 자산 쌍의 **교차 시그니처(cross-signature)**를 기반으로 어텐션 로짓(logits)에 동적인 바이어스 항을 주입한다.
• 이 바이어스는 동적인 쿼리 벡터(자산의 현재 정보 요구를 나타냄)와 쌍별 시그니처로부터 유도된 관계형 임베딩 사이의 내적(inner product)으로 계산된다.
• 이론적 보장: 정리 2.2는 시그니처 바이어스에 대한 어텐션 가중치의 방향 도함수가 엄격하게 양수임을 증명한다. 이는 시그니처로 인코딩된 관계가 자산의 현재 상태와 일치할 때, 모델이 해당 상대 자산에 대한 어텐션을 엄격하게 증폭하도록 보장한다. 학습 가능한 게이트 $\gamma$는 이 영향력의 크기를 조절한다.

C. 의사결정 정렬 (Decision Alignment - 학습 목적 함수)

SIT는 "예측 후 최적화"라는 2단계 방식을 버린다. 대신, 포트폴리오의 손실 분포에 대한 **조건부 가치 위험(Conditional Value-at-Risk, CVaR)**을 직접 최소화하도록 **엔드 투 엔드(end-to-end)**로 학습된다.

• 모델은 예측 수익률을 출력하며, 이는 소프트맥스(softmax) 함수를 통해 포트폴리오 가중치로 변환된다.
• 손실 함수는 $\min_\theta E_\omega[\text{CVaR}_\alpha(\{L^{(k)}\}_{k=1}^K)]$로 정의되며, 여기서 $L^{(k)}$는 $K$개의 미래 단계 동안의 포트폴리오 손실이다.
• 보조적인 예측 손실(예: MSE)은 사용되지 않는다. 이를 통해 학습 목적 함수가 리스크 조정 수익이라는 금융 목표와 완벽하게 정렬되도록 하여, 분리된 파이프라인에서 발생하는 오차 증폭 문제를 방지한다.

3. 주요 기여

1. 통합된 아키텍처: 시장 데이터를 포트폴리오 가중치로 직접 매핑하는 단일 정책을 제공하여, 예측과 최적화 사이의 목적 불일치를 제거한다.
2. 기하학적 유도 편향: 선행-후행 관계와 고차 경로 의존성을 명시적으로 인코딩하기 위해 경로 시그니처를 통합하였으며, 이는 자산 상호작용의 견고한 척도임을 수학적으로 증명하였다.
3. 시그니처 정보 기반 어텐션: 시그니처 기반의 관계를 바탕으로 어텐션을 동적으로 증폭하는 새로운 어텐션 메커즘을 도입하였으며, 그 단조성(monotonicity)에 대한 이론적 증명을 제공한다.
4. 리스크 인식 최적화: CVaR를 직접 최소화함으로써, 모델이 단순히 점 단위의 예측 오차를 줄이는 것이 아니라 꼬리 위험(tail events)에 헤징하는 법을 배우도록 보장한다.

4. 실험 결과

저자들은 다양한 주식 유니버스(S&P 100에서 30, 40, 50개 자산; DOW30에서 10, 20개; CSI 300에서 50, 100개 자산)에 대해 학습(2000–2016), 검증(2017–2019), 테스트(2020–2024) 기간을 나누어 SIT를 평가하였다.

• 성과: SIT는 모든 지표(샤프 지수, 소티노 지수, 최대 낙폭, 최종 자산 계수)에서 전통적인 전략(동일 가중, 글로벌 최소 분산, HRP) 및 고급 딥러닝 베이스라인(Autoformer, DLinear, iTransformer 등)을 유의미하게 능가했다.
  • 예시: 40개 자산 유니버스에서 SIT는 0.6717의 샤프 지수를 달성하여, 차순위 딥러닝 베이스라인인 RFormer(0.4901) 및 전통적 베이스라인들을 앞질렀다.
• 절제 연구(Ablation Studies):
  • CVaR 목적 함수를 제거하고 평균 수익률 극대화로 대체했을 때 성능이 크게 하락하여, 의사결정 중심 학습의 필요성을 입증했다.
  • 시그니처 기반 어텐션이나 금융 바이어스 항을 제거하면 성능이 저하되었으며, 이는 기하학적 유도 편향이 이러한 관계를 처음부터 학습하는 것보다 우월함을 확인시켜 준다.
  • 학습 가능한 게이트 $\gamma$를 제거하는 것 또한 성능 저하를 불러왔으며, 이는 금융적 사전 지식(priors)을 동적으로 조절할 필요가 있음을 강조한다.
• 메커니즘 검증: 분석 결과, 시그니처 강도와 인바운드 어텐션 가중치 사이에 강한 양의 상관관계(평균 ~0.54–0.61)가 나타났으며, 이는 모델이 시그니처 유래 신호를 사용하여 정보를 라우팅하는 데 적극적으로 활용하고 있음을 확인해 준다.
• 강건성: SIT는 다양한 거래 비용 및 할당 집중도 파라미터 하에서도 우수한 성능을 유지하였으며, 이는 SIT의 이점이 단순한 예측 정확도가 아닌 견고한 자산 배분 전략에서 기인함을 보여준다.

5. 의의 및 주장

본 논문은 효과적인 퀀트 포트폴리오 관리가 단순히 최적화된 예측 정확도가 아니라 강건한 배분 정책을 필요로 한다고 주장한다. 저자들은 "예측 후 최적화" 패러다임이 목적 불일치와 오차 증폭 때문에 근본적으로 결함이 있다고 논한다.

특징 추출(시그니처를 통해), 상호작용 모델링(시그니처 증강 어텐션을 통해), 그리고 의사결정(CVa-R 최소화를 통해)을 통합함으로써, SIT는 머신러닝을 금융 분야에서 단순 예측을 넘어 엔드 투 엔드 방식의 리스크 인식 자본 배분으로 이동시키기 위한 청사진을 제공한다. 저자들은 이 접근 방식이 이론적인 금융 목표와 실제적인 딥러닝 구현 사이의 간극을 성공적으로 메웠다고 주장하며, 시장 역학의 기저에 깔린 기하학적 구조를 이해하도록 설계된 모델임을 강조한다.

이 연구는 더 안정적인 실전 성과를 향한 단계로 제시되었으며, 재현성을 위해 코드가 공개되었다. 저자들은 본 프레임워크가 미국 및 중국 주식 데이터에서 테스트되었으나, 고빈도 및 다중 자산 시장으로 이론적 확장이 가능하다고 언급하였다.