💰 quantitative finance

VertiFuseX: Generalizable Financial Forecasting via Multi-Stream Temporal Fusion

VertiFuseX는 다중 스케일 시간적 표현의 새로운 펜얼티메이트 레이어 수직 융합을 채택함으로써 다양한 글로벌 시장에서 기존 베이스라인을 유의미하게 능가하는 동시에 배포 가능한 효율성을 유지하며, 금융 예측에서 탁월한 일반화 및 정확도를 달성하는 경량 하이브리드 LSTM 아키텍처입니다.

원저자: Aashish Bohra, Vivek Vijay

게시일 2026-09-14✓ Author reviewed ⓘ

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Aashish Bohra, Vivek Vijay

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

주식의 미래 가격을 예측하는 것은 금융 분야에서 가장 어려운 과제 중 하나입니다. 시장은 꾸준하고 예측 가능한 기계가 아니라, 끊임없이 변화하는 혼란스럽고 노이즈가 많은 시스템입니다. 가격은 직선으로 움직이지 않고 즉각적인 뉴스, 장기적 추세, 그리고 수백만 명의 투자자들의 변화하는 심리에 따라 오르내립니다. 데이터가 매우 무질서하고 빠르게 변하기 때문에, 표준적인 컴퓨터 프로그램들은 노이즈 속에 숨겨진 진정한 신호를 찾는 데 종종 어려움을 겪습니다. 이들은 과거의 실수를 암기하거나, 시장이 갑자기 새로운 패턴으로 전환될 때 혼란에 빠지는 경 경향이 있습니다. 수십 년 동안 연구자들은 더 나은 도구를 구축하기 위해 노력해 왔으며, 복잡한 수학적 모델을 사용하여 가격이 다음에 어디로 향할지 추측함으로써, 그 추측을 투자자들이 위험을 관리하는 데 도움이 되는 신뢰할 수 있는 예측으로 바꾸고자 노력해 왔습니다.

인도 공과대학교 조드푸르(IIT Jodhpur)의 연구팀은 이 문제를 해결하기 위해 'VertiFuseX'라고 불리는 새로운 접근 방식을 제안했습니다. 컴퓨터에게 과거를 바라보는 단 하나의 경직된 방식을 강요하는 대신, 그들은 시장의 세 가지 서로 다른 '목소리'를 동시에 듣는 시스템을 구축했습니다. 세 명의 서로 다른 사람의 이야기를 듣고 복잡한 이야기를 이해하려고 노력한다고 상상해 보십시오. 한 명은 사건의 정확한 순서를 기억하고, 한 명은 처음부터 끝까지 전체 이야기의 맥락을 이해하며, 또 한 명은 플롯이 시간이 지남에 따라 어떻게 진화했는지에 대한 큰 그림을 보는 사람입니다. 연구진은 이 세 가지 관점을 하나의 통합된 모델로 결합했습니다. 그들은 과거에 대한 이러한 다양한 관점들을 최종 예측을 내리기 전에 하나로 병합함으로써, 시스템이 다른 모델들이 놓쳤던 패턴을 포착할 수 있었고, 결과적으로 훨씬 더 정확한 예측을 할 수 있다는 것을 발견했습니다.

그들의 발견의 핵심은 이러한 다양한 관점들을 어떻게 결합했느냐에 있습니다. 이전의 많은 시도에서 연구자들은 각 컴퓨터 모델이 스스로 예측을 내리게 한 뒤 단순히 그 결과를 평균 내는 방식, 즉 투표를 하는 것과 같은 방식을 사용했습니다. 새로운 연구는 이 방법이 너무나 가치 있는 정보를 버리는 것이라고 주장합니다. 대신, 연구진은 모델들이 데이터를 처리하는 과정 중에, 즉 최종 숫자를 확정하기 전 단계에서 모델들의 내부적인 '생각'을 결합하기로 결정했습니다. 그들은 세 가지 서로 다른 모델—단기 기억을 추적하는 모델, 특정 창(window) 내에서 과거와 미래를 살펴보는 모델, 그리고 깊고 층위 있는 추세를 이해하는 모델—로부터 추출한 중간 표현들을 가져와 하나로 융합했습니다. 이를 통해 시스템은 데이터를 하나의 압축된 추측값으로 줄이는 대신, 시장 역사의 풍부하고 세밀한 질감을 유지할 수 있었습니다.

이 아이디어가 효과가 있는지 테스트하기 위해, 연구진은 미국, 유럽, 아시아를 포함한 전 세계 10개 주요 주식 시장의 15년 치 일일 종가를 사용하여 시스템을 훈련시켰습니다. 그들은 모델이 과거 데이터로 훈련된 후, 테스트 데이터를 사전에 전혀 보지 못한 상태에서 미래를 예측하도록 하는 엄격한 테스트 방법을 사용하였는데, 이는 결과가 단순히 운 좋은 추측이 아님을 보장하기 위함이었습니다. 결과는 놀라웠습니다. 이 새로운 시스템은 기존의 표준 모델들과 비교했을 때 예측 오차를 30%에서 54% 사이로 줄였습니다. 또한 안정적이고 느리게 움직이는 우량주부터 급격하게 변하는 기술 중심의 변동성 높은 시장에 이르기까지 다양한 유형의 시장에서 일관되게 우수한 성능을 보였습니다. 시스템은 또한 놀라울 정도로 효율적이어서, 매우 적은 컴퓨터 메모리를 필요로 했으며 2밀리초 미만으로 예측을 수행했는데, 이는 실시간 거래가 가능한 속도입니다.

연구진은 또한 시스템이 실제로 무엇을 학습하고 있는지 이해하기 위해 시스템이 어떤 결정을 내리는지 분석했습니다. 모델이 과거의 어느 날들에 가장 많은 주의를 기울였는지 분석한 결과, 모델이 대략 9일에서 15일 전의 특정 시간 창(window)에 지속적으로 집중하고 있다는 것을 발견했습니다. 이는 모델이 신호가 유용할 만큼 강력하면서도 너무 오래되어 무의미해지지 않은 데이터의 '스윗 스폿(sweet spot)'을 찾아냈음을 시사합니다. 이 통찰은 시스템이 지난 1~2일간의 즉각적이고 혼란스러운 노이즈와 몇 달 전의 희미해진 패턴을 무시하고, 대신 가격 움직임을 주도하는 중간 단계의 추세에 집중하는 법을 배웠음을 보여주는 가치 있는 정보입니다.

이러한 더 나은 예측이 실제 세상에서 정말로 의미가 있는지 확인하기 위해, 팀은 모델의 예측을 이용한 트레이딩 전략을 시뮬레이션했습니다. 그들은 최근 금융 역사에서 가장 스트레스가 많았던 두 시기, 즉 2020년 팬데믹으로 인한 시장 폭락과 2022년의 하락장(bear market) 동안 시스템이 어떻게 수행되었는지 테스트했습니다. 두 경우 모두, 시스템은 단순히 주식을 보유하는 것보다 자본을 더 잘 보호했습니다. 시스템은 하락장에서 발생하는 최대 손실액을 줄였으며, 위험 대비 더 나은 수익을 달了했습니다. 총수익 측면에서 항상 시장을 이긴 것은 아니었지만, 변동성을 낮추고 급격한 하락을 줄이면서 수익을 냈다는 점에서, 이 모델이 극단적인 상황에서도 무너지지 않고 적응할 수 있음을 입증했습니다.

연구는 서로 다른 유형의 기억을 중간 단계에서 융합하는 이 새로운 방법이 금융 시장의 복잡성을 다루는 강력한 방법임을 결로 짓습니다. 이는 더 나은 예측의 핵심이 단순히 모델을 더 깊게 만들거나 더 복잡하게 만드는 것이 아니라, 모델이 과거를 바라보는 서로 다른 방식들을 어떻게 공유하고 결합하는지 가르치는 데 있음을 시사합니다. 시스템은 가볍고 빠르며 다양한 국가와 시장 조건에서도 견고함을 증명하여, 실제 금융 시스템에 배치될 수 있는 실용적인 도구임을 보여주었습니다. 연구진은 갑작스러운 글로벌 충격 속에서 어떤 모델도 완벽한 확실성을 가지고 미래를 예측할 수는 없다는 점을 인정하면서도, 그들의 연구가 불확실한 주식 시장의 파도를 헤쳐 나갈 수 있는 더 명확하고 신뢰할 수 있는 길을 제시한다고 밝혔습니다.

기술 요약: VertiFuseX

문제 정의

정확한 주가 예측은 금융 시계열의 비정상성(non-stationary), 고차원성, 그리고 노이즈 특성으로 인해 여전히 매우 어려운 과제로 남아 있습니다. 표준 LSTM, Bi-LSTM, 그리고 하이브리드 아키텍처(예: CNN-LSTM)를 포함한 기존 딥러닝(DL) 모델들은 세 가지 체계적인 한계에 직면해 있습니다:

경직된 의사결정 수준 융합(Rigid Decision-Level Fusion): 많은 모델이 다중 스케일의 시간적 의존성을 통합하기 전, 결정 단계에서 스칼라 예측값으로 수렴시켜 버립니다(예: 정적 평균 사용). 이는 단기 변동성과 장기 추세와 같은 이질적인 역학 관계 사이의 유의미한 상호작용을 방해합니다.
과적합 및 튜닝 민감도: 딥 앙상블 모델은 과도한 아키텍처 깊이, 규제 부족, 그리고 데이터셋별로 임의로 설정된 하이퍼파라미터 튜닝에 대한 의존성으로 인해 일반화 성능이 무너지는 현상을 겪습니다.
단일 스케일 시간 모델링: 대부분의 LSTM 기반 접근 방식은 고정된 해상도에서 패턴을 포착하며, 서로 다른 시간 지평(예: 일중 노이즈 대 월간 추세) 간의 계층적 의존성을 분리하는 데 실패합니다. 이는 변동성이 큰 시장에서 매우 중요합니다.

이러한 문제들은 정보 손실, 과적합, 그리고 엄격한 연대순 외표본(out-of-sample) 데이터 테스트 시 제한된 교차 시장 일반화 성능으로 이어집니다.

방법론: VertiFuseX

저자들은 **최종 직전 레이어 수직 융합(penultimate-layer vertical fusion)**과 **다중 스케일 시간 추상화(multi-scale temporal abstraction)**를 통해 이러한 한계를 해결하도록 설계된 하이브리드 LSTM 아키텍처인 VertiFuseX를 제안합니다.

아키텍처 개요

모델은 세 단계로 작동합니다:

DATAETL (데이터 추출, 변환, 로드):
- 피처 엔지니어링의 기여도를 격리하기 위해 엄격하게 단변량 입력(원시 종가)만을 사용합니다.
- 20일의 연대순 이동 창(moving window)을 사용합니다.
- 신호 충실도를 보존하기 위해 비거래일을 보간하지 않고 제거하며, 룩어헤드 편향(look-ahead bias)을 방지하기 위해 Min-Max 정규화를 오직 훈련 파티션에만 적용하는 엄격한 전처리를 수행합니다.
- 데이터를 연대순으로 분할합니다: 약 14년의 훈련/검증 데이터와 엄격한 365일의 홀드아웃(held-out) 테스트 세트로 구성됩니다.
FeatExt (특징 추출):
- 세 개의 병렬 시간 브랜치를 사용하여, 풍부한 중간 표현을 보존하기 위해 **최종 직전 레이어(task-specific regression 이전)**에서 특징을 추출합니다:
  - LSTM: 순방향 시퀀스 메모리를 포착합니다(단방향).
  - Bi-LSTM: 룩백 윈도우 내에서 양방향 문맥을 포착합니다.
  - St-LSTM (Stacked): 점진적인 추상화를 통해 계층적 추세를 포착합니다.
- 병렬 DNN 스트림은 동일한 입력 윈도우를 처리하여 비재귀적이고 정적인 비선형 관계를 포착합니다.
- 모든 브랜치는 드롭아웃(0.3)과 $\ell_2$ 제약 조건으로 규제되며, 출력은 공유 잠재 차원( $d_T = 64$ )에 맞춰 정렬됩니다.
VertiFuse (수직 융합):
- 최종 스칼라 예측을 평균 내는 결정 수준 융합 대신, VertiFuseX는 LSTM, Bi-LSTM, St-LSTM, 그리고 DNN 브랜치의 최종 직전 특징 벡터를 결합합니다.
- 결합된 특징들은 학습 가능한 아핀 변환(학습 가능한 가중치 행렬 $W_{fuse}$ 및 $W_{comb}$ 를 통해)과 ReLU 비선형 함수를 거칩니다.
- 이 **특징 수준 융합(feature-level fusion)**을 통해 모델은 최종 회귀 헤드로 넘어가기 전, 보완적인 시간적 표현(예: 노이즈가 높을 때는 Bi-LSTM을 강조하고, 안정적인 추세에서는 St-LSTM을 강조)을 동적으로 재가중할 수 있습니다.
- 전체 시스템은 고정된 하이퍼파러미터 구성 하에 역전파를 통해 공동 최적화되므로, 데이터셋별 튜닝이 필요하지 않습니다.

이론적 동기

핵심 가설은 최종 출력( $\hat{y}_i$ )보다 중간 단계의 표현이 입력 신호와 더 높은 상호 정보량( $I(X; F_i) \geq I(X; \hat{y}_i)$ )을 보유한다는 것입니다. 이 중간 단계에서 융합함으로써, 모델은 각 브랜치의 고유한 귀납적 편향(예: 양방향성, 계층 구조)을 보존하고 공동 그래디언트 전파를 가능하게 하여, 이미 저하된 예측값을 단순히 평균 내는 것이 아니라 상호 보완적인 전문화를 촉진합니다.

주요 기여

최종 직전 레이어 수직 융합: 결정 수준 앙상블링 대신 이질적인 시간 모델(LSTM, Bi-LSTM, St-LSTM)로부터 추출된 중간 잠재 특징을 통합하는 새로운 융법 전략을 도입했습니다. 이는 다중 스케일 시간 추상화를 보존하고 특징 수준의 상호작용을 용이하게 합니다.
강력한 교차 시장 일반화: 10개의 글로벌 주식 지수(S&P 500, NASDAQ, HSI, KOSPI 포함)에 대해 15년(2010–2024)의 데이터를 사용하여 엄격한 연대순 외표본 프로토콜로 평가되었습니다. 모델은 지수별 하이퍼파라미터 튜닝 없이도 일관된 성능을 달성했습니다.
임의 튜닝의 제거: 모든 데이터셋에 대해 고정된 검증된 하이퍼파라미터 구성(윈도우 크기=20, 드롭아웃=0.3, $\ell_2=10^{-4}$ )을 사용함으로써 과적합과 튜닝 오버헤드를 줄였습니다.
경량화 및 효율성: 모델은 컴팩트하며(매개변수 675k, 약 2.6 MB 규모), 낮은 추론 지연 시간(~1.5 ms/sample)을 가져 실시간 배포에 적합합니다.

실험 결과

모델은 표준 베이스라인(LSTM, Bi-LSTM, St-LSTM, ARIMA) 및 7개의 최신(SOTA) 모델(예: ModAugNet, Reservoir Computing, GA-CNN-LSTM)과 비교 평가되었습니다.

성능 지표: VertiFuseX는 LSTM 기반 베이스라인 대비 MAPE를 30–54% 감소시켰으며, MAE 및 RMSE를 40% 이상 개선했습니다.
SOTA 비교: 33개의 지표-데이터셋 비교에서 7개의 SOTA 모델을 지속적으로 능가했습니다. 기존 문헌의 최고 결과와 비교했을 때 MAE는 최대 34.6%, RMSE는 최대 36.4%까지 감소했습니다.
절제 연구(Ablation Studies): 실험을 통해 최종 직전 레이어 융합이 이러한 이득을 주도함을 확인했으며, 이는 최종 레이어 융합 및 결정 수준 앙상블(Average Ensemble)보다 실질적인 개선을 보여주었습니다.
돌출도 분석(Saliency Analysis): 그래디언트 기반 돌출도 맵은 **중기적 시간 의존성(9~15일 지연)**에 대한 일관된 강조를 보여주었으며, 이는 모델이 사전 정의된 지표 없이도 노이즈 감소와 추세 특성화를 균형 있게 학습함을 시사합니다.
경제적 검증: 알고리즘 트레이딩 시뮬레이션(2020년 코로나 쇼크 및 2022년 하락장 기간의 스트레스 테스트 포함) 결과, Buy-and-Hold 및 모멘텀 벤치마크에 비해 최대 낙폭(Maximum Drawdown)이 감소하고 위험 조정 수익률(Sharpe/Sortino ratio)이 우수함을 입증했습니다. 특히 변동성이 큰 국면에서 두드로 나타났습니다.

의의 및 주장

본 논문은 VertiFuseX가 단순성, 해석 가능성, 그리고 교차 시장 견고성을 결합하여 금융 예측을 발전시킨다고 주장합니다. 그 의의는 다음과 같습니다:

특징 수준 융합이 비정상적 데이터에서 시간적 구조를 보존하는 데 있어 결정 수준 앙상블보다 우월함을 입이 증명했습니다.
전문화된 재귀 브랜치(LSTM, Bi-LSTM, St-LSTM)를 통한 다중 스케일 추상화가 복잡한 어텐션 메커니즘이나 무거운 하이퍼파라미터 튜닝 없이도 효과적으로 통합될 수 있음을 보여주었습니다.
본 아키텍처는 높은 예측 정확도와 낮은 계산 비용 사이의 균형을 맞춘 배포 가능한 프레임워크를 제공하여, 실시간 금융 시스템의 실질적인 요구를 충족합니다.

저자들은 모델이 강력한 견고성을 보여주지만, 단변량 가격 데이터와 고정된 하이퍼파라미터에 의존하며, 이는 개별 시장별 최고 정확도와 광범위한 일반화 사이의 트레이드오프임을 명시했습니다. 이 연구는 모든 시장 예측 문제를 해결한다고 주장하는 것이 아니라, 하이브리드 딥러닝 시스템에서 시간 모델링 충실도를 향상시키기 위한 검증된 아키텍처적 개입을 제공합니다.