기술 요약: 변동성 예측을 위한 잠재적 체제 편향 감사 (Latent-Regime Bias Auditing)

1. 문제 정의

변동성 예측은 리스크 관리, 헤징, 포트폴리오 배분, 특히 시장 불안정기 동안 매우 중요합니다. 그러나 표준적인 평가 관행은 RMSE(Root Mean Squared Error)나 MAE(Mean Absolute Error)와 같은 집계된 정확도 지표에 크게 의존합니다. 저자들은 이러한 지표가 오차의 시간적 및 조건적 분포를 압축하여, 특정 경제적 의미를 갖는 시장 상태에서 발생하는 체계적인 실패를 은폐할 수 있다고 주장합니다. 모델이 평균적으로는 낮은 오차를 보일지라도 조건부로는 신뢰할 수 없는 경우, 즉 리스크 관리에서 가장 비용이 많이 발생하는 상황인 스트레스 체제(stress regimes)에서 변동성을 체계적으로 과소 예측할 수 있습니다. 본 논문은 변동성 예측을 단순히 '평균적으로 얼마나 정확한가'의 문제가 아니라, **조건부 신뢰성 문제(conditional reliability problem)**로 다루어야 한다고 상정하며, 모델의 오차가 '어디서' 그리고 '언에' 편향되거나 불안정해지는지를 묻습니다.

2. 방법론

본 논문은 예측 모델 자체를 변경하지 않고도 숨겨진 체제별 편향을 탐지하기 위해 설계된 **모델 불가지론적 감사 프레임워크(model-agnostic audit framework)**를 제안합니다. 방법론은 다음 단계로 진행됩니다.

A. 자산 상대적 표현 학습 (Asset-Relative Representation Learning)

결과가 특정 자산의 지속적인 스케일에 의해 지배되지 않도록 다양한 자산(암호화폐 및 ETF) 간의 예측치를 평가하기 위해, 프레임워크는 시장 상태 윈도우의 시계열 표현을 학습합니다:

1. 정규화 (Normalization): 특징들(수익률, 범위 기반 변동성, 내재 변동성, 거래량, 드로다운 등)은 훈련 기간에서 도출된 강건한 통계량(중앙값 및 IQR)을 사용하여 각 자산 내에서 정규화됩니다.
2. 임베딩 (Embedding): 대조적 인코더(TS2Vec 스타일)는 시간적으로 중첩되는 뷰들을 정렬하기 위해 윈도우 임베딩($z_{i,t}$)을 학습합니다.
3. 적대적 불변성 (Adversarial Invariance): 임베딩이 정적 자산 정체성(asset identity)을 인코딩하여 체제 탐지를 방해하는 것을 방지하기 위해, 그래디언트 역전(gradient reversal)을 사용하는 적대적 자산 분류기가 사용됩니다. 인코더는 자산 예측을 어렵게 만들도록 훈련되어, 자산 식별 구조는 억제하면서 동적인 시장 상태 정보는 보존합니다.

B. 정렬된 체제 구축 (Construction of Aligned Regimes)

체제를 보편적인 시장 상태로 취급하는 대신, 프레임워크는 **자산 상대적 감사 파티션(asset-relative audit partitions)**을 구축합니다:

1. 클러스터링 (Clustering): 각 자산에 대해 개별적으로 K-means 클러스터링을 적용하여 $K$개의 잠재 상태를 식별합니다.
2. 정렬 (Alignment): 클러스터 레이블은 자산 간에 임의적이므로, 이를 **훈련 기간 스트레스 점수(training-period stress score)**를 사용하여 정렬합니다. 이 점수는 실현 변동성, 드로다운, 절대 수익 및 스트레스 대리 변수들을 결합합니다.
3. 레이벨링 (Labeling): 클러스터는 평균 스트레스 점수에 따라 정렬되어 Calm(평온), Intermediate(중간), **Stress(스트레스)**로 레이블이 지정됩니다. 이를 통해 한 자산의 "Stress"가 다른 자산의 유사한 수준의 스트레스와 대응하도록 하여 통일된 감사 공간을 생성합니다.

C. 감사 지표 (Audit Metrics)

프레임워크는 표준 RMSE/MAE를 넘어 다음과 같은 지표로 예측 모델($M$)을 평가합니다:

• 체제 조건부 편향 (Regime-Conditional Bias): 각 정렬된 체제 내에서의 부호가 있는 평균 오차(mean signed error).
• 숨겨진 편향 통계량 (Hidden Bias Statistics):
  • $RBA^{stable}_m$: 집계된 편향이 가장 큰 자산 상대적 체제 편향을 얼마나 과소평가하는지 정량화합니다.
  • $RCRG^{norm}_m$: 집계 편향과 최악의 경우 체제 편향 사이의 격차를 RMSE로 정규화합니다.
• 꼬리 및 경제적 손실 (Tail and Economic Loss):
  • 꼬리 과소 예측 (Tail Underprediction): 실현 변동성 상위 10% 결과에서의 과소 예측 비율.
  • 비대칭 손실 (Asymmetric Loss): 리스크 과소 추정의 경제적 비용을 반영하여 과소 예측($e < 0$)에 과대 예측보다 더 큰 패널티를 부여하는 비대칭 제곱 손실 함수($\ell_\lambda$).
• 통계적 추론 (Statistical Inference): 체제별 편향이 통계적으로 유의미한지 결정하기 위해 블록 부트스트랩(Block-bootstrap) 신뢰 구간을 사용합니다.

3. 주요 기여

본 논문은 다섯 가지 주요 기여를 명시합니다:

1. 문제 프레이밍: 변동성 예측을 순수한 정확도 최적화 작업이 아닌, 자산 상대적이고 체제 조건적인 신뢰성 감사 문제로 재정의했습니다.
2. 진단 도구: 숨겨진 체제 편향, 꼬리 과소 예측, 과소 예측에 민감한 경제적 손실을 위한 모델 불가지론적 진단 도구를 도입했습니다.
3. 체제 구축: 정규화된 시계열 임베딩, 적대적 자산 불변성, 경제적 스트레스 점수 정렬을 사용하여 자산 상대적 체제를 구축하는 방법을 개발했습니다.
4. 포괄적 감사: 역사적 베이스라인, HAR/IV 사양, 선형 모델, 트리 기반 모델, 순환 신경망(LSTM/GRU), 그리고 트랜스포머 스타일 아키텍처(iTransformer, PatchTST)를 포함한 광범위한 모델 세트에 프레임워크를 적용했습니다.
5. 실증적 증거: 집계된 정확도(RMSE)에 기반한 순위가 조건부 신뢰성 및 경제적 손실에 기반한 순위와 종종 상충함을 보여줌으로써, "정확한" 모델이라 할지라도 조건적으로는 신뢰할 수 없음을 입증했습니다.

4. 실험 결과

프레임워크는 2021~2026년 기간 동안 BTC, ETH, SPY, QQQ, IWM, GLD, USO에 대한 일일 실현 변동성 예측에 적용되었습니다.

• 체제 타당성 (RQ1): 정렬된 체제(Calm, Intermediate, Stress)가 경제적으로 유의미함을 보여주었습니다. 스트레스 체제는 평온한 시기에 비해 더 높은 실현/내재 변동성, 더 큰 드로다운 및 더 높은 꼬리 이벤트 집중도를 나타냈습니다.
• 숨겨진 편향 (RQ2): 집계된 지표가 상당한 체제별 편향을 은폐한다는 것이 발견되었습니다. 예를 들어, 경쟁력 있는 집계 RMSE를 가진 여러 모델이 특정 체제(예: LSTM 및 GRU 모델은 중간 스트레스 체제에서 유의미한 과소 예측을 보임)에서 통계적으로 유의미한 과소 또는 과대 예측을 나타냈습니다.
• 순위 역전 (RQ3 & RQ4):
  • 신뢰성 vs 정확도: RMSE에 의해 높은 순위를 차지한 모델들(예: 순환 모델)은 조건부 신뢰성 지표($RBA^{stable}$)로 평가했을 때 순위가 하락하는 경우가 많았습니다. 반대로, 일부 선형 및 금융 특화 모델(예: HAR-RV)은 신뢰성 순위에서 개선되었습니다.
  • 경제적 손실: 꼬리 가중 비대칭 손실을 사용할 때 순위 변화가 더욱 뚜렷했습니다. 트랜스포머 스타일 모델(PatchTST, iTransformer)은 집계 지표에서는 경쟁력이 있었으나, 경제적 손실 기준에서는 저조한 성능을 보였으며, 이는 변동성 극단값에 대한 반응성이 약하고 꼬리 과소 예측이 높음을 나타냅니다.
• 강건성 (RQ5): 발견된 결과는 다양한 예측 지평과 체제 구축 변형(일반 임베딩 vs 적대적 임베딩)에 걸쳐 유지되었으며, 이는 관찰된 조건부 신뢰성 격차가 단일 클러스터링 선택의 결과물이 아님을 확인시켜 줍니다.

5. 의의 및 주장

본 논문은 자신의 프레임워크가 평가 패러다임을 "어떤 모델이 평균적으로 가장 정확한가?"에서 "겉보기에 정확한 예측이 조건적으로 실패하는 시장 체제는 어디인가?"를 식별하는 것으로 전환한다고 주장합니다.

• 한계: 저자들은 자신들의 체제가 보편적인 시장 상태라기보다는 **샘플 의존적인 감사 파티션(sample-dependent audit partitions)**이라는 점을 언급하며 연구 범위를 겸허히 제한했습니다. 또한 분석은 일일 실현 변동성 타겟과 특정 교차 자산 패널에 국한되어 있습니다.
• 핵심 통찰: 본 논문의 주요 의의는 아키텍처의 복잡성이 조건부 신뢰성을 보장하지 않는다는 점을 입증한 데 있습니다. 모델은 평균적으로 매우 정확할 수 있지만, 리스크 관리가 가장 중요한 특정 스트레스 상태에서는 위험할 정도로 신뢰할 수 없을 수 있습니다.
• 시사점: 본 논문은 변동성 예측 평가가 예측이 가장 중요한 곳에서 신뢰할 수 있는지 확인하기 위해 집계된 오차 지표를 넘어 체제 조건적 진단을 포함해야 한다고 제안합니다. 이는 새로운 예측 모델을 제안하는 것이 아니라 기존 모델을 감사하기 위한 진단 도구를 제공하는 것입니다.