Crossing-Free Probabilistic K-Line Forecasts Without Retraining

기술 요약: 재학습 없는 교차 방지 확률적 K-라인 예측

문제 정의
확률적 K-라인 예측은 네 가지 상호 보완적인 가격 랜드마크인 시가(Open), 고가(High), 저가(Low), 종가(Close)(OHLC)에 걸친 불확실성을 정량화하는 것을 목표로 합니다. 그러나 이러한 예측을 생성하는 과정에서 경제적으로 실행 불가능하게 만드는 두 가지 뚜렷한 일관성 위반이 발생합니다:

1. 분위수 교차(Quantile Crossing): 동일한 특성에 대해 더 높은 분위수 수준의 예측값이 더 낮은 분위수 수준의 예측값보다 낮게 나타나는 현상입니다 (예: 90 백분위수 시가가 10 백분위수 시가보다 낮은 경우).
2. K-라인 교차(K-Line Crossing): 단일 예측 벡터 내에서 OHLC 가격 간의 의미론적 관계가 위반되는 현상입니다 (예: 예측된 고가가 예측된 시가나 종가보다 낮거나, 예측된 저가가 시가나 종가보다 높은 경우).

기존 솔루션들은 대개 특수한 모델 아키텍처, 페널티를 부여하는 학습 목적 함수, 또는 사후 재정렬(reordering)을 통해 하나의 제약 조건만을 해결합니다. 이러한 접근 방식은 종종 모델 재학습을 요구하거나, 하이퍼파라미터를 도입하거나, 예측치를 과도하게 변경하여 예측 정확도를 저하시키거나 입력과 출력 사이의 연관성을 깨뜨릴 위험이 있습니다.

방법론: K-라인-분위수 순차 투영(KQSP)
저자들은 모든 모델(완전히 학습된 인공 신경망 및 제로샷 파운데이션 모델 포함)에 적용 가능한 파라미터 프리(parameter-free), 학습 불필요(training-free) 재조정 방법인 KQSP를 제안합니다. KQSP는 원본 예측과 수정된 예측 사이의 제곱 거리를 최소화하면서 제약 조건을 충족하는 2단계 직교 투영(orthogonal projection) 방식으로 작동합니다.

이 프로세스는 원본 예측 행렬 $Z \in \mathbb{R}^{Q \times 4}$ (여기서 $Q$는 분위수의 수, 4는 OHLC 특성을 의미)를 수정된 행렬 $\hat{Z}_{KQSP}$로 변환합니다:

1. 1단계: K-라인 투영 ($P_O$):
   각 분위수 수준 $q$에 대해, 이 방법은 원본 OHLC 벡터를 유효한 OHLC 관계의 볼록 원뿔(convex cone)($L \leq \min(O, C)$ 및 $\max(O, C) \leq H$)로 투영합니다. 이는 유클리드 거리 측면에서 원래의 벡터와 가장 가까운 유효한 벡터를 찾는 방식으로 이루어집니다. 알고리즘은 수정이 최소화되도록(예: 하나를 급격히 이동시키는 대신 고가와 종가를 모두 약간 조정함) 관계가 등호로 성립하는 조합을 확인합니다.

2. 2단계: 분위수 투영 ($P_Q$):
   K-라인의 유효성을 확보한 후, 이 방법은 각 특성 열(시가, 고가, 저가, 종가)을 독립적으로 단조 원뿔(monotone cone)($v_1 \leq v_2 \leq \dots \leq v_Q$)로 투영합니다. 이는 최소 거리 이스토닉 회귀(isotonic regression) 접근 방식(구체적으로, 위반하는 그룹을 그 평균값으로 대체)을 사용하여 수행됩니다.

주요 속성:

• 모델 불가지론적(Model-Agnostic): 모델 가중치, 그래디언트 또는 내부 아키텍처에 대한 접근이 필요하지 않습니다.
• 재학습 불필요: 이는 출력 행렬에 적용되는 사후 교정 방식입니다.
• 일관성 보존: 저자들은 이 투영들의 순차적 적용이 이전 단계에서 설정된 제약 조건을 보존함을 증명합니다. 즉, 2단계가 1단계에서 제거된 K-라인 교차를 다시 유발하지 않습니다.
• 최소 수정: 직교 투영을 사용함으로써 KQSP는 수정된 예측치가 원본과 최대한 가깝게 유지되도록 하여 왜곡을 최소ization합니다.

주요 기여

1. KQSP 알고리즘: 파라미터, 하이퍼파라미터 또는 손실 페널티를 도입하지 않고 분위수 및 K-라인 교차를 동시에 제거하는 새로운 결정론적 방법입니다.
2. 체계적 비교: KQSP를 누적 최댓값(Cumulative Maximum), 재정렬(Reordering), 계층적 디코더(Hierarchical decoders), 그리고 결합 투영(Joint Projection, 두 제약 조건을 동시에 해결하는 방식)을 포함한 여러 베이스라인과 벤치마킹했습니다.
3. 교차 모델 평가: 이 방법은 완전히 학습된 인공 신경망(ANN)과 8개의 다양한 제로샷 파운데이션 모델(TimesFM, Chronos, Moirai, Time-MoE, TabPFN, 그리고 금융 특화 모델인 Kronos)에 대해 평가되었습니다.

결과
평가는 2016년부터 2026년까지의 일일 OHLCV 데이터를 사용하여 4개 섹터(자동차, 에너지, 금융, 기술)의 12개 주식을 대상으로 수행되었습니다.

• 교차 제거: KQSP는 평가된 모든 모델에 대해 모든 테스트 케이스에서 분위수 교차율(QCR)과 K-라인 교차율(KCR)을 **0.00%**로 감소시켰습니다.
• 예측 정확도: 일관성 강제가 성능을 저하시킬 것이라는 가정과 달리, KQSP는 ANN 설정의 모든 12개 주식에 대해 평균 분위수 손실(AQL)을 유의미하게 개선했습니다 ($p < 0.001$). 또한 평균 절대 오차(MAE)와 평균 제곱근 오차(RMSE)를 빈번하게 개선했습니다.
• 수정 규모: 교차를 제거하는 다른 방법들(재정렬 또는 누적 최댓값 등)과 비교했을 때, KQSP는 훨씬 더 작은 평균 및 최대 수정 오차를 생성했습니다. 이는 KQSP가 원래 모델의 신호를 더 효과적으로 보존함을 나타냅니다.
• 파운데이션 모델: 이 방법은 금융 특화 모델인 Kronos를 포함하여 제로샷 파운데이션 모델의 예측을 성공적으로 교정하였으며, Kronos는 완전히 학습된 ANN과 경쟁력 있는 성능을 보여주었습니다.

의의 및 주장
본 논문은 확률적 K-라인 일관성이 예측 생성과 독립적으로 강제될 수 있다고 주장합니다. KQSP의 주요 의의는 모델 재학습의 계산 비용이나 페널티 항을 통해 모델의 동작을 변경할 위험 없이 확률적 금융 예측의 구조적 불일치를 해결할 수 있다는 점에 있습니다.

저자들은 KQSP가 예측치를 유효한 제약 조건으로 투영함으로써 "실행 불가능한 변동성"(추정 노이즈)을 제거하고 유효한 성분만을 유지한다고 주장합니다. 이는 구조적 제약을 강제하는 것이 일종의 노이즈 제거(denoising) 역할을 하여, 밑바탕이 되는 모델을 수정하지 않고도 예측 지표를 향상시킬 수 있음을 시사합니다. 이 방법은 진입/청산 결정, 손절매 설정, 기간 내 리스크 평가와 같은 응용 분야에서 확률적 K-라인 예측의 신뢰성을 높이는 강력하고 보편적인 사후 처리 단계로 제시됩니다.