A Bipartite Graph Approach to U.S.-China Cross-Market Return Forecasting

이 논문은 미국과 중국 주식 시장의 비중첩 거래 시간을 활용하여 방향성 지향적 이분 그래프를 구축하고, 이를 기계 학습 프레임워크에 통합함으로써 미국 시장 수익률이 중국 시장 수익률 예측에 유의미한 비대칭적 예측력을 가진다는 것을 규명했습니다.

핵심

🌏 제목: "미국과 중국 주식 시장의 '시간차'를 이용한 예언하기"

이 연구는 **"미국 주식 시장이 문을 닫은 후, 중국 주식 시장이 문을 열기 전"**이라는 독특한 시간 차이를 이용해, 어떤 주식의 가격이 오를지 예측하는 방법을 개발했습니다.

1. 핵심 아이디어: "시간을 거꾸로 보는 쌍둥이 도시" 🕰️

미국과 중국은 시차가 있어 주식 시장이 서로 겹치지 않습니다.

• 미국: 밤에 문을 닫고 잠듭니다.
• 중국: 미국이 잠든 사이 아침에 문을 엽니다.

이 연구는 **"미국이 자는 동안 겪은 일 (미국 주식 가격 변동) 이 다음 날 중국이 깨어났을 때 (중국 주식) 에 어떤 영향을 미칠까?"**를 궁금해했습니다. 마치 미국이라는 '선배'가 밤새 일어난 일을 기록해두고, 다음 날 중국이라는 '후배'가 그 기록을 보고 하루를 시작하는 상황과 비슷합니다.

2. 방법론: "유용한 친구만 골라내는 '매칭 게임'" 🎯

수천 개의 미국 주식과 중국 주식 중, 어떤 것이 서로 영향을 주고받는지 일일이 다 알 수는 없습니다. 그래서 연구진은 두 가지 단계를 거쳤습니다.

• 1 단계: 그래프 그리기 (친구 찾기)

  • 과거 데이터를 뒤적여 "미국 A 주식의 움직임이 중국 B 주식의 움직임과 통계적으로 의미 있게 연결되는가?"를 검사했습니다.
  • 연결이 확실한 경우에만 **화살표 ( directed edge )**를 그렸습니다.
  • 비유: 마치 "이 친구는 저 친구의 기분을 잘 알아맞히는가?"를 테스트해서, 진짜로 영향력을 미치는 '유용한 친구'들만 골라내는 필터링 과정입니다. 불필요한 소음 (잡음) 을 제거하고 핵심 연결고리만 남깁니다.

• 2 단계: 머신러닝 예언 (예측하기)

  • 이렇게 선별된 '유용한 친구들'의 정보를 바탕으로, 10 가지 다른 인공지능 (머신러닝) 모델을 훈련시켜 다음 날 주가가 어떻게 움직일지 예측했습니다.

3. 놀라운 발견: "한쪽 방향의 압도적인 힘" 🇺🇸 ➡️ 🇨🇳

연구 결과는 매우 명확했습니다.

• 미국 ➡️ 중국: 미국 주식의 정보는 중국 주식 예측에 엄청나게 유용했습니다. 미국이 밤새 겪은 일 (특히 장 마감 후의 정보) 은 중국이 다음 날 장을 여는 데 큰 영향을 미쳤습니다.
• 중국 ➡️ 미국: 반대로, 중국 주식의 정보가 미국을 예측하는 데는 거의 도움이 되지 않았습니다.

비유:

"미국은 거대한 등대와 같습니다. 등불이 켜지면 (미국 장 마감), 그 빛이 멀리 있는 중국 섬 (중국 장) 에 먼저 비칩니다. 하지만 중국 섬의 작은 횃불이 멀리 있는 미국 대륙을 비추기는 어렵습니다."

즉, 미국 시장이 중국 시장을 이끄는 '리더' 역할을 하며, 그 영향력은 한쪽 방향으로만 강하게 흐른다는 것을 발견했습니다.

4. 왜 중요한가요? (실제 의미)

• 단순한 상관관계가 아닙니다: 보통 "두 나라 주식이 같이 움직인다"는 연구는 많지만, 이 연구는 **"누가 먼저 움직이고, 누가 그 영향을 받는지"**를 시간 순서대로 정확히 추적했습니다.
• 예측의 정확도: 단순히 미국 주식을 모두 보는 것보다, 통계적으로 유의미한 '유용한 친구'들만 골라낸 뒤 인공지능에 학습시켰을 때 예측 정확도가 훨씬 높아졌습니다.
• 경제적 가치: 이 방법을 쓰면, 단순한 추측보다 훨씬 높은 수익률 (Sharpe Ratio) 을 기대할 수 있다는 것을 증명했습니다. (물론 실제 거래 비용은 고려하지 않은 이론적 수치입니다.)

5. 결론: "구조를 이해하는 것이 핵심" 🧩

이 논문은 단순히 "인공지능이 주가를 맞췄다"는 것을 보여주는 것이 아니라, "경제적 구조 (시간차, 시장 간 연결)"를 머신러닝에 어떻게 잘 녹여내는지를 보여줍니다.

• 핵심 메시지: "미국과 중국 주식 시장을 연결하는 시간차와 **유용한 연결고리 (그래프)**를 찾아내면, 인공지능은 훨씬 더 똑똑하게 미래를 예측할 수 있다."

이 연구는 금융 시장에서 복잡한 데이터를 단순한 '친구 관계'로 정리하고, 그 관계를 이용해 미래를 내다보는 새로운 방법을 제시했습니다.

기술 요약

논문 요약: 미 - 중 교차 시장 수익률 예측을 위한 이분 그래프 접근법

1. 연구 문제 (Problem)

• 배경: 금융 시장에서의 수익률 예측은 노이즈, 비정상성 (non-stationarity), 비선형 의존성으로 인해 매우 어렵습니다. 기존 머신러닝 연구는 주로 단일 시장 (예: 미국 내 또는 중국 내) 예측에 집중해 왔으며, 교차 시장 (Cross-market) 예측은 주로 지수 수준이나 동시적 상관관계 분석에 그쳤습니다.
• 한계: 실제 거래 시간대가 겹치지 않는 (Non-overlapping) 미국과 중국 주식 시장 간의 개별 주식 (Stock-level) 단위 예측 연구는 부족합니다. 특히, 시간 순서가 명확한 정보 흐름을 활용한 예측 프레임워크가 부재했습니다.
• 목표: 미국과 중국 주식 시장의 비중첩 거래 시간대를 활용하여, 개별 주식 수준에서 한 시장의 정보가 다른 시장의 수익률에 미치는 예측력을 정량화하고, 이를 경제적으로 해석 가능한 구조로 머신러닝에 적용하는 것입니다.

2. 방법론 (Methodology)

이 연구는 지향성 이분 그래프 (Directed Bipartite Graph) 기반의 2 단계 프레임워크를 제안합니다.

• 데이터 구성:

  • 시장: 미국 (NYSE, Nasdaq) 과 중국 (상해, 심천) 의 시가총액 상위 500 개 주식.
  • 기간: 2014 년 ~ 2021 년.
  • 수익률 정의:
    • pvCLCL: 전일 종가 대비 전일 종가 (Previous Close-to-Close).
    • OPCL: 당일 시가 대비 당일 종가 (Open-to-Close).
    • 시장 초과 수익률 (Market Excess Return) 을 사용 (SPY 및 513500.SH ETF 를 기준).
  • 시간적 구조: 미국 시장 (전일 종가) 의 정보가 중국 시장 (당일 시가) 의 예측에 사용될 때 시간적 지연 ($l=1$) 이 발생하며, 이는 자연스러운 시간 순서를 보장합니다.

• 1 단계: 지향성 이분 그래프 구축 (Feature Selection)

  • 그래프 구조: 소스 시장 ($X$, 예: 미국) 과 타겟 시장 ($Y$, 예: 중국) 을 두 개의 노드 집합으로 정의합니다.
  • 엣지 선택 (Rolling-window Hypothesis Testing):
    • 롤링 윈도우 (250 일) 내에서 소스 시장 주식의 과거 수익률 ($x$) 과 타겟 시장 주식의 미래 수익률 ($y$) 간 단순 선형 회귀를 수행합니다.
    • 회귀 계수의 $t$-통계량 ($|t_\beta| > \tau$, 여기서 $\tau=2$) 을 계산하여 통계적으로 유의미한 예측 관계를 가진 쌍만 엣지로 선택합니다.
    • 이는 고차원 데이터에서 노이즈를 제거하고 희소성 (Sparsity) 을 확보하는 특징 선택 (Feature Selection) 레이어 역할을 합니다.
  • 결과: 시장 간 시간 순서가 반영된 지향성 이분 그래프가 생성되며, 이는 특정 섹터 간 전파 경로 (예: 미국 유틸리티 $\to$ 중국 금융) 를 보여줍니다.

• 2 단계: 머신러닝 기반 예측

  • 그래프를 통해 선별된 소스 시장 주식들의 수익률을 입력 특징 (Features) 으로 사용하여 타겟 시장의 OPCL 수익률을 예측합니다.
  • 사용된 모델: OLS, LASSO, Ridge, SVM, XGBoost, LGBM, Random Forest, AdaBoost 등 10 가지 모델 (단일 모델 및 앙상블 평균/중앙값).
  • 평가 방식: 10 일 단위로 롤링 윈도우를 이동하며 엄격한 아웃 - 오브 - 샘플 (Out-of-Sample) 평가를 수행합니다.

3. 주요 기여 (Key Contributions)

1. 개별 주식 수준의 교차 시장 예측 프레임워크: 지수 수준이 아닌 개별 주식 단위의 미 - 중 시장 간 예측을 체계적으로 수행한 최초의 연구 중 하나입니다.
2. 경제적 구조를 보존한 그래프 기반 특징 선택: 단순한 상관관계가 아닌, 시간 순서가 명확한 인과적 (또는 예측적) 관계를 그래프 엣지로 추출하여 머신러닝 모델의 입력을 희소하고 해석 가능하게 만듭니다.
3. 비대칭적 예측력 발견: 미국 시장의 정보가 중국 시장 예측에 강력한 예측력을 가지지만, 그 반대는 약하다는 명확한 비대칭성을 실증적으로 입증했습니다.
4. 해석 가능성 (Interpretability): 그래프 구조를 통해 섹터 간 정보 전파 경로 (예: 미국 기술 섹터 $\to$ 중국 기술 섹터) 를 시각화하고 경제적으로 해석할 수 있습니다.

4. 실험 결과 (Results)

• 방향성 비대칭성 (Directional Asymmetry):
  • 미국 $\to$ 중국: 미국 전일 종가 (pvCLCL) 수익률을 사용하여 중국 당일 수익률 (OPCL) 을 예측할 때, Sharpe Ratio (SR) 가 1~2 수준으로 높게 나타났습니다. 특히 Ridge, LGBM, 앙상블 모델이 우수했습니다.
  • 중국 $\to$ 미국: 중국 정보를 이용한 미국 시장 예측은 SR 이 현저히 낮아 예측력이 미미함을 확인했습니다.
• 그래프 기반 모델의 우위성:
  • 그래프 기반 교차 시장 접근법 (Graph-based Cross-market) 은 그래프 기반 단일 시장 접근법 (Graph-based Same-market) 및 비그래프 기반 베이스라인 (Non-graph Baseline) 보다 모든 모델과 분위수 (Quantile) 에서 우수한 성과를 보였습니다.
  • 이는 교차 시장 정보와 그래프 기반 특징 선택의 결합이 예측 성능을 향상시킨다는 것을 의미합니다.
• 민감도 분석 (Sensitivity Analysis):
  • 그래프 무작위화: 그래프의 엣지를 무작위로 교체할수록 예측 성능이 급격히 하락하여, 그래프의 경제적 구조가 성능의 핵심임을 입증했습니다.
  • 시간적 지연: 예측자와 타겟 간의 시간 간격 ($l$) 이 증가할수록 성능이 감소하여, 최신 정보 (Recency) 의 중요성을 확인했습니다.

5. 의의 및 결론 (Significance)

• 실무적 함의: 미국 시장의 정보 (특히 전일 종가) 가 중국 시장의 당일 거래 (OPCL) 에 중요한 예측 신호를 제공한다는 점을 확인했습니다. 이는 글로벌 포트폴리오 관리 및 리스크 헤지 전략에 시사점을 줍니다.
• 학문적 기여: 머신러닝을 금융 예측에 적용할 때, 단순한 블랙박스 모델이 아닌 경제적 구조 (시간 순서, 시장 간 연결성) 를 보존한 구조화된 프레임워크의 중요성을 강조했습니다.
• 향후 연구: 유럽 및 기타 아시아 시장으로의 확장, 그래프 신경망 (GNN) 을 활용한 비선형 의존성 학습, 대규모 언어 모델 (LLM) 을 활용한 구조적 상호작용 모델링 등을 제안합니다.

요약하자면, 이 논문은 미국과 중국 주식 시장의 비중첩 거래 시간을 활용하여 지향성 이분 그래프로 시장 간 예측 관계를 구조화하고, 이를 머신러닝에 접목하여 미국에서 중국으로의 강력한 예측 비대칭성을 발견하고 입증한 선구적인 연구입니다.