📊 statistics

Probabilistic Multivariate Time Series Forecasting with Diffusion Copulas

본 논문은 표준 확산 모델의 '정규성 편향'을 극복하기 위해 주변 분포 학습과 의존성 모델링을 분리하는 확산-코풀라 프레임워크를 제안함으로써 암호화폐 시장의 극단적 금융 위험과 시스템적 시장 붕괴를 예측하는 데 있어 우수한 정확도를 달성합니다.

원저자: David Huk, Dongshan Wang, Miha Bresar

게시일 2026-05-20

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: David Huk, Dongshan Wang, Miha Bresar

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

전체 도시의 날씨를 예측하려고 한다고 상상해 보세요. 하지만 비나 햇빛만 추적하는 것이 아니라 비트코인, 이더리움, 도지코인 같은 9 가지 다른 금융 자산의'기분'을 추적하는 것입니다. 목표는 두 가지 질문에 답하는 것입니다:

각 자산은 단독으로 얼마나 격렬해질 수 있을까요?
한 자산이 공황에 빠지면, 다른 자산들도 함께 공황에 빠질까요, 아니면 차분함을 유지할까요?

이 논문은 이 문제를 해결하기 위해'확산-코풀라 (Diffusion-Copula)'라는 새로운 도구를 소개합니다. 간단한 비유를 통해 그 작동 원리를 설명해 보겠습니다.

문제: "정상성 편향"

금융 분야에서 사용되는 대부분의 현대 AI 모델은 과도하게 낙관적인 날씨 예보관과 같습니다. 그들은 평범한 날 (맑거나 구름이 조금 낀 날) 을 예측하는 데는 뛰어나지만, 극심한 폭풍을 예측하는 데는 어려움을 겪습니다.

이러한 표준 모델이 대규모 시장 붕괴를 예측하려 할 때, 종종"정상성 편향"상태에 빠진 것처럼 행동합니다. 그들은 극단적인 사건이 너무 드물어서 사실상 불가능하다고 가정합니다. 만약 대규모 붕괴가 발생하면, 이러한 모델들은 충격을 받아 이를"블랙 스완 (통계적 불가능성)"이라고 부릅니다. 하지만 실제로는 한 암호화폐가 폭락할 때, 종종 모두 함께 폭락합니다. 좋은 모델은 이를 예상해야 합니다.

해결책: 두 단계 전략

저자들은 하나의 거대한 두뇌가 모든 일을 한 번에 처리하게 하는 대신, 작업을 두 개의 명확한 팀으로 나누는 더 지혜로운 접근법을 제안합니다.

1 단계: 솔로 아티스트 (주변 모델)

먼저, 모델은 각 자산을 개별적으로 살펴봅니다. 이는 각자 자신의 악기를 연습하도록 고용한 9 명의 서로 다른 솔로 음악가를 생각하면 됩니다.

그들은 매우 유연한 특수 신경망 (혼합 밀도 네트워크) 을 사용합니다. 이 네트워크는 금융 데이터가 매끄러운 곡선이 아니며'무거운 꼬리 (heavy tails)'를 가지고 있다는 것을 알고 있습니다.
비유: 한 솔로 음악가가 부드러운 선율을 연주할 수도 있지만, 갑자기 높은 음을 비명처럼 내지르거나 낮은 베이스 드럼을 치는 것에 대비하고 있다고 상상해 보세요. 그들은 오직 부드러운 연주만 할 것이라고 가정하지 않습니다. 이렇게 함으로써 모델은 각 자산이 단독으로 얼마나 격렬해질 수 있는지를 정확하게 예측할 수 있습니다.

2 단계: 지휘자 (확산 코풀라)

솔로 연주자들이 연습을 마친 후, 함께 연주해야 합니다. 이때 코풀라가 등장합니다. 코풀라는 오케스트라의 지휘자라고 생각하세요.

지휘자는 바이올린이 어떻게 음을 내는지 (그건 솔로 연주자의 일입니다) 에는 관심이 없습니다. 지휘자는 바이올린이 드럼에 비해 언제 연주하는지에만 관심을 가집니다.
저자들은"확산 코풀라"를 사용합니다. 지휘자가 모두 무작위로 연주하는 혼란스럽고 시끄러운 방에서 시작한다고 상상해 보세요. 그들은 천천히 음악가들을 동기화된 리듬으로 이끕니다.
마법 같은 트릭: 이 모델은"혼란"(모두가 독립적으로 연주하는 상태) 과"질서"(모두가 함께 연주하는 상태) 를 구별하는 법을 배웁니다. 분류기를 훈련시켜 그 차이를 포착함으로써, 특히 극단적인 사건 동안 자산들이 어떻게 동기화되어 움직이는지 정확히 학습합니다.

왜 이것이 중요한가: "블랙 스완"에서 "예상된 붕괴"로

이 논문은 동시에 폭락하는 것으로 알려진 암호화폐 시장에서 이 방법을 테스트했습니다.

구식 방법 (표준 AI): 많은 코인이 동시에 관여하는 대규모 붕괴가 발생했을 때, 구식 모델들은 충격을 받았습니다. 그들은"이건'블랙 스완'이야! 이런 일은 일어나면 안 돼!"라고 말했습니다. 그들은 이 사건을 통계적 오류로 취급했습니다.
신식 방법 (확산 코풀라): 동일한 붕괴가 발생했을 때, 이 모델은"아, '예상된 붕괴'군요. 제가 이걸 예상했습니다"라고 말했습니다.
결과: 새로운 모델은 한 자산이 하락할 때 다른 자산들도 함께 하락할 가능성이 높다는 것을 정확히 예측했습니다. 혼란에 놀라지 않았습니다. 이미 전염의"댄스 스텝"을 학습해 둔 상태였기 때문입니다.

결론

이 프레임워크는 최선의 상황을 바랄 뿐인 위험 관리 시스템을 구축하는 것과 같습니다. 이는 개별 자산의 변동성을 이해하는 작업과 자산들이 서로 어떻게 영향을 미치는지 이해하는 작업을 분리합니다. 이렇게 함으로써, 폭풍이 닥칠 때 몇 채의 집만이 아니라 도시 전체가 젖는다는 사실을 인정하는 더 현실적인 시장 그림을 만들어냅니다. 이를 통해 금융 전문가들은 최악의 시나리오에 대비할 수 있게 되며, 그들에게서 놀라움을 당하지 않게 됩니다.

기술 요약: 확산 코풀라를 활용한 확률적 다변량 시계열 예측

1. 문제 제기

정확한 금융 리스크 평가는 개별 자산의 변동성과 극단적인 시장 사건 발생 시 나타나는 복잡하고 비대칭적인 의존 구조를 모두 포착하는 것을 요구합니다. 기존 접근법들은 다음과 같은 중대한 한계에 직면해 있습니다:

전통적 코풀라 모델: 역사적으로 점근적 꼬리 독립성을 가정하는 고정된 모수적 패밀리 (예: 가우시안) 에 의존해 왔습니다. 이는 시장 붕괴 시 상관관계가 종종 1 로 수렴하는 전염 현상 (contagion) 이 관찰되는 경험적 현실과 모순되어, 꼬리 리스크를 심각하게 과소평가하게 만듭니다.
엔드 투 엔드 확산 모델: 현대의 확산 기반 모델들은 다변량 예측을 위한 강력한 생성 능력을 제공하지만, 엔드 투 엔드로 학습될 때 종종 '정규성 편향 (normality bias)'을 겪습니다. 단일 결합 목적 함수를 최적화함으로써 이러한 모델들은 개별 자산의 주변부 보정 (marginal calibration) 을 종종 훼손합니다. 결과적으로 이들은 다양한 크기를 가진 자산들 간의 일관된 극단값을 샘플링하는 데 어려움을 겪으며, 동시적인 시장 붕괴를 통계적으로 불가능한 '블랙 스완'으로 분류하여 결합 꼬리 리스크를 과소평가하는 경향이 있습니다.

핵심적인 과제는 주변부 보정 (특히 두꺼운 꼬리) 을 유지하면서 결합 극단 의존성을 정확하게 모델링하기 위해, 주변부 분포의 학습과 그 의존 구조의 학습을 분리하는 것입니다.

2. 방법론: 확산 - 코풀라 프레임워크

저자들은 스를라 (Sklar) 의 정리를 활용하여 주변부 모델링과 의존성 모델링을 명시적으로 분리하는 2 단계 확산 - 코풀라 (Diffusion-Copula) 프레임워크를 제안합니다.

2.1 예측 주변부 모델링

1 단계는 각 자산 $i$ 에 대해 예측 주변부 분포 $p(y_t^i | X_t)$ 를 독립적으로 모델링합니다.

아키텍처: 조건부 확률 밀도를 근사하기 위해 **혼합 밀도 네트워크 (Mixture Density Network, MDN)**가 사용됩니다.
구성 요소: 혼합 구성 요소는 정규 (Normal), 라플라스 (Laplace), 그리고 스튜던트-t (Student-t) 와 같은 이질적인 분포들로 이루어져 있습니다.
매개변수화: 신경망 $\Psi$ 는 과거 창 (14 개의 지연 수익률 및 이동 평균 변동성 등의 보조 특징) $X_t$ 에 조건부인 동적 매개변수 (혼합 계수 $\pi$ , 위치 $\mu$ , 스케일 $\sigma$ , 자유도 $\nu$ ) 를 출력합니다.
목적: 네트워크는 다양한 구성 요소 활용을 보장하기 위해 엔트로피 정규화와 함께 음의 로그 가능도 (NLL) 를 최소화하도록 학습됩니다. 이 접근법은 정밀한 보정을 유지하면서 두꺼운 꼬리, 다중 모드성, 그리고 왜도를 포착합니다.

2.2 분류 - 확산 코풀라 (CDC) 를 통한 의존성 모델링

2 단계는 **분류 - 확산 코풀라 (Classification-Diffusion Copula)**를 사용하여 결합 의존 구조를 모델링합니다.

변환: 주변부 관측값은 주변부 누적분포함수 (CDF) $F_i$ 를 사용하여 확률적 적분 변환 (PIT) 을 통해 코풀라 스케일 $u \in [0, 1]^d$ 로 변환된 후, 가우시안 스케일 $z = \Phi^{-1}(u)$ 로 매핑됩니다.
확산 과정: 이 방법은 표준 가우시안 주변부는 보존하면서 의존 구조를 점진적으로 파괴하는 전방향 오렌슈타인 - 울렌벡 (OU) 과정을 정의합니다.
분류 메커니즘: 표준 스코어 매칭 목적 함수 대신, CDC 는 신경망 분류기 $f_\theta$ $f_{θ}$ 를 훈련시켜 다음 두 상태를 구별합니다:
- 의존 상태: 초기 확산 시간 ( $t=0$ , 데이터 분포).
- 독립 상태: 후기 확산 시간 ( $t=T_K$ , 독립 잡음 분포).
밀도 복구: 코풀라 밀도 $c(u)$ 는 클래스 확률의 비율로 복구됩니다:
$c(u) = \frac{P_\theta(t=0 | z)}{P_\theta(t=T_K | z)}$
학습 목적: 하이브리드 손실 함수는 밀도 비율 추정 및 보정을 위한 교차 엔트로피 항과 정확한 기울기 및 안정적인 샘플링을 위한 디노이징 스코어 매칭 항을 결합합니다.

2.3 샘플링 절차

미래 궤적은 2 단계 과정을 통해 생성됩니다:

코풀라 샘플링: 가우시안 잡음에서 시작하여 $t=0$ 까지 디노이징하는 랑주뱅 역학 (Langevin dynamics) 을 사용하여 가우시안 스케일에서 의존적인 샘플이 생성됩니다. 이는 단위 초입방체 $[0, 1]^d$ 로 변환됩니다.
역 주변부 변환: 균일 샘플은 훈련된 MDN 의 역 CDF 를 사용하여 과거 $X_t$ 에 조건부인 자산 수익률로 다시 매핑됩니다. 이는 최종 샘플이 주변부 모델의 두꺼운 꼬리 특성을 계승하도록 보장합니다.

3. 주요 기여

분리된 프레임워크: 이 논문은 엔드 투 엔드 확산 모델의 '정규성 편향'을 해결하기 위해 주변부 보정과 의존성 모델링을 명시적으로 분리하는 하이브리드 아키텍처를 소개합니다.
분류 - 확산 코풀라: 전통적인 모수적 코풀라의 경직성 없이 복잡하고 비모수적인 의존 구조를 모델링하기 위해 분류기 기반 접근법을 활용하여 시계열에 CDC(Huk & Damoulas, 2026) 를 적용합니다.
두꺼운 꼬리 보존: 주변부에 스튜던트-t 구성 요소를 갖춘 MDN 을 사용하여, 이 프레임워크는 금융 리스크 관리에 필수적인 두꺼운 꼬리 커버리지를 보장합니다.
시스템적 사건 모델링: 이 접근법은 붕괴 시 상관관계가 급증하는 '전염' 효과를 성공적으로 포착하며, 이는 기존 베이스라인 모델들이 종종 놓치는 특징입니다.

4. 실험 결과

이 프레임워크는 암호화폐 시장 (ADA, BNB, BTC, DOGE, ETH, LINK, LTC, SOL, XRP) 에서 평가되었으며, 최첨단 베이스라인인 조건부 스코어 기반 확산 (CSDI) 과 트랜스포머 변조 확산 (TMDM) 과 비교되었습니다.

4.1 주변부 보정

PIT 및 QQ 플롯: 제안된 모델 (CDC) 은 확률적 적분 변환 (PIT) 및 분위수 - 분위수 (QQ) 플롯에서 이상적인 대각선과 밀접하게 일치했습니다. 반면, CSDI 와 TMDM 은 0 과 1 근처에서 편차를 보여 두꺼운 꼬리를 과소평가하고 있음을 나타냈습니다.
지표: CDC 는 가장 낮은 Root Mean Squared Error(RMSE) 와 Tail Event Accuracy를 달성했습니다. Mean Absolute Error(MAE) 와 Continuous Ranked Probability Score(CRPS) 에서는 2 위를 기록하여 중심 경향성과 꼬리 리스크 보정 사이의 우수한 균형을 입증했습니다.

4.2 결합 극단 예측

상관관계 안정성: 극단적 분위수 (깊은 꼬리) 에서 CDC 는 상관관계 행렬 추정에서 우수한 안정성을 유지했습니다. 베이스라인 모델들은 붕괴 시 상관관계를 과대평가하는 음의 편향 드리프트를 보이거나 증가된 공변동을 포착하지 못했습니다.
시스템적 사건 확률: 베이스라인 모델들은 4 개 이상의 자산 ( $k \ge 4$ ) 이 관련된 동시 붕괴에 대해 거의 0 에 가까운 확률을 할당했지만, CDC 는 동기화된 하락을 올바르게 예측하기 위해 상당한 확률 버퍼를 유지했습니다.
블랙 스완 vs. 예상된 붕괴:
- 베이스라인: 고 magnitude 의 동시 사건을 '블랙 스완'(높은 놀라움/마할라노비스 거리) 으로 분류했습니다.
- CDC: 동일한 사건들을 '예상된 붕괴'(낮은 놀라움) 로 분류하여 극단적 변동성을 예측 분포에 효과적으로 통합했습니다.
강건성: CDC 는 동시 극단 사건 발생 일의 CRPS 를 가장 낮게 기록하여 결합 꼬리 리스크 모델링에서의 강건성을 확인시켰습니다.

5. 중요성 및 주장

이 논문은 Diffusion-Copula 프레임워크가 주변부 보정과 결합 일관성 간의 트레이드오프를 해결함으로써 금융 리스크 관리에 중요한 진전을 제공한다고 주장합니다.

리스크 관리: 붕괴 시 상관관계가 급증하는 비대칭적 전염을 모델링할 수 있는 능력은 '꼬리 강건 (tail-robust)' 포트폴리오 구축을 가능하게 합니다.
스트레스 테스트: 확산 과정의 생성적 특성은 리스크 관리자가 견고한 예상 쇼트폴 (ES) 추정과 복잡한 다중 자산 파생상품 가격 책정에 필수적인 합리적인 '블랙 스완' 시나리오를 시뮬레이션할 수 있는 합성 스트레스 테스트를 수행할 수 있게 합니다.
패러다임 전환: 이 연구는 정확한 꼬리 리스크 평가가 주요 목표일 때, 금융 시계열의 경우 엔드 투 엔드 결합 모델링보다 주변부와 의존성을 명시적으로 분리하는 것이 우월함을 시사합니다.

저자들은 현재 프레임워크가 주변부 오류가 의존 구조로 전파될 수 있는 2 단계 추정기임을 인정하며, 향후 연구는 더 높은 차원의 정밀도를 위해 모델 프리 주변부 접근법 (예: Neural Spline Flows) 이나 흐름 기반 (Flow-based) 모델을 탐구할 수 있음을 제안합니다.