🤖 machine learning

Deployment-Side Adaptiveness in Multi-Horizon Volatility Forecasting

이 논문은 다중 시계열 변동성 예측에 있어 학습된 다중 출력 모델에 적용되는 배포 전략이 모델 아키텍처 자체만큼이나 중요하다는 것을 입증하며, 검증 기반의 추론 시 롤아웃 규칙 선택이 정확도와 비용 효율성을 유의미하게 향상시킬 수 있음을 보여주는 동시에 최적의 정책이 특정 아키텍처와 선택된 평가 지표 모두에 민감하다는 점을 밝히고 있다.

원저자: Riku Green, Zahraa S. Abdallah, Telmo M Silva Filho

게시일 2026-06-29

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Riku Green, Zahraa S. Abdallah, Telmo M Silva Filho

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

매우 똑똑하고 고도로 훈련된 금융 수정구슬을 가지고 있다고 상상해 보세요. 당신은 이 수정구슬에게 향후 10일, 20일, 또는 30일 동안 주식 시장의 변동성(가격의 "출렁임")이 어떻게 될지 예측하도록 몇 주 동안 가르쳤습니다.

과거에는, 이 수정구슬의 훈련을 마친 후에는 설계된 그대로 사용하곤 했습니다. 즉, 오늘의 데이터를 보고 미래 전체 기간에 대한 하나의 거대한 예측치를 한 번에 내놓는 방식입니다. 이 논문의 저자들은 이를 "기본 MIMO(Default MIMO)" 방식이라고 부릅니다.

핵심 아이디어: 수정구슬에는 비밀 메뉴가 있다

이 논문은 당신이 훈련시킨 수정구슬의 잠재력을 실제로 낭비하고 있다고 주장합니다. 수정구슬이 한 번에 30일 치 예측을 하도록 훈련되었다고 해서, 반드시 그 방식으로만 사용해야 하는 것은 아닙니다.

당신의 훈련된 모델을 거대한 30코스 만찬을 한 자리에 차려내는 법을 배운 마스터 셰프라고 생각해 보세요. "기본" 방식은 만찬 전체를 한꺼번에 내놓는 것입니다. 하지만 이 논문은 이 똑같은 셰프에게 다음과 같은 요청을 할 수도 있다고 제안합니다:

먼저 첫 5코스만 요리하고, 맛을 본 뒤, 그 결과에 따라 다음 배치를 조절하여 그다음 5코스를 요리하게 합니다.
혹은, 처음 10코스를 요리하고 잠시 멈춘 뒤, 다시 계속하게 합니다.

비록 셰프(모델)가 가진 기술과 지식(훈련된 파라미터)은 동일할지라도, 당신이 요리를 요청하는 방식("롤아웃 규칙")이 최종적인 식사의 맛을 바꿉니다.

연구 결과

연구진은 다양한 유형의 AI 모델(단순한 수학 공식부터 복잡한 "트랜스포머" 네트워크까지)을 사용하여 20개의 서로 다른 주식을 대상으로 이 아이디어를 테스트했습니다. 그들은 다음과 같은 사실을 발견했습니다 (쉬운 비유를 사용하여 설명합니다):

"하나의 사이즈로 모두 해결하기"의 함정: 표준적인 모델 사용 방식(전체 30코스 만찬)이 종종 최선이 아니라는 것을 발견했습니다. 때로는 셰프에게 더 작은 배치(예: 한 번에 5코스씩)로 요리하도록 요청하는 것이 더 맛있는 식사(더 정확한 예측)를 만드는 결과를 가져옵니다.
단 하나의 최고의 레시피는 없다: 단 하나의 "최고" 배치 사이즈는 존재하지 않습니다. 어떤 종류의 셰프(모델)와 어떤 종류의 만찬(예측 기간)의 조합에서는 5개 단위의 배치가 완벽할 수 있습니다. 하지만 다른 셰프나 다른 시간대에는 10개 단위의 배치가 더 나을 수 있습니다. 이는 "매운 음식이 항상 더 좋다"라고 말할 수 없는 것과 같습니다. 때로는 담백한 맛이 필요하고, 때로는 매운맛이 필요하기 때문입니다. 최선의 선택이 너무나 자주 바뀌기 때문에, 하나의 새로운 규칙을 정해서 영원히 고수할 수는 없습니다.
"맛 테스트" 전략 (검증): 최적의 규칙을 미리 알 수 없기 때문에, 저자들은 스마트한 전략을 제안합니다. 고객에게 최종 식사를 내놓기(실제 시장에 적용하기) 전에, 연습용 메뉴(검증 데이터)를 통해 "맛 테스트"를 수행하는 것입니다. 다양한 배치 사이즈를 시도해 보고, 그 특정 셰프에게 가장 잘 맞는 것을 고릅니다.
- 저렴한 승리: 때로는 단 하나의 최적의 배치 사이즈(싱글톤)를 선택하는 것만으로도, 추가적인 노력 없이 거의 공짜로 더 맛있는 식사를 얻을 수 있습니다.
- 그룹 포옹 (앙상블): 때로는 여러 가지 배치 사이즈의 예측치를 하나로 섞는 것(마치 위원회 형태의 셰프들이 투표하는 것처럼)이 훨씬 더 좋은 결과를 줍니다. 다만, 이 방식은 계산하는 데 시간이 조금 더 걸립니다.
"지표"의 불일치: 이것은 매우 중요한 점입니다. 금융에서는 예측이 "좋다"라고 판단하는 기준이 여러 가지가 있습니다.
- MSE (평균 제곱 오차): 이는 식사가 목표 온도에 얼마나 근접했는지를 기준으로 맛을 평가하는 것과 같습니다.
- QLIKE: 이는 금융 특화 지표로, 식사가 재료의 "리스크"를 얼마나 잘 다루는지를 기준으로 맛을 평가합니다.
- 문제점: 온도 테스트(MSE)에 따라 식사를 "완벽"하게 만드는 배치 사이즈가, 리스크 테스트(QLIKE)에 따른 가장 안전하거나 수익성이 높은 배치 사이즈와 항상 일치하지는 않습니다. 만약 당신이 한 가지 테스트를 기준으로 전략을 선택한다면, 다른 테스트에서는 실패할 수 있습니다.

결론

이 논문의 결론은 모델을 어떻게 사용하는가가 모델 그 자체만큼 중요하다는 것입니다.

훈련된 AI를 단순히 켜기만 하면 되는 하나의 경직된 도구로 취급하는 대신, 이를 유연한 툴킷으로 보아야 합니다. 예측을 "롤아웃"하는 방식(배치 사이즈)을 변경하고 연습 단계에서 테스트함으로써, AI를 새로 훈련시키거나 새로운 모델을 만들지 않고도 더 나은 결과를 얻을 수 있습니다.

이는 당신의 훈련된 셰프가 전체 메뉴를 통째로 요리하도록 강요하는 대신, 연습 과정에서 효과적이었던 방식에 따라 더 작고 스마트한 단계로 요리하게 함으로써 더 나은 저녁 식사를 만들 수 있다는 사실을 깨닫는 것과 같습니다.

기술 요약: 다중 시계열 변동성 예측에서의 배포 측면 적응성 (Deployment-Side Adaptiveness in Multi-Horizon Volatility Forecasting)

1. 문제 정의

금융 예측, 특히 다중 시계열(multi-horizon) 변동성 예측에서, 표준적인 평가 패러다임은 훈련된 모델이 단일한 배포 가능한 예측기를 정의한다고 가정한다. 본 논문은 이러한 가정에 이의를 제기하며, 다중 입력 다중 출력(MIMO) 예측 모델의 경우 훈련 과정은 전체 이야기의 절반에 불과하다고 주장한다. 모델을 배포하는 방법—즉, 추론 시점의 롤아웃 규칙(inference-time rollout rules)—이 예측기의 동작, 정확도 및 계산 비용을 근본적으로 변화시킨다는 것이다.

본 논문이 다루는 핵심 문제는, 단일하게 훈련된 MIMO 예측기가 (예: 확정된 출력의 블록 크기를 변경함으로써) 재학습 없이도 서로 다른 일련의 배포 가능한 예측기들을 생성할 수 있는지 여부이다. 저자들은 "기본(default)" 직접 MIMO 배포가 최적인지, 아니면 대안적인 롤아웃 규칙이 특정 제약 조건(지연 시간, 계산 예산) 및 평가 지표(MSE vs. QLIKE) 하에서 더 나은 예측기를 유도하는지를 조사한다.

2. 방법론

2.1 유도된 규칙 군 (The Induced Rule Family)

저자들은 훈련된 MIMO 모델을 고정된 예측기가 아니라, 하나의 예측기 군(family of predictors)을 생성하는 생성기로 간야할 것을 제안한다.

메커니즘: 표준 MIMO 모델은 한 번의 패스(pass)로 전체 시계열 $H$ 를 예측한다. 저자들은 모델이 한 번 호출될 때마다 $s$ 단계( $1 \le s \le H$ )만을 확정하는 "블록 재귀적(block-recursive)" 배포를 도입한다.
롤아웃 과정: 확정된 $s$ 개의 예측값은 입력 윈도우에 추가되고, 상태(state)가 업데이트되며, 동일한 훈련된 함수 $f_\theta$ 가 다음 $s$ 단계를 예측하기 위해 다시 호출된다. 이 과정은 전체 시계열이 커버될 때까지 반복된다.
유도된 예측기: 블록 크기 $s$ (또는 롤아웃 비율 $r = s/H$ )를 변화시킴으로써, 동일한 고정 파라미터 $\theta$ 는 서로 다른 유효 예측기 $g_{\theta, s}$ 를 생성한다. 이는 완전히 재귀적인 방식( $s=1$ )부터 기본 MIMO 방식( $s=H$ )까지 아우르는 "규칙 군"을 형성한다.

2.2 실험 설정

데이터: VOLARE 아카이브의 일간 주식 변동성 시리즈 (20개의 단변량 시리즈). 타겟은 로그 실현 분산(log realized variance, 5분 단위 서브샘플링 데이터로부터 계산됨)이다.
시계열 범위(Horizons): 세 가지 예측 시계열 ( $H \in \{10, 20, 30\}$ 일).
아키텍처: 선형 모델부터 딥러닝에 이르는 다섯 가지 모델 클래스: LinearNet, MLP, LSTM, N-BEATS, PatchTST.
훈련: 모든 모델은 Adam 옵티마이저와 MSE 손실을 사용하여 직접 다중 출력 예측기(전체 $H$ 를 한 번에 예측)로서 훈련되었다.
평사 지표:
- MSE: 로그 변동성 스케일에서의 평균 제곱 오차 (주요 훈련 목적 함수).
- QLIKE: 원래 분산 스케일에서의 준-가능도(Quasi-Likelihood) 손실 (금융 표준 지표).
- 비용(Cost): 모델 호출 횟수( $\lceil H/s \rceil$ )로 측정된 추론 시간.

2.3 배포 정책

본 연구는 유도된 규칙 군에서 규칙을 선택하거나 결합하기 위한 여러 정책을 평가한다:

기본 MIMO (Default MIMO): 표준적인 $s=H$ 배포.
싱글톤 (Singletons): 단일 비기본 규칙( $s < H$ )을 배포.
검증 선택 싱글톤 (Validation-Selected Singleton): 검증 MSE를 기준으로 최적의 단일 $s$ 를 선택.
서브셋 앙상블 (Subset Ensembles):
- 단순(Simple): 하위 집합의 균등 평균.
- 선형(Linear): 검증 데이터 상에서 최소제곱법(OLS)을 통해 학습된 가중치를 사용하는 가중 평균.
- 선택은 고정된 서브셋 크기 $k$ 에 대해 검증 MSE를 최적화하기 위한 탐욕적 전방 선택(greedy forward selection)을 통해 수행된다.
전체 앙상블 (Full Ensembles): 전체 규칙 풀을 집계.

3. 주요 기여

MIMO에 대한 유도된 규칙 관점: 본 논문은 훈련된 MIMO 예측기가 추론 시점의 롤아웃 선택을 통해 하나의 배포 가능한 예측기 군을 정의한다는 개념을 도입한다.
배포 헤드룸 (Deployment Headroom): 저자들은 비기본 롤아웃 규칙이 MSE 측면에서 기본 MIMO 배포보다 빈번하게 우수한 성능을 보임을 입증한다. 그러나 최적의 고정 규칙은 모델 아키텍처와 예측 시계열에 따라 크게 달라지므로, 단일한 "글로벌" 대체 규칙을 적용하기는 어렵다.
검증 기반 정책: 검증 기반 선택(싱글톤)과 작은 서브셋 앙상블(예: $k=3$ )이 전체 앙상블의 비용보다 훨씬 적은 비용으로 이 헤드룸을 활용하여 MSE를 유의미하게 개선할 수 있음을 보여준다.
지표 민감도: 연구 결과 배포 정책은 지표에 민감하다. 검증 MSE에 최적화된 정책이 QLIKE 성능으로 반드시 전이되지는 않는다. 구체적으로, 학습된 선형 결합은 강력한 MSE 개선을 가져올 수 있지만, 단순한 정책(싱글톤 또는 단순 평균)에 비해 QLIKE 개선의 일관성은 떨어진다.
비용 효율성 vs. 재학습: 본 논문은 유도된 정책을 "규칙 스윕(rule sweep)" 대안(각 블록 크기에 대해 별도의 모델을 훈련하는 방식)과 비교한다. 유도된 정책은 동등한 성능을 내면서도 재학습 비용을 대폭 절감한다(각 후보 블록 크기당 하나씩의 모델을 훈련하는 대신 단 하나의 모델만 훈련).

4. 주요 결과

규칙 수준의 성능: 비-MIMO 싱글톤 규칙은 빈번하게 기본 MIMO를 능가한다(PatchTST와 같은 고급 모델의 경우 승률이 종종 60-80% 이상임). 그러나 승리하는 블록 크기는 아키텍처와 시계열에 따라 크게 달라진다.
정확도-비용 트레이드오프:
- 검증 선택 싱글톤: 낮은 비용의 개선을 제공한다(종종 MIMO 추론 비용의 2배 미만). MSE 개선 폭은 완만하다.
- 작은 서브셋 ( $k=3$ ): 강력한 절충안을 제공한다. 크기 3의 탐욕적 선형 서브셋은 (MIMO 대비 약 10-20배의 추론 비용이 들지만, 전체 앙상블보다는 훨씬 저렴함) 가장 큰 중앙값 MSE 감소를 달성한다(종종 MIMO 대비 5-15% 오차 감소).
- 전체 앙상블: 가장 낮은 오차를 제공하지만, 상당한 추론 비용 증가에 비해 작은 서브셋으로부터 얻는 한계 이득(marginal gain)은 종종 작다.
지표 전이성:
- MSE를 통해 선택된 정책이 QLIKE 개선을 보장하지는 않는다.
- 단순한 정책(싱글톤, 단순 평균)이 MSE와 QLIKE 사이에서 더 신뢰할 수 있는 전이성을 보인다.
- 선형 결합은 MSE에는 강력하지만, 운영 손실 함수가 QLIKE인 경우 덜 견고하다.
유도 vs. 개별 훈련: 특정 블록 크기에 대해 별도로 훈련된 모델은 유도된 정책에 비해 MSE 개선 효과가 미미하다. "오라클 비율(Oracle Ratio)"(유도된 방식과 개별 훈련 방식의 비용 비교)은 유도된 정책이 동등한 성능을 내면서도 재학습 노력의 약 10-30%만을 필요로 함을 시사한다.

5. 의의 및 주장

본 논문은 추론 시점의 배포가 금융 예측에서 의미 있는 적응성의 원천이라고 주장한다. 주요 의의는 평가의 초점을 "어떤 모델 아키텍처가 최선인가"에서 "훈련된 모델을 어떻게 배포할 것인가"로 전환하는 데 있다.

실무적 시사점: 실무자들은 기본 MIMO 출력이 최종 결과물이라고 가정해서는 안 된다. 훈련된 모델을 압축된 배포 공간으로 취급함으로써, 재학습의 막대한 비용 없이도 정확도, 비용, 그리고 특정 운영 손실(MSE vs. QLIKE) 사이의 균형을 맞추는 정책(싱글톤 또는 작은 서브셋)을 선택할 수 있다.
평가 설계: 저자들은 배포 정책이 모델 아키텍처와 함께 평가되어야 한다고 주장한다. 모델의 진정한 잠재력은 배포 전략이 특정 금융 사용 사례의 제약 조건 및 손실 함수에 최적화될 때 비로소 실현된다.
겸허한 태도: 저자들은 본 연구의 결과가 단변량 일간 변동성에 기반하고 있으며, 본 연구의 결과가 다운스트림 포트폴리오 효용이나 리스크 관리 성능에 관한 것이 아니라 예측 정확도에 관한 것임을 명시하며 한계를 인정한다. 저자들은 새로운 변동성 아키텍처를 제안하는 것이 아니라, 기존의 훈련된 모델을 활용하는 새로운 관점을 제안하는 것이다.