기술 요약: 역사적-기억 기반 주식 선정 (Historical-Memory Equity Selection)

1. 문제 정의

본 연구는 금융 머신러닝의 두 가지 주요 과제를 다룹니다:

1. 중기적 시계(Intermediate-Horizon) 예측: 현대적인 시퀀스 모델, 특히 긴 문맥을 표현할 수 있는 모델(예: 트랜스포머)이 단순히 고빈도 또는 초단기 시계가 아닌, 중기 기간(구체적으로 63 거래 세션) 동안 유지되는 주식 선정 결정에 효과적으로 기여할 수 있는가?
2. 의사결정 로직의 검사 가능성(Inspectability): 개방형 언어 모델이나 검색 증강 생성(RAG) 레이어에 의존하지 않고도, 경계가 정해진 태스크 특화형 수치적 기억(numerical memory)을 구축하여 예측의 근거를 검사 및 감사 가능하게 만들 수 있는가?

저자들은 시퀀스 모델이 발전했음에도 불구하고, 금융 예측은 느린 결과 실현, 체제 변화(regime changes), 그리고 예측 정확도가 거래 비용 및 경로 의존적 청산(exit)을 고려한 수익성 있는 포트폴리오 선정으로 반드시 직결되지 않는다는 점 때문에 복잡하다는 점을 언급합니다.

2. 방법론

데이터 및 유니버스

• 유니버스: 연속성과 거래소 기준에 따라 108개 후보 중 선정된 6개 시장(미국, 인도, 중국, 브라질, 프랑스, 영국) 내 103개의 유동성 높은 주식 패널. 이 패널은 생존 편향을 고려하여 구성되었습니다(survivorship-conditioned).
• 타임프레임: 6개의 연간 워크 포워드 폴드(walk-forward folds)를 사용하여 6년 연속 기간(2020~2025년)을 평가합니다.
• 피처(Features): 23개의 기술적 가격-거래량 피처(수익률, 모멘텀, 변동성, 거래량, 이동평균, 드로다운, 가격 위치).
• 입력 표현: "풀링 윈도우(pooled-window)" 시스템은 252일 지연 윈도우로부터 42개의 비중첩 6-세션 평균을 구성하여 966차원 벡터($42 \times 23$)를 만듭니다. 이는 패치 내 일별 순서를 제거합니다.
• 타겟: 모델 조정 가격(분할/배당 조정)에 대해 계산된 63-세션 선행 수익률($r_{63}$)이며, 이는 예측 라벨이자 랭킹 프록시 역할을 합니다.

프레임워크 구성 요소

본 연구는 적격한 과거 기록, 완료된 수익률, 그리고 명시적인 집계 규칙으로부터 예측이 구성되는 프레임워크를 구현합니다. 이 기억(memory)은 신경망 예측기와 병행하거나 독립적으로 작동합니다.

1. 역사적 기억 (유사성 검색):

   • 적격성: 기록은 반드시 126-세션의 완료된 결과 윈도우를 가져야 합니다. 동일 티커의 정확한 일치는 제외됩니다. 동일 티커에서 선택된 선례(precedents)는 최소 21-세션의 간격을 두어야 하며, 티커당 최대 3개로 제한됩니다.
   • 검색: 쿼리에 대해, 표준화된 풀링 피처 윈도우 간의 유클리드 거리를 기준으로 $k=25$개의 선례를 선택합니다.
   • 집계: 예측값은 선택된 25개 선례의 63-세션 수익률의 산술 평균입니다.
   • 감사 가능성: 프로세스는 적격성 검사, 선택된 ID, 거리, 수익률로 완전히 분해 가능하며, "인용(citation-like)" 형태의 감사 추적을 제공합니다.

2. 신경망 예측기 (Neural Predictors):

   • 템포럴 트랜스포머 (Temporal Transformer): (42, 23) 풀링 윈도우를 받아 패치를 폭 64로 투영하고, 두 개의 인코더 레이어(4개 헤드, 피드포워드 폭 128)와 어텐션 풀링 및 스칼라 헤드를 사용합니다.
   • MLP: 레이어 정규화(LayerNorm)와 GELU 활성화 함수를 포함하여, 평탄화된 966차원 벡터를 통과하는 레이어(966 → 64 → 128 → 1)를 통해 데이터를 소비합니다.
   • 두 모델 모두 결정론적 체크포인트(시드 7, 17, 37)를 사용합니다.

3. 혼합 및 게이팅 (Mixing and Gating):

   • 고정 혼합 (Fixed Mixtures): 개발 데이터에서 그리드 서치(MSE 또는 샤프 지수 목적 함수)를 통해 선택된 계수 $\lambda$를 사용하여 신경망 예측치($\hat{r}_{base}$)와 메모리 예측치($\hat{r}_{mem}$)의 선형 결합을 수행합니다.
   • 적응형 게이트 (Adaptive Gates): 로지스틱 게이트($g = \text{sigmoid}(a^T z + b)$)를 사용하여 크기 및 불일치 진단($| \hat{r}_{base} |$, $| \hat{r}_{base} - \hat{r}_{mem} |$, $| \hat{r}_{mem} |$)에 따라 두 예측치에 동적으로 가중치를 부여합니다.

4. 포트폴리오 실행:

   • 할당: 점수는 변동성 스케일링을 거칩니다 ($S = \hat{r} / (v_{21} + 10^{-4})$).
   • 제약 조건: 롱 온리(Long-only), 계좌당 최대 3개 포지션, 다음 개장 시 실행.
   • 청산 규칙: ATR 기반의 트레일링 스톱(Chandelier 스타일) 및 63-세션 보유 상한선 적용.
   • 비용: 편도당 10 bps 수수료 + 5 bps 모델링된 슬리피지.

대조군 및 베이스라인

연구는 다음을 포함한 16개의 정책을 비교합니다:

• 메모리 대조군: 무작위 적격 검색, 무조건적 역사적 평균(역사적 사전 확률), 그리고 일반 KNN(3-per-ticker/21-session 제약이 없는).
• 신경망 대조군: 직접 MLP, 직접 트랜스포머, 그리고 이들의 혼합/게이트.
• 금융 벤치마크: 21-세션 모멘텀, 변동성 스케일링 모멘텀, 그리고 패시브 동일 가중 매수 후 보유(buy-and-hold).

3. 주요 결과

성과 지표 (2020–2025)

주요 지표는 204개의 연속적인 시장/런 계정에 걸쳐 계산된 평균 시장 샤프 지수(mean-market Sharpe ratio)입니다.

• 패시브 동일 가중 (Passive Equal Weight): 가장 높은 평균 시장 샤프 지수(0.636)와 연간 수익률(11.91%)을 달 기록했습니다.
• 신경망 베이스라인: 연간 릿지 회귀(Ridge regression)를 따랐으며 샤프 지수는 0.444였습니다. 직접 MLP 및 트랜스포머 모델은 0.274에서 0.383 사이의 범위를 보였습니다.
• 메모리 성과:
  • 유사성 메모리 (검색): 샤프 지수 0.245 및 연간 수익률 2.99%.
  • 비교: 유사성 메모리는 무작위 메모리(샤프 0.423) 및 역사적 사전 확률(샤프 0.352)보다 성과가 낮았습니다.
  • 통계적 유의성: 유사성 메모리를 대조군(무작위, 사전 확률, KNN, 릿지, MLP, 트랜스포머)과 비교한 6가지 주요 대조 모두 음(-)의 점 추정치를 나타냈습니다. Holm 조정을 거친 후에도, 단 하나도 5% 수준에서 통계적으로 유의미한 차이를 보이지 않았습니다(Holm 조정 p-값 범위: 0.7487 ~ 1.0000).

구체적 발견 사항

• 증분 가치 없음 (No Incremental Value): 구현된 유사성 선택 규칙은 더 단순한 대안(무작위 검색, 역사적 평균)이나 신경망 베이스라인보다 포트폴리오 가치를 높이지 못했습니다.
• 게이트 vs 혼합: 적응형 게이팅은 고정 샤프 선택 혼합 방식보다 통계적으로 우월한 성과를 보이지 않았습니다.
• 시장 이질성: 유사성 메모리는 브라질, 인도, 영국, 미국에서는 양(+)의 샤프 지수를 보였으나, 중국과 프랑스에서는 음(-)의 샤프 지수를 보였습니다. 그러나 이는 벤치마크를 이긴 것이 아닙니다.
• 증거의 역전: 결과는 개발 단계(2024년)에서 메모리 기반 접근 방식이 유망함을 보여주었던 초기 단일 연도 결과와 상반되었습니다. 저자들은 이러한 역전을 광범위한 체제 커버리지, 풀링된 표현 방식, 또는 유클리드 거리 메트릭 등의 요인 때문으로 추정하지만, 단일 원인을 특정하지는 못했습니다.

4. 기여 및 의의

주요 기여

1. 명시된 인터페이스: 본 논문은 메모리 구축, 이웃 선택, 예측 집계, 포트폴리오 실행 사이의 엄격한 인터페이스를 정의합니다. 이를 통해 검색 메커니즘을 신경망 예측기와 별개로 감사할 수 있습니다.
2. 일치된 비교: 동일한 평균 시장 샤프 통계량을 사용하여 16개 정책에 대한 매칭된 비교와 쌍체 검정(paired inference)을 제공하며, 가용 정보 집합을 통제합니다.
3. 검사 가능성: 본 프레임워크는 경계가 정해진 수치적 메모리를 통해 언어 모델 없이도 사례별로 분해 및 검토 가능한 데커플링된 계산을 구현할 수 있음을 보여줍니다.

완곡한 주장 및 한계

저자들은 다음과 같이 명시적으로 밝힙니다:

• 본 연구는 메모리 레이어가 신뢰성, 정확성 또는 규제 준수를 보장한다고 주장하지 않습니다.
• 결과는 구현된 유사성 선택 규칙(풀링된 기술적 피처에 대한 유클리드 거리)에 대한 **부정적 증거(negative evidence)**를 나타내는 것이지, 역사적 메모리 개념 자체를 일반화하여 거부하는 것이 아닙니다.
• 평가 기간(2020~2025)은 개발 중에 검토되었으며, 유니버스는 생존 편향을 고려하였습니다. 따라서 결과는 데이터 빈티지 및 기업 액션의 제한이 있는 연구 시뮬레이션입니다.
• 프레임워크는 검색 기여도를 식별 가능하게 만들지만, 다년간의 증거는 이 특정 구성에서 유사성 선택이 포트폴리오 성과를 개선한다는 것을 보여주지 못했습니다.

결론

핵심 교훈은 검사 가능한 메모리 메커니즘과 수익성 있는 유사성 신호는 서로 다른 성취라는 점입니다. 본 프레임워크는 역사적 증거를 투명한 방식으로 예측에 연결하는 데 성공했지만, 현재의 다년간 결과는 구현된 아날로그 규칙이나 적응형 게이트가 패시브 동일 가중 방식이나 단순 신경망 베이스라인보다 포트폴리오에 어떠한 증분 이점도 제공하지 못함을 보여줍니다. 향후 연구는 동일한 매칭된 대조 설계 하에서 대안적인 상태 표현 및 거리 측도를 테스트하는 데 집중해야 합니다.