기술 요약: 합성 시계열 데이터를 위한 생성적 적대 신경망 그래프

문제 제기

합성 금융 시계열 데이터 생성은 데이터 부족 문제 해결, 개인정보 보호 우려 대응, 그리고 모델 일반화 성능 향상을 위한 다양한 학습 세트 확보에 필수적입니다. 그러나 이 작업은 금융 데이터의 비정상성 (non-stationary) 과 확률적 (stochastic) 특성으로 인해 어려움을 겪습니다. 전통적인 통계 모델 (예: ARIMA, Black-Scholes) 은 종종 약정상성과 등분산성 (homoskedasticity) 에 대한 가정에 의존하며, 이는 진화하는 변동성과 복잡한 시장 역학을 포착하는 데 그 효과를 제한합니다. 데이터 기반 딥러닝 접근법, 특히 생성적 적대 신경망 (GAN) 은 유망한 결과를 보여주었으나, 기존 모델들은 주로 시계열의 자기회귀적 특성에 초점을 맞추고 있습니다. 이들은 금융 데이터에 내재된 기하학적 패턴과 비선형적 의존성을 자주 간과하는데, 이는 위험과 변동성을 정확하게 모델링하는 데 필수적입니다.

방법론: Sig-Graph GAN 프레임워크

저자들은 시계열의 시간적 및 기하학적 특성을 모두 포착하기 위해 세 가지 고유한 구성 요소를 통합한 새로운 아키텍처인 Sig-Graph GAN을 제안합니다.

1. 가시성 그래프 (Visibility Graph) 를 통한 그래프 표현:
   비정상성 문제를 해결하고 기하학적 구조를 포착하기 위해, 이 모델은 가시성 그래프 알고리즘을 사용하여 단변량 시계열을 그래프 표현으로 변환합니다. 이 접근법에서 데이터 포인트는 노드가 되고, 그들 사이에 명확한 시야 (line of sight) 가 존재하면 간선이 형성됩니다. 이 변환은 주기성, 무작위성, 프랙탈 특성 등의 구조적 특성을 보존하며, 정상성 가정을 하지 않고도 비유클리드 공간에서 모델이 작동할 수 있게 합니다.

2. 하이브리드 신경 아키텍처:
   생성자와 판별자의 핵심은 세 가지 상호 연결된 블록으로 구성됩니다.

   • 순환 블록 (Recurrent Block): 데이터의 고유한 자기회귀 구조와 시간적 의존성을 포착하기 위해 장단기 메모리 (LSTM) 네트워크를 사용합니다.
   • 기하학적 블록 (Geometric Block): 가시성 그래프에서 유도된 인접 행렬을 처리하기 위해 그래프 신경망 (GNN), 구체적으로 그래프 합성곱 신경망 (GCN) 을 활용합니다. 이 블록은 이웃 노드에서 정보를 집계하여 국소적 구조 정보와 기하학적 패턴을 학습합니다.
   • 순방향 블록 (Feedforward Block): 시간적 및 기하학적 특징 맵을 결합합니다. 순환 블록과 기하학적 블록의 출력을 합산하고 (선택적으로 스킵 연결을 통해 원래 입력과 연결) 파라메트릭 정류 선형 단위 (PReLU) 활성화 함수를 가진 완전 연결 계층을 통과시켜 최종 예측을 생성합니다.

3. 서명 기반 손실 함수 (Signature-Based Loss Functions):
   단순한 점 단위 오차를 넘어 생성된 데이터의 품질을 평가하기 위해, 저자들은 시계열 서명 (Time Series Signature)(경로 이론의 개념) 을 기반으로 한 맞춤형 손실 함수를 도입합니다. 원시 출력은 리드 - 래그 (lead-lag) 변환을 거쳐 변환되며, 5 차까지의 잘린 서명과 누적 잘린 서명이 계산됩니다. 두 가지 손실 지표가 정의됩니다.

   • 평균 제곱 오차 (MSE): 실제 데이터와 생성된 데이터의 서명 간의 점 단위 불일치를 측정합니다.
   • 쿨백 - 라이블러 발산 (KLD): 서명의 확률 분포 간의 차이를 측정합니다.
     이러한 손실 함수는 국소적 경로 속성과 전역적 분포 특성을 모두 포착하는 것을 목표로 합니다.

주요 기여

이 논문은 세 가지 주요 기여를 제시합니다.

1. 새로운 아키텍처: 자기회귀 특성과 기하학적 구조를 모두 활용하여 합성 데이터 생성을 위해 설계된 GNN 과 LSTM 네트워크를 동적으로 통합한 GAN 모델의 도입.
2. 맞춤형 손실 함수: Sig-Graph GAN 에 특화된 서명 기반 손실 함수 (MSE 및 KLD) 제안으로, 모델이 점 단위 값과 확률 분포 함수 모두에서의 불일치를 포착할 수 있도록 함.
3. 종합적 평가: S&P 500, 나스닥 종합, 닛케이 225 등 세 주요 주식 시장을 대상으로 한 엄격한 평가를 통해 기존 벤치마크 대비 성능 개선을 입증.

실험 결과

이 모델은 2010 년부터 2019 년까지의 S&P 500, 나스닥 (IXIC), 닛케이 225 (N225) 의 일별 종가를 대상으로 평가되었습니다. 데이터는 로그 수익률을 계산하고 두꺼운 꼬리 분포를 유도하도록 전처리되었습니다.

• 성능 지표: 연구는 분포 유사성을 측정하기 위해 지구 이동 거리 (EMD) 를, 서명에 대한 평균 제곱근 오차 (RMSE) 를, 그리고 레버리지 효과 점수를 사용했습니다.
• 비교 분석: Sig-Graph GAN 은 TCN 을 사용하는 Quant GAN, GARCH(1,1), 기하학적 브라운 운동을 기반으로 한 몬테카를로 시뮬레이션을 포함한 기준 모델들을 일관되게 능가했습니다.
  • 이 모델은 더 낮은 EMD 점수를 달성하여 실제 로그 수익률 분포에 더 근접한 매칭을 보였습니다.
  • 대부분의 기준 모델에 비해 레버리지 효과를 재현하는 데 있어 우수한 능력을 입증했습니다.
  • 손실 함수의 선택 (MSE 대 KLD) 은 특정 데이터셋에 따라 성능에 영향을 미쳤습니다 (예: KLD 는 N225 와 IXIC 에 유리한 반면, MSE 는 S&P 500 에 유리했습니다).
• 결손 연구 (Ablation Study): 기하학적 블록을 제거하면 가장 심각한 성능 저하가 발생하여 기하학적 패턴 포착의 중요성이 확인되었습니다. 기하학적 블록의 영향은 KLD 손실 함수를 사용할 때 특히 두드러졌습니다.

의의 및 주장

이 논문은 Sig-Graph GAN 이 자기회귀 모델링과 기하학적 구조 분석을 성공적으로 통합함으로써 시계열 생성 분야를 발전시켰다고 주장합니다. 가시성 그래프를 활용하여 시계열을 비유클리드 공간으로 표현하고 GNN 을 사용하여 이러한 구조를 학습함으로써, 이 모델은 전통적인 통계 모델에서 발견되는 정상성 가정의 한계를 극복합니다.

저자들은 이 접근법이 금융 데이터의 시간적 진화와 프랙탈 특성 등의 내재적 기하학적 패턴을 모두 효과적으로 포착한다고 주장합니다. 결과적으로 이 모델은 실제 금융 시계열의 통계적 특성, 시간적 의존성, 그리고 두꺼운 꼬리와 변동성 군집을 포함한 분포 특성을 더 정확하게 재현하는 합성 데이터를 생성합니다. 이 연구는 기하학적 패턴을 통합하는 것이 금융 응용 분야를 위한 더 견고한 합성 데이터 생성을 위한 결정적인 단계임을 시사하지만, 저자들은 향후 작업에서 LSTM 구성 요소를 Transformer 와 같은 더 발전된 아키텍처로 대체할 수 있음을 언급합니다.