기술 요약: GeomHerd

1. 문제 제기

시장 참여자들이 행동을 정렬하고 집단적으로 행동하는 '군집 행동 (Herding)'은 시장 취약성과 시스템적 위험의 주요 동인입니다. 군집 행동을 정량화하는 기존 접근법은 실현 수익률 (예: 횡단면 절대 편차, CSAD) 이나 공개된 거래 흐름 (예: LSV 기관 불균형) 과 같은 하류 관측 가능 변수에 의존합니다. 이러한 방법들은 본질적으로 **사후적 (post-hoc)**이며 관측 지연을 겪습니다. 즉, 조정 행위가 이미 가격 변동이나 공개 filings 로 전파된 후에만 조정을 감지할 수 있습니다.

최근 이산 리치 곡률 (discrete Ricci curvature) 을 활용한 기하학적 접근법이 시장 스트레스 분석에 적용되었으나, 이들은 일반적으로 가격 상관관계 그래프에서 작동하여 동일한 병목 현상을 안고 있습니다. 본 논문은 근본적인 질문을 제기합니다: 군집 행동이 수익률에 나타나기 전에 전방위적 신호를 생성하기 위해, **에이전트 조정 과정 자체의 진화하는 기하학 (상류 구조 정보)**을 직접 정량화할 수 있는가?

2. 방법론: GeomHerd 프레임워크

GeomHerd 는 에이전트 상호작용 그래프에서 직접 조정을 정량화함으로써 관측 지연을 우회하는 전방위적 기하학적 프레임워크입니다.

2.1 기질 및 그래프 구성

본 프레임워크는 각 트레이더가 페르소나 조건부 LLM 으로 인스턴스화되는 이질적인 LLM 기반 다중 에이전트 금융 시뮬레이터(특히 Cividino-Sornette 연속 스핀 또는 CWS 모델) 를 기질로 활용합니다. 이는 완전히 관측 가능한 행동 스트림을 제공합니다.

• 노드: 개별 에이전트 ($N=66$).
• 엣지: 윈도화된 행동 일치를 기반으로 구성됩니다. 가중치 $w_t(i, j)$는 윈도우 $T_w=100$ 동안 에이전트 $i$와 $j$ 간의 동일한 행동 (예: 매수/보유/매도) 빈도입니다.
• 희소화: 엣지는 $w_t(i, j) > 0.5$인 경우에만 유지되어 균일 기준선 이상의 의미 있는 일치를 보장합니다.
• 그래프 동역학: 그래프는 $\Delta t = 10$스텝마다 재구성됩니다.

2.2 기하학적 핵심: 이산 리치 곡률

프레임워크는 lazy-walk 전이 커널을 사용하여 에이전트 그래프에서 Ollivier-Ricci 곡률($\kappa_{OR}$) 을 계산합니다.

• 부호 분해: 곡률은 커뮤니티-브리지 토폴로지에 기반하여 두 가지 명확한 신호로 분해됩니다:
  1. 양의 곡률 ($\bar{\kappa}^+_{OR}$): 클릭 내 조정을 포착합니다. 에이전트들이 서로를 모방함에 따라 그들의 이웃이 겹쳐지며 양의 곡률이 증가합니다. 이는 정보 캐스케이드의 시작을 신호합니다.
  2. 음의 곡률 ($\beta^-$): 커뮤니티 간 브리지를 포착합니다. 강하게 음의 곡률은 서로 다른 클러스터를 연결하는 엣지를 식별하여 전염의 전파를 신호합니다.
• 감지 논리:
  • $\bar{\kappa}^+_{OR}$는 레벨 변화를 식별하기 위해 일측 CUSUM 감지기를 사용하여 모니터링됩니다.
  • $\beta^-$는 비가우시안 잡음에 강건한 브리지 출현 추세를 감지하기 위해 결합된 CUSUM 및 Kendall-$\tau$ 기울기 테스트를 사용하여 모니터링됩니다.

2.3 전방위적 기술자

• 특이점 시간 ($\tau_{sing}$): 프레임워크는 이산 리치 흐름 하에서 그래프를 진화시키고 첫 번째 "목 조임 (neckpinch)" (특이점) 에 도달하는 시간을 기록합니다. 이는 정적 클러스터링과 구별되는, 붕괴에 대한 근접성을 나타내는 동적 전방위적 기술자 역할을 합니다.
• 유효 어휘 ($V_{eff}$): 에이전트들의 행동 언어의 엔트로피를 측정하는 정보 이론적 신호입니다. $V_{eff}$는 에이전트들이 캐스케이드 동안 행동을 동질화함에 따라 수축합니다.

2.4 이론적 앵커

본 논문은 기하학적 지표와 고전적인 CSAD 통계량을 연결하는 **평균장 브리지 (Proposition 1)**를 확립합니다. 표준 가정 (평균장 집중, 선형 가격 영향) 하에서 CSAD 는 $\bar{\kappa}_{OR}$에 대해 단조 감소함을 유도합니다. 이는 기하학적 신호를 확립된 금융 문헌에 이론적으로 고정시킵니다.

3. 주요 기여

1. 기질 전환: 군집 행동 감지의 초점을 하류 가격 상관관계 그래프에서 상류 에이전트 상호작용 그래프로 전환하여, LLM 기반 시뮬레이터의 완전히 관측 가능한 행동 스트림을 활용합니다.
2. 부호 분해 기하학: 군집 행동 (양의 곡률, 클릭 내 밀도) 과 전염 (음의 곡률, 클러스터 간 브리지) 을 명시적으로 분리하여 상호 보완적인 경보 신호를 제공합니다.
3. 전방위적 흐름: 정적 클러스터링 연산자가 아닌 동적 붕괴 근접성 스칼라로서 리치 흐름 특이점 시간 ($\tau_{sing}$) 을 도입합니다.
4. 이론적 연결: 기하학적 곡률과 고전적인 CSAD 수익률 분산 통계량을 연결하는 스케일링 항등식을 제공합니다.

4. 실험 결과

실험은 CWS 연속 스핀 기질 (400 개의 궤적) 에서 수행되었으며, Vicsek 자기 구동 입자 모델로의 도메인 외 전이를 통해 검증되었습니다.

• 선행 시간:
  • 주요 감지기 ($\bar{\kappa}^+_{OR}$) 는 정밀도 중심 운영 지점에서 매개변수 군집 행동 사건 ($\tau^*$) 보다 중앙값 178 스텝 앞서 발동합니다.
  • 재현율 중심 운영 지점에서 중앙값 선행 시간은 272 스텝으로 확장됩니다.
  • 전염 감지기 ($\beta^-$) 는 중앙값 318 스텝의 선행 시간으로 중요한 궤적의 65% 를 재현합니다.
  • 동시 발동 궤적에서 에이전트 그래프 신호는 가격 상관관계 기준선보다 통합 중앙값 40 스텝 앞서 나타납니다.
• 일관성:
  • 기하학적 신호는 CSAD 와 부호 일관성을 보입니다 (곡률과 수익률 분산 간의 음의 상관관계).
  • 에이전트 그래프 신호는 매수/매도 불균형이 누적되기 전에 행동 클릭이 감지 가능하므로, 동시 발동 궤적에서 LSV 거래 흐름 통계량보다 앞서 나타납니다.
• 예측 유용성:
  • 곡률 조건부 예측 헤드 (삼중항 $\bar{\kappa}_{OR}, \tau_{sing}, V_{eff}$ 사용) 는 가격 전용 및 감지기 조건부 기준선보다 캐스케이드 윈도우 로그 수익률의 평균 절대 오차 (MAE) 를 감소시킵니다.
• 일반화:
  • 기하학적 서명은 Vicsek 모델로 도메인 외 전이되어 AUROC 0.99 로 질서 있는 체제와 무질서한 체제를 분리하며, 이 서명이 금융 특이적 인공물이 아닌 보편적 집단 조정을 반영함을 시사합니다.
• 어블레이션:
  • 이진 엣지 구성이 결정적입니다; 코사인 유사성 변형은 군집 행동을 감지하지 못합니다.
  • 부호 분해는 필수적입니다; 이를 제거하면 신호가 사라집니다.

5. 중요성 및 주장

본 논문은 GeomHerd가 금융 위험 모니터링의 근본적인 "관측 격차"를 해결함으로써 전방위적 군집 행동 정량화를 발전시킨다고 주장합니다. 에이전트 상호작용 그래프를 예측 가능한 세계로 간주함으로써, 이 프레임워크는 실현 수익률에 나타나기 전에 발현하는 조정의 구조적 토폴로지를 포착합니다.

저자들은 GeomHerd 가 단순한 새로운 통계량이 아니라 다음과 같은 전방위적 경보 시스템임을 강조합니다:

1. 예측: 집계 시장 기준선보다 군집 행동을 훨씬 더 일찍 예상합니다.
2. 구분: 내부 조정 (클릭 형성) 과 외부 전염 (브리지 전파) 을 구별합니다.
3. 일반화: 다양한 물리적 및 금융 기질에 걸쳐 일반화됩니다.
4. 개선: 조건부 특성으로 사용될 때 하류 예측 정확도를 개선합니다.

이 연구는 기하학적 딥러닝 (리치 흐름) 과 고전적 금융 이론 (CSAD/LSV) 사이의 교량으로 자신을 위치시켜, 에이전트 상호작용의 미시 구조 수준에서 시스템적 안정성을 모니터링할 수 있는 메커니즘을 제공합니다.