Macroeconomic Message Passing for Anticipating Foreign Exchange Regime Changes: A Deep Logical Learning Approach using Graph Tsetlin Machines

기술 요약: 외환 레짐 변화 예측을 위한 거시경제 메시지 패싱

문제 정의
외환(FX) 시장의 레짐(특정 거시경제 조건에 의해 지배되는 가격 움직임의 구별된 상태)을 식별하는 것은 퀀트 금융에서 여전히 중요한 과제로 남아 있다. 전통적인 파라미터 모델(예: Hamilton 1989; Krolzig 1997)은 엄격한 선형성 가정에 의존하며 고차원 특징 공간에서 어려움을 겪는다. 비지도 학습이나 레짐 전환 프레임워크를 활용하는 현대적 머신러닝 접근 방식은 적응성을 개선했으나, 종종 긴 시계열에 걸쳐 작동하여 급격한 레짐 충격에 빠르게 대응하는 능력이 제한적이다. 또한, 표준 츠틀린 머신(Tsetlin Machine, TM)은 해석 가능한 논리 기반 패턴 인식을 제공함에도 불구하고, 명시적으로 설계되지 않는 한 과거 상태에 대한 내재적 기억이 부족한 불리언(boolean) 입력 표현과 고정된 길이의 아키텍처라는 제약을 가진다. 본 논문이 다루는 구체적인 과제는, 특히 정적 금리 정책으로 인해 변동성이 낮은 "변동성 가뭄(volatility droughts)" 기간 동안 신호 대 잡음비가 압축되는 상황에서, 시간당 데이터를 기반으로 네 가지 뚜렷한 외환 레짐을 예측하는 것이다.

방법론
저자들은 외생적 거시경제 변수를 구조화된 논리 기반 학습 시스템에 통합하는 그래프 츠틀린 머신(Graph Tsetlin Machine, GraphTM) 프레임워크를 제안한다.

• 그래프 표현: 시장은 하이퍼벡터화된 유향 다중 그래프 $G = (V, E, P, T)$로 모델링된다.
  • 노드 ($V$): 대상 가격 노드($v_{UJ}$ - USD/JPY), 변동성 궤적 노드($v_{ra}$), 효율성 궤적 노드($v_{le}$), 그리고 거시경제 동인 노드($v_{ry}$ - 미/일 국채 수익률 및 유가)를 포함한 시장 변수를 나타낸다.
  • 에지 ($E$): 인과적 및 상관적 관계(예: 채권 수익률에서 외환 가격으로의 펀더멘털 의존성, 교차 시장 변동성 연결)를 정의한다.
  • 속성 ($P$): 현재 및 과거 상태를 포착하는 희소 이진 하이퍼벡터(sparse binary hypervectors)로 인코딩된다 (예: 정규화된 평균 실제 범위(ATR) 및 효율성 비율(Efficiency Ratio)).
• 심층 논리 절 (Deep Logical Clauses): 글로벌 특징 벡터를 처리하는 표준 TM과 달리, GraphTM은 심층 결합 절(deep conjunctive clauses, $C_j = C^0_j \land C^1_j \land \dots \land C^{D-1}_j$)을 구성한다.
  • 레이어 0 ($C^0$): 로컬 노드 속성에 작동한다 (예: 변동성 확장의 부재 감지).
  • 메시지 패싱: 상위 레이어는 노드 간의 에지를 통해 전달되는 메시지 심볼($M$)을 활용한다. 하위 레이어 구성 요소가 참(true)으로 평가되면 이웃 노드에 신호를 보낸다. 후속 레이어는 이러한 "인박스(inboxes)"를 검사하여 주변 노드의 맥락에 대한 로컬 상태를 검증한다 (예: 안정적인 채권 수익률 노드에 대해 정체된 가격 노드를 검증).
• 학습 메커니즘: 시스템은 노드와 레이어 전반에 분산된 탈중앙화된 츠틀린 오토마타(Tsetlin Automata, TA)를 사용한다. 학습은 두 가지 피드백 유형에 의해 구동되는 이산 상태 전이를 통해 발생한다:
  • 유형 I (일반화): 올바른 분류에 기여하는 리터럴(literals)을 강화하여 안정적인 구조적 속성의 포함을 촉진한다.
  • 유형 II (식별): 현재의 시장 상태와 모순되는 리터럴의 포함을 강제함으로써 거짓 양성(false positives)을 억제하며, 효과적으로 특정 레짐을 오분류하는 절(clauses)을 억제한다 (예: "추세" 중에 "정체" 절이 활성화되는 것을 방지).
• 레짐 정의: 모델은 정규화된 변동성(ATR)과 방향성 효율성(Efficiency Ratio)의 교차점에 의해 정의되는 네 가지 레짐을 타겟팅한다:
  1. 정체 (Stagnant): 낮은 변동성 / 낮은 효율성.
  2. 안정적 추세 (Steady Trend): 낮은 변동성 / 높은 효율성.
  3. 횡보/평균 회귀 (Choppy/Mean-Reverting): 높은 변동성 / 낮은 효율성.
  4. 변동성 추세 (Volatile Trend): 높은 변동성 / 높은 효율성.
• 레이블링 전략: 시간적 안정성을 보장하기 위해, 모델은 전방 탐색 윈도우에 대해 72시간 다수결 투표 방식을 사용하여 레이블을 생성하며, 이를 통해 일시적인 시간당 노이즈를 필터링한다.

주요 기여

1. 그래프 이론적 레짐 탐지: 본 논문은 거시경제 동인과 기술적 지표를 그래프 구조로 매핑하여 교차 자산 간의 의존성과 인과 관계를 명시적으로 포착하는 GraphTM의 외환 시장 적용을 소개한다.
2. 제거에 의한 추론 (Reasoning by Elimination): 이 아키텍처는 속성의 부재(예: 변동성 확장의 결여)를 지정할 수 있는 능력을 활용하여 정체 상태를 정확하게 분류하며, 이는 저변동성 기간 동안 특히 효과적인 것으로 강조된다.
3. 하이퍼벡터를 통한 노이즈 강건성: 노드 속성과 메시지를 고차원 하이퍼벡터 공간에 인코딩함으로써, 모델은 신호 명확도가 낮은 환경에서도 예측 강건성을 유지한다.
4. 비대칭 리스크 메트릭: 저자들은 비대칭 비용 행렬에 기반한 커스텀 "트레이딩 리스크 점수(Trading Risk Score)"를 제안한다. 이 메트릭은 단순한 통계적 정확도보다 횡보장에서의 잘못된 추세 예측으로 인한 자본 침식을 최소화하는 것을 우선시하며, 모델의 최적화를 실제 알고리즘 트레이딩 제약 조건에 정렬시킨다.

결과
실증적 평가는 USD/JPY 시간당 데이터를 대상으로 수행되었으며, 데이터 누수를 방정하기 위해 엄격한 연대순 순서와 72시간의 데이터 퍼지(purge)를 포함한 훈련(60%) 및 표본 외(OOS) 테스트(40%) 세트로 분할되었다.

• 성능: 전체 GraphTM은 **70.69%**의 전체 OOS 정확도를 달 기록했다.
  • 클래스 0 (정체): 80.51% 정확도.
  • 클래스 2 (횡보): 71.91% 정확도.
  • 클래스 1 (안정적 추세): 48.16% 정확도.
  • 클래스 3 (변동성 추세): 11.24% 정확도 (표본 크기와 급격한 발생으로 인해 제한됨).
• 비교 분석: GraphTM은 그래디언트 부스팅 머신(62.54%), 그래프 신경망(56.13%), 그리고 최대 2개의 래그(lag)를 가진 표준 컨볼루션 츠틀린 머신(CoTM, 58.76%) 등의 벤치마크를 능가했다.
• 절제 연구 (Ablation Study): 외생적 거시경제 노드(채권 수익률, 유가, 교차 쌍 변동성)를 제거했을 때 성능이 크게 하락했다 (전체 정확도가 48.01%로 하락, 특히 클래스 1(안정적 추세)의 경우 9.93%로 급감). 이는 내부 모멘텀 지표만으로는 안정적인 추세와 횡보를 구분하기에 불충분함을 확인시켜 준다.
• 리스크 메트릭: 코로나19 고변동성 기간(2020년) 동안 롤링 리스크 메트릭은 높은 구조적 불확실성을 정확히 식별했다. 반대로, 2021-2022년의 안정적 추세 기간 동안 리스크 메트릭은 0에 가깝게 감소하여, 낮은 운영 리스크를 탐지하는 모델의 능력을 입증했다.

의의 및 주장
본 논문은 GraphTM이 다중 모드 시장 레짐을 탐색하기 위한 견고하고 투명하며 계산 효율적인 패러다임을 제공한다고 주장한다. 주요 의의는 구조적 기하학적 학습과 기호적 설명 가능성 사이의 간극을 메우는 데 있다. 거시경제 관계의 그래프 위에서 메시지 패싱을 활용함으로써, 모델은 블랙박스 형태의 딥 뉴럴 네트워크보다 더 빠르게 레짐 변화를 예측하는 동시에 논리적 절을 통해 해석 가능성을 유지할 수 있다. 저자들은 이 접근 방식이 특히 정체된 시장에서의 "제거에 의한 추론"에 유용하며, 교차 자산 상관관계를 블랙박스 성격 없이 통합하는 데 가치가 있다고 상정한다. 연구는 그래프 기반의 논리적 학습이 거시경제 관계를 그래프 구조로 명시적으로 모델링함으로써, 금융 예측을 위한 전통적인 머신러닝의 실행 가능한 대안을 제공한다고 결론짓는다.