Historical Coefficient Fields: A Controlled Evaluation of Geometric Market-Memory Representations for Financial Forecasting

기술 요약: 역사적 계수 필드와 기하학적 시장 메모리

문제 정의
금융 예측은 일반적으로 시차를 둔 가격, 이동 통계량 또는 딥러닝 모델이 학습한 잠재 시퀀스와 같은 연대기적 역사 표현에 의존한다. 그러나 시간상으로는 멀리 떨어져 있는 시장 상태가 구조적으로 유사할 수 있는 반면, 연속적인 세션은 크게 다를 수 있다. 이러한 관찰은 역사를 달력상의 시간이 아닌 구조적 유사성에 따라 조직하는 것이 방향성 예측을 개선할 수 있다는 가설을 뒷로 한다. 본 논문은 최근의 금융 상품 이력을 정규화된 계수 벡터의 기하학적 필드로 표현하는 것이 표준적인 연대기적 베이스라인보다 예측적 이점을 제공하는지 조사한다.

방법론
저자들은 시장 메모리의 기하학적 표현인 **역사적 계수 필드(Historical Coefficient Field, HCF)**를 제안한다. 방법론은 다음과 같이 정의된다:

1. 입력 표현: 각 거래 세션은 개장가 대비 정규화된 기하학적 비율(상단, 하단 및 수직 편차)로 구성된 **개장 상대적 계수 벡터($C_t$)**로 인코딩된다. 이는 스케일 불변성을 보장한다.
2. 필드 구축: HCF는 점 구름(point cloud) $F_t^{(N)} = (H_t^{(N)}, d)$로 정의된다. 여기서 $H_t^{(N)}$은 가장 최근의 $N$개 계수 벡터 집합이며, $d$는 유클리드 거리이다. 연구의 대상은 이 점 구름의 연대기적 인덱스가 아니라 그 조직 방식이다.
3. 기하학적 기술자(Geometric Descriptors): 점 구름의 구조를 요약하기 위해 엄격하게 과거의 이동 창(rolling window)에 대해 7가지 인과적 기술자가 계산된다:
   • 국소 밀도 ($\rho$)
   • 지속성 ($P$)
   • 분산 ($D$)
   • 궤적 안정성 ($S$)
   • 최근접 유사 거리 ($\eta$)
   • 분할 엔트로피 ($H$)
   • 기하학적 에너지 ($E$)
   • 참고: 저자들은 기하학적 에너지 $E$가 대수적으로 중복($E = D^2$)되어 있으며, 분산, 안정성, 에너지가 고도로 상관된 클러스터를 형성한다는 점을 명시적으로 언급한다.
4. 평가 프로토콜: 입력 표현의 효과만을 격리하기 위해 엄격히 통제된 표현 전용(representation-only) 프로토콜이 채택되었다.
   • 고정 변수: 학습 알고리즘(로지스틱 회귀, 랜덤 포레스트, 그래디언트 부스팅), 워크 포워드 데이터 분할(최소 750 세션의 확장 윈도우, 252회마다 재학습), 타겟 변수는 일정하게 유지된다.
   • 변수: 오직 입력 표현만이 변화한다. 네 가지 표현이 테스트된다:
     • R1: 시차 수익률 (10개 시차)
     • R2: 이동 통계량 (다중 시계열 수익률, 변동성, 모멘텀)
     • R3: 원시 개장 상대적 계수 벡터 ($C_t$)
     • R4: HCF ($C_t$ + 기하학적 기술자)
   • 자산: 다양한 가격 규모를 가진 4개의 공개 상품: 금 (GC=F), S&P 500 (^GSPC), EUR/USD (6E=F), 비트코인 (BTC-USD).
   • 타겟: (1) 다음 세션 수익률의 부호 (방향성 예측); (2) 변동성 확장 (다음 세션의 정규화된 범위가 21세션 중앙값을 초과하는지 여부).
   • 베이스라인: 추세에 의한 정확도 인플레이션을 방지하기 위해 다수 클래스 기본율(majority-class base rate)(항상 더 빈번한 방향을 예측했을 때의 정확도)에 대비하여 성능을 측정한다.

주요 결과
경험적 평가는 견고한 부정적 결과를 도출한다:

• 방향성 예측: 세 가지 모델과 네 가지 자산 모두에서 어떤 표현도 다수 클래스 기본율(평균 52.0%)을 유의미하게 초과하지 못했다. 모든 정확도는 무작위 노이즈와 일치하는 50.9~52.4% 범위 내에 머물렀다.
• 기하학적 기술자의 영향: 제안된 HCF 표현(R4)은 원시 계수 벡터(R3)보다 개선되지 않았다. 실제로 기하학적 기술자를 추가하면 방향성 정확도가 약간 저하된다 (예: 로지스틱 회귀의 평균 51.6% vs 52.4%).
• 기술자의 중복성: 상관관계 분석 결과, 제안된 기술자 세트는 독립적이지 않다. 분산, 궤적 안정성, 기하학적 에너지는 0.95~0.98의 상호 상관관계를 보이며, 사실상 세 개의 기술자를 하나의 "전체 확산(overall spread)" 양으로 축소시킨다.
• 변동성 확장 타겟: 신호가 존재하여 모든 표현이 51.4%의 베이스레이트를 상회하는 변동성 확장 타겟의 경우, 기하학적 표현(R3 및 R4)은 단순 이동 통계량(R2)보다 열등하며, R2는 약 57%의 정확도를 달성했다. 기하학적 조직은 단순히 중복될 뿐만 아니라, 신호가 존재하는 지점에서 능동적으로 성능이 떨어진다.
• 강건성: 이러한 부정적 결과는 서로 다른 역사적 창 길이($N \in \{126, 252, 504\}$ 세션)에 걸쳐서도 유지된다.

주요 기여
본 논문은 자신의 기여를 새로운 예측 이론이 아니라, 엄격한 경험적 교정과 방법론적 템플릿으로 규정한다:

1. HCF의 정의: 역사적 계수 필드의 공식적 정의와 지연 좌표 임베딩(delay-coordinate embedding), 유사성 예측(analog forecasting), 커널 밀도 추정(kernel density estimation)과 같은 기존 개념과 명확히 구분되는 압축된 기하학적 기술자 세트를 정의한다.
2. 통제된 평가 프로토콜: 모델과 데이터 분할을 고정함으로써 성능 차이가 오직 입력 표현에 의해서만 기인하도록 하는 "표현 전용" 실험 설계를 제공한다.
3. 입증된 부정적 결과: 테스트된 자산과 프로토콜에서 기하학적 조직이 단순 베이스라인 이상의 방향성 정보를 제공하지 못한다는 사실을 정직하게 보고한다. 논문은 신호가 없는 표현에 대한 더 정교한 기하학적 기록 작업이 신호를 만들어내지는 않는다고 주장한다.

의의 및 주장
저자들은 주요한 의의를 부정적 결과의 엄격함과 적용된 방법론적 규율을 통해 주장한다:

• 검증되지 않은 이론의 방지: 본 연구는 방향성 신호를 운반하지 않는 표현을 바탕으로 검증 불가능한 기하학적 "이론"이 구축되는 것을 방지한다. 이는 시장 메모리의 기하학적 재조직이 예측성을 위한 지름길이 아님을 입증한다.
• 평가 표준: 본 논문은 향후 금융 역사의 표현을 평가하기 위해 사용할 수 있는 재사용 가능하고, 통제되었으며, 베이스레이트가 참조된, 모델 독립적인 템플릿을 제공한다.
• 제한된 범위: 저자들은 자신의 결과가 이 특정 표현 체계와 이 특정 과업에 대한 진술임을 명시한다. 이들은 기하학적 예측의 보편적 불가능성을 주장하는 것이 아니라, 향로의 기하학적 표현은 더 풍부한 구조를 구축하기 전에 반드시 동일한 통제된 표준을 통과해야 한다고 주장한다.

요약하자면, 본 논문은 시장 메모리의 기하학적 조직이 유효한 개념적 프레임워크이기는 하나, 단순한 연대기적 베이스라인 및 이동 통계량과 비교했을 때 방향성 예측이나 변동성 확장에 대한 예측적 가치를 제공하지 못한다고 결론짓는다.