💰 quantitative finance

The Statistical Significance of the Inclusion of Graph Neural Networks in the Financial Time Series Forecasting Problem

본 논문은 그래프 신경망을 통합하여 시계열 데이터와 함께 기하학적 패턴을 포착하는 Time-Geometric 모델을 제시하며, 광범위한 실증 평가를 통해 이 접근 방식이 금융 단변량 시계열 예측 정확도에서 통계적으로 유의미한 개선을 가져온다는 것을 입증합니다.

원저자: Marco Gregnanin, Johannes De Smedt, Giorgio Gnecco, Maurizio Parton

게시일 2026-05-21

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Marco Gregnanin, Johannes De Smedt, Giorgio Gnecco, Maurizio Parton

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

날씨를 예측하려고 노력한다고 상상해 보세요. 대부분의 예보관들은 지난 며칠의 시간선을 살펴봅니다. "어제는 비가 왔고, 그전 날은 흐렸으니 오늘도 비가 올 가능성이 높다." 그들은 사건의 순서에만 완전히 집중합니다.

이 논문은 시간선을 살펴보는 것이 좋지만, 그것이 전부는 아니라고 주장합니다. 저자들은 데이터의 형태, 즉 숫자들이 서로에 대해 어떻게 오르내리는지, 마치 산맥이나 울퉁불퉁한 해안선처럼 보이는 형태를 함께 살펴본다면 훨씬 더 나은 예측을 할 수 있다고 제안합니다.

다음은 간단한 비유를 사용한 그들의 연구 개요입니다:

1. 문제: "언제"만 보는 것

금융 시장 (주식 가격 등) 은 혼란스럽고 노이즈가 많습니다. 전통적인 컴퓨터 모델 (RNN, Transformer, TCN 등) 은 앞쪽 트랙만 바라보는 달리기 선수와 같습니다. 그들은 시간 속의 패턴 (예: "매주 월요일에 가격이 오른다") 을 찾는 데 뛰어나지만, 데이터가 어떻게 구조화되어 있는지에 대한 더 큰 그림을 놓치는 경우가 많습니다.

저자들은 이러한 모델들이 개선 사항이 통계적으로 실제 것인지 아니면 단순히 운 좋은 추측인지 거의 확인하지 않는다는 점을 발견했습니다. 그들은 이러한 모델에 새로운 "감각"을 추가하는 것이 실제로 측정 가능한 차이를 만든다는 것을 증명하고자 했습니다.

2. 해결책: "시간 - 기하학적" 모델

저자들은 시간 - 기하학적 모델이라는 새로운 시스템을 구축했습니다. 이를 컴퓨터에 3D 안경을 씌워주는 것이라고 생각하세요.

시간 구성 요소: 이는 표준 부분입니다. 이전 모델들처럼 데이터를 시간의 직선으로 바라봅니다. "어제 무슨 일이 있었나? 그전 날은 무슨 일이 있었나?"라고 묻습니다.
기하학적 구성 요소 (비밀 무기): 이는 새로운 부분입니다. 저자들은 **가시성 그래프 (Visibility Graph)**라는 트릭을 사용합니다.
- 비유: 주식 가격을 차트 위의 일련의 수직 막대로 상상해 보세요. "가시성 그래프"는 다음과 같이 묻습니다. "화요일 막대 꼭대기에 서서 금요일 막대 꼭대기를 볼 수 있을까? 더 높은 막대가 시야를 가리고 있지는 않을까?"
- 볼 수 있다면, 그 두 점을 연결하는 선을 그립니다.
- 모든 점에 대해 이렇게 하면, 시간의 직선이 **그물망이나 거미줄 (그래프)**로 변합니다. 이 그물망은 직선으로는 놓치는 프랙털이나 무작위 혼란과 같은 숨겨진 패턴을 드러내며 데이터의 형태와 구조를 포착합니다.

3. 어떻게 테스트했는가

그들은 단순히 추측한 것이 아니라 방대한 실험을 수행했습니다.

데이터: 그들은 미국 최대 기업들인 S&P 100 에 포함된 90 개의 서로 다른 주식을 사용했습니다.
설정: 그들은 8 가지 유형의 표준 예측 모델 ("시간" 달리기 선수들) 을 가져와 **그래프 신경망 (GNN)**이라는 파트너를 부여했습니다. GNN 은 그물망과 연결성을 이해하도록 설계된 특수한 유형의 AI 입니다.
목표: 그들은 "시간 + 기하학" 팀이 "시간만" 팀보다 주식의 미래 가격을 더 잘 예측할 수 있는지 확인하고자 했습니다.

4. 결과: 형태가 중요한가?

답은 분명한 예이지만, 반전이 있습니다.

개선: 많은 경우 "기하학적" 그물망을 추가함으로써 모델들이 가격을 더 정확하게 예측하는 데 도움이 되었습니다. 이는 달리기 선수에게 트랙뿐만 아니라 지형의 지도를 주는 것과 같습니다.
반전 (통계적 유의성): 저자들은 이 분야에서 드문 일을 했습니다. 엄격한 통계 검정 (스톱워치로 점수를 확인하는 심판과 같은) 을 수행한 것입니다. 그들은 개선이 "통계적으로 유의미한지" (즉, 단순히 운이 좋은 것이 아닌지) 여부가 성공을 어떻게 측정하느냐에 달려 있음을 발견했습니다.
- 만약 "예측이 얼마나 빗나갔는지" (RMSE) 로 성공을 측정한다면, 기하학적 모델은 일부 AI 유형에서 크게 승리했습니다.
- 만약 다른 방식 (예: 백분율 오차) 으로 측정한다면 결과는 달라졌습니다.
- 주요 발견: "시간 - 기하학적" 모델이 모든 경기를 승리한 것은 아니지만, 승리했을 때는 우연이 아닌 실제 승리였습니다. 구체적으로 Transformer 나 TCN 과 같은 특정 모델과 짝을 이룰 때 막대한 개선을 보였습니다.

5. 결론

이 논문은 금융 데이터가 단순히 선이 아니라 형태를 가지고 있다고 결론 내립니다. 그래프 신경망을 사용하여 시간선과 함께 그 형태 ("기하학") 를 분석함으로써 미래 예측의 정확성을 크게 향상시킬 수 있습니다.

그러나 저자들은 수학을 확인하지 않고 "더 낫다"고 말할 수는 없다고 경고합니다. 결과를 측정하는 "자" (지표) 에 따라 승자가 달라질 수 있습니다. 하지만 전반적으로 데이터의 기하학을 살펴보는 것은 금융 시장을 이해하기 위한 강력한 새로운 도구가 되었습니다.

기술 요약: 금융 시계열 예측에 그래프 신경망 포함의 통계적 유의성

문제 제기

금융 시장의 단변량 시계열 예측은 데이터의 노이즈와 자산 가격의 확률적 특성으로 인해 본질적으로 어렵습니다. 수많은 통계적 (예: ARIMA) 및 딥러닝 모델 (예: RNN, Transformer, TCN) 이 존재하지만, 이들은 주로 데이터 내의 시간적 패턴 분석에 집중합니다. 이러한 모델들은 종종 시계열 구조에 내재된 기하학적 패턴을 간과합니다. 또한, 이전의 비교 연구들은 성능 개선을 검증하기 위한 엄격한 통계적 분석이 부족하여, 관찰된 차이가 확립된 기준에 따라 통계적으로 유의한 것인지 판단하지 못하는 경우가 많습니다. 본 연구는 그래프 신경망 (GNN) 을 통해 포착된 기하학적 패턴의 포함이 단변량 금융 시계열의 예측 정확도에 통계적으로 유의미한 개선을 가져오는지 조사함으로써 이러한 격차를 해소합니다.

방법론

시계열 - 기하학 프레임워크

저자들은 시간적 패턴과 기하학적 패턴 모두를 활용하도록 설계된 하이브리드 아키텍처인시계열 - 기하학 (Time-Geometric) 모델을 제안합니다. 이 모델은 세 가지 주요 구성 요소로 이루어져 있습니다:

가시성 그래프 구성: 핵심 혁신은 단변량 시계열을가시성 그래프 (Visibility Graph) 알고리즘을 사용하여 그래프 표현으로 변환하는 데 있습니다. 이 방법은 시계열 데이터 포인트를 노드로 매핑하고, 점들 간의 시선 (line-of-sight) 가시성에 기반하여 간선을 설정합니다. 이 변환은 구조적 속성을 보존하여 모델이 근본적인 시계열이 주기적, 무작위, 또는 프랙탈인지 식별할 수 있게 합니다. 결과적으로 생성된 그래프는 인접 행렬 ( $A_t$ ) 로 인코딩됩니다.
시간 구성 요소: 이 구성 요소는 표준 신경망 아키텍처를 사용하여 과거 관측치 (예: 시가, 고가, 저가, 종가, 거래량) 를 포함하는 특징 행렬 ( $X_t$ ) 을 처리합니다. 본 연구는 LSTM, GRU, RNN, BiLSTM, BiGRU, Transformer, TCN 을 포함한 다양한 베이스라인을 평가합니다.
기하학적 구성 요소: 이 구성 요소는 그래프 합성곱 네트워크 (GCN) 를 사용하여 인접 행렬 ( $A_t$ ) 과 특징 행렬 ( $X_t$ ) 을 처리하여 기하학적 패턴을 추출합니다. GCN 레이어의 출력은 기하학적 패턴 내의 시간적 의존성을 포착하기 위해 LSTM 레이어를 통해 추가 처리됩니다.
완전 연결 구성 요소: 시간 구성 요소의 시간적 패턴과 기하학적 구성 요소의 기하학적 패턴은 합산되며 (선택적으로 스킵 연결을 통해 원래 특징과 연결됨), 완전 연결 네트워크를 통과하여 최종 예측을 생성합니다.

실험 설정

데이터셋: 본 연구는 S&P 100 지수의 구성 요소를 나타내는 90 개의 단변량 시계열을 활용합니다. 데이터는 2015 년 1 월부터 2023 년 6 월까지의 종가, 시가, 고가, 저가, 거래량의 일일 관측치를 포함합니다.
평가: 모델은 일일 (1 일), 주간 (5 일), 월간 (20 일) 의 세 가지 예측 구간에서 평가됩니다.
지표: 성능은 평균 제곱근 오차 (RMSE), 평균 절대 오차 (MAE), 평균 절대 백분율 오차 (MAPE), 평균 절대 스케일 오차 (MASE) 로 측정됩니다.
통계적 분석: 유의성을 판단하기 위해 저자들은 다음을 활용합니다:
- 쌍별 비교: 베이스라인 모델과 시계열 - 기하학 대응 모델을 비교하는 짝지은 t-검정, 윌콕슨 부호 순위 검정, 부호 검정.
- 다중 비교: 모든 알고리즘을 동시에 순위 매기고 제 1 종 오류를 통제하기 위한 프리드만 (Friedman) 검정 followed by 네메니 (Nemenyi) 사후 검정.

주요 결과

수치적 성능

시계열 - 기하학 모델은 일반적으로 베이스라인 모델보다 향상된 성능을 보여주며, 특히 베이스라인이 Transformer 또는 TCN 아키텍처를 사용할 때 두드러집니다. 1 일 예측의 경우, TCN 을 포함한 시계열 - 기하학 모델 (TG(TCN)) 은 평균 RMSE(1.1420) 와 MAPE(0.5658) 가 가장 낮아 베이스라인 TCN 을 크게 능가했습니다. 그러나 개선의 크기는 지표와 모델 아키텍처에 따라 다양합니다. 예를 들어, 특정 오류 지표에 따라 일부 RNN 기반 베이스라인의 경우 개선이 덜 두드러지거나 일관성이 없었습니다.

통계적 유의성

통계적 분석은 기하학적 패턴 포함의 유의성이지표 의존적이며구간 의존적임을 보여줍니다:

지표 의존성: 쌍별 비교에서 $\Delta$ -Transformer 및 $\Delta$ -TCN 과 같은 모델은 1 일 예측의 모든 지표에 걸쳐 일관된 통계적 유의성 (귀무가설 기각) 을 보였습니다. 반면, $\Delta$ -RNN 과 같은 모델은 여러 지표에서 귀무가설을 수용하여, 특정 지표 하에서 해당 베이스라인에 대한 기하학적 포함이 성능을 통계적으로 개선하지 않았음을 나타냈습니다.
구간 의존성: 결과의 통계적 유의성은 예측 구간에 따라 변합니다. 5 일 및 20 일 예측의 경우 통계적 기각의 일관성이 달라지는데, 이는 예측 창이 길어짐에 따라 기하학적 패턴의 유용성이 변할 수 있음을 시사합니다.
다중 비교: 프리드만 및 네메니 검정은 모든 알고리즘 집합 간에 통계적으로 유의미한 차이가 있음을 확인했습니다. 시계열 - 기하학 모델은 종종 우수한 평균 순위를 달성했으며, 특히 TG(BILSTM) 와 TG(GRU) 가 두드러지게 잘 수행된 5 일 구간에서 특히 그러했습니다.

주장 및 의의

본 논문은 다음을 통해 단변량 시계열 예측 분야를 발전시켰다고 주장합니다:

시계열 - 기하학 모델 도입: 가시성 그래프를 통해 동적 GNN 을 베이스라인 시계열 신경망과 통합하는 새로운 프레임워크.
엄격한 통계적 검증 제공: 많은 이전 연구들이 평균 성능 지표에만 의존하는 것과 달리, 본 연구는 90 개의 금융 데이터셋에 걸쳐 광범위한 통계적 가설 검정 (쌍별 및 다중 비교) 을 적용합니다.
조건부 유의성 입증: 저자들은 기하학적 패턴을 활용하면 예측 정확도에통계적으로 유의미한 개선을 가져온다고 결론지었으나, 이 유의성은 평가 지표와 예측 구간의 선택에 달려 있음을 명시적으로 지적합니다.

본 논문은 기하학적 패턴이 모든 시나리오에서 시간적 패턴을 보편적으로 능가한다고 주장하지 않습니다. 대신, 기하학적 정보의 포함이 특히 Transformer 및 TCN 과 같은 특정 딥러닝 아키텍처와 결합될 때 특정 맥락에서 통계적으로 검증 가능한 향상을 제공한다고 가정합니다. 향후 연구는 금융 영역을 넘어 더 다양한 시계열 데이터셋에서 평가 지표의 행동과 기하학적 패턴의 유의성을 탐구할 것을 제안합니다.