DART: Domain Aware Relational Transformer for Stock Prediction

당신이 구름을 보는 대신 주식 시장을 바라보며 날씨를 예측하려고 한다고 상상해 보세요. 이것이 바로 양적 금융(quantitative finance)의 세계입니다. 이곳에서 과학자들과 투자자들은 내일 어떤 주식이 오르거나 내릴지 추측하려고 노력합니다. 오랫동안 사람들은 시장이 마치 완벽하게 공정한 동전 던지기와 같아서, 모든 사람이 이미 모든 것을 알고 있기 때문에 누구도 미래를 실제로 예측할 수 없다고 생각했습니다. 하지만 곧 똑똑한 사람들은 인간이 완벽한 로봇이 아니라는 사실을 깨달았습니다. 우리는 겁을 먹기도 하고, 흥분하기도 하며, 대세를 따르기도 합니다. 이는 시장을 다소 무질서하게 만들지만, 동시에 실제로 예측 가능한 상태로 만듭니다. 오늘날 우리는 강력한 컴퓨터와 "딥러닝"(패턴으로부터 학습하는 인공지능의 한 종류)을 사용하여 이 소음 속에 숨겨진 신호들을 찾아냅니다. 하지만 큰 문제는 수천 개의 주식이 존재하며, 이들이 서로 매우 복잡한 방식으로 영향을 주고받는다는 점입니다. 모든 개별 주식이 서로 어떻게 대화하는지 파악하려는 것은 마치 경기장에 있는 모든 사람의 대화를 동시에 들으려고 하는 것과 같습니다. 이는 컴퓨터가 압도당하지 않고 처리하기에는 너무 많은 정보입니다.

여기서 DART(Domain-Aware Relational Transformer)라는 영리한 해결책을 가진 새로운 연구가 등장합니다. DART를 거대한 소음이 가득한 파티라고 생각해 보세요. 과거에 누군가와 누가 대화하고 있는지 알고 싶었다면, 동시에 일어나고 있는 모든 대화를 들으려고 시도했을 것입니다. 하지만 그것은 시간이 너무 오래 걸리고 두통을 유발합니다. DART의 연구자들은 사람들이 주로 자신들의 그룹 내에서 대화한다는 사실을 깨달았습니다. 예를 들어, 간식 테이블에 있는 아이들이나 펀치 그릇 옆에 있는 성인들처럼 말이죠. 그들은 보통 방 건너편의 완전히 다른 그룹에 있는 사람에게 소리를 지르지는 않습니다. 그래서 D차례대로 모든 사람의 말을 듣는 대신, DART는 동일한 "산업 그룹"(기술 기업이 다른 기술 기업과 대화하는 것처럼) 내의 대화에만 귀를 기울입니다. 이 방식은 컴퓨터의 업무를 훨씬 더 빠르게 만들어 줍니다.

이 논문은 이러한 "그룹 집중 듣기" 전략을 사용하면, 시간(단기 트렌드, 중기 트렌드, 장기 트렌드를 동시에 확인하는 방식)을 바라보는 특별한 방법과 결합하여 기존 방식보다 주식 수익률을 더 잘 예측할 수 있다고 제안합니다. NASDAQ, NYSE, S&P 500의 실제 데이터를 사용한 테스트에서, DART 모델은 다른 상위 모델들보다 더 스마트한 투자 선택을 하고 리스크를 더 잘 관리할 수 있음을 보여주었습니다. 또한 관련 없는 주식들의 "소음"을 무시함으로써, 컴퓨터가 이전보다 약 84% 적은 에너지를 사용하여 작업을 수행할 수 있음을 입증했습니다. 이 모델이 수익을 보장하는 마법의 수정구슬은 아니지만, 저자들은 이것이 복잡하고 붐비는 주식 시장을 항해하기 위한 훨씬 더 실용적이고 효율적인 도구라고 제안합니다.

DART 이야기: 시장의 소리에 귀를 기울이는 더 스마트한 방법

문제점: 너무 많은 소음, 너무 많은 연결

수천 명의 사람들이 모인 거대한 콘서트장에 있다고 상상해 보세요. 만약 당신이 어떤 노래가 연주되고 있는지 알고 싶다면, 모든 사람의 목소리를 한꺼번에 들으려고 할 수도 있습니다. 하지만 그것은 불가능합니다. 그것은 그저 소음의 벽일 뿐입니다. 이것이 바로 컴퓨터가 주식을 예측할 때 직면하는 문제입니다. 수천 개의 주식이 있고, 각각의 주식은 다른 모든 주식과 연결되어 있습니다. 기존의 컴퓨터 모델은 동시에 모든 사람의 말을 들으려고 했습니다. 이를 "전체 주의 집중(full attention)"이라고 합니다. 이론적으로는 매우 정확하지만, 수천 개의 주식을 대상으로 실제 거래에 사용하기에는 너무 느리고 비용이 많이 들어 사실상 불가능합니다. 이는 마치 모든 퍼즐 조각을 다른 모든 조각과 일일이 대조하며 퍼즐을 풀려는 것과 같습니다. 퍼즐이 너무 커지면 당신의 뇌(또는 컴퓨터)는 멈춰버립니다.

해결책: "산업 이웃" 규칙

연구자들은 단순하지만 강력한 아이디어를 제안했습니다: 같은 산업에 속한 주식은 절친한 친구이고, 다른 산업에 속한 주식은 그저 아는 사이일 뿐이다.

주식 시장을 구역이 나뉜 거대한 도시라고 생각해 보세요. "테크 이웃", "음식 이웃", "자동차 이웃"이 있습니다. 테크 이웃의 사람들은 같은 뉴스나 트렌드를 공유하기 때문에 서로 끊임없이 대화합니다. 하지만 테크 이웃의 사람들이 음식 이웃의 사람들에게 직접적이고 긴급한 대화를 나누는 일은 드뭅니다.

DART 모델은 이 규칙을 사용합니다. 도시 전체의 소리를 듣는 대신, 각 "이웃" 안에서 일어나는 대화에만 귀를 기울입니다. 이를 **도메인 지식 가이드 희소 주의 집중(Domain-Knowledge-Guided Sparse Attention, DSA)**이라고 합니다.

• 작동 방식: 컴퓨터는 특정 주식을 보고, "이 주식은 어느 이웃에 속해 있는가?"라고 물은 뒤, 해당 이웃에 속한 다른 주식들에만 주의를 기울입니다.
• 결과: 관련 없는 주식들로부터 오는 쓸데없는 소음을 무시합니다. 논문에 따르면 이 방식은 컴퓨터의 작업량을 약 84%(구체적으로 테스트에서 0.23 GFLOPs에서 0.04 GFLOPs로 감소) 줄여줍니다. 이는 허리케인 속에서 속삭임을 들으려 노력하는 대신, 조용한 커피숍에서의 대화에 집중하는 것과 같습니다.

타임 머신: 층층이 쌓인 과거 보기

미래를 예측하는 것은 단지 누가 누구와 대화하는가에 관한 것만이 아닙니다. 또한 언제 일이 일어나는가에 관한 것이기도 합니다. 주식은 서로 다른 시계에 따라 움직입니다. 어떤 것은 빠르게(분 단위), 어떤 것은 중간 속도로(일간 트렌드), 어떤 것은 느리게(월간 또는 연간 트렌드) 움직입니다.

기존 모델들은 종종 단 하나의 안경으로만 시간을 보려고 했으며, 이는 큰 그림을 놓치거나 세부 사항을 놓치게 만들었습니다. DART는 다중 스케일 시간 융합(Multi-Scale Temporal Fusion, MSTF) 모듈을 사용합니다.

• 비유: 영화를 보는 장면을 상상해 보세요. 배우의 얼굴을 아주 자세히 볼 수 있는 줌 렌즈(단기), 전체 장면을 보여주는 광각 렌즈(중기), 그리고 도시 전체를 보여주는 드론 샷(장기)이 있습니다. DART는 이 세 가지 렌즈를 동시에 사용합니다.
• 마법: 그런 다음 이 관점들을 하나로 쌓아 올리는 특별한 "점진적 시간 융합(Progressive Temporal Fusion)" 네트워크를 사용합니다. 이는 마치 매 층마다 더 많은 풍미를 더하는 샌드위치를 만드는 것과 같으며, 오늘 발생한 작은 변화가 어떻게 내일의 큰 트렌드로 이어질 수 있는지 컴퓨터가 이해하도록 돕습니다.

발견한 것: 더 빠르고 더 스마트하게

연구자들은 미국의 주식 시장(NASDAQ, NYSE, S&P 500)의 2020년부터 2024년까지의 실제 데이터를 사용하여 DART를 LSTM, GCN, 그리고 MambaStock과 같은 최신 모델들과 비교 테스트했습니다.

데이터가 시사하는 바는 다음과 같습니다:

1. 더 높은 수익률: DART는 단순히 더 잘 예측한 것이 아니라, 더 나은 "포트폴리오"(주식의 집합)를 구축하는 데 도움을 주었습니다. 테스트 결과, DART는 NASDAQ과 S&P 500에서 가장 높은 샤프 지수(Sharpe Ratio)(리스크 대비 얼마나 많은 돈을 벌었는지 측정하는 점수)를 달성했습니다. 예를 들어, NASDAQ에서 DAT의 샤프 지수는 2.432였으며, 그다음으로 높은 모델은 1.827이었습니다.
2. 최고의 선택: 모델이 가장 성과가 좋을 것이라고 예상한 상위 10개 주식을 뽑았을 때, DART는 다른 모델들보다 더 자주 정답을 맞혔습니다(이 지표를 Precision@10이라고 합니다). NYSE에서 DART는 상위 선택의 **58.7%**를 정확히 맞히며 경쟁 모델들을 앞질렀습니다.
3. "금지 구역": 연구는 만약 "이웃" 규칙을 제거하고 컴퓨터가 모든 사람의 말을 듣게(Full Attention) 만든다면, 모델이 혼란에 빠져 성능이 훨씬 떨어진다는 것을 명확히 보여주었습니다. 이는 관련 없는 연결을 무시하는 것이 오히려 모델에게 '좋다'는 것을 증명합니다.

결론

이 논문은 DART가 투자의 미래를 위한 실용적이고 효율적인 도구임을 시사합니다. DART가 당신을 부자로 만들어준다는 마법의 지팡이라고 주장하는 것은 아니지만, 스마트한 규칙(예: 자신의 이웃에만 귀 기울이기)과 층층이 쌓인 시간 관찰법을 사용함으로써 컴퓨터가 혼란스러운 주식 시장을 훨씬 더 잘 이해할 수 있다는 것을 보여줍니다. DART는 선택적인 방식을 통해 "너무 많은 데이터" 문제를 해결함으로써, 막대한 비용이나 컴퓨터 자원을 낭비하지 않고도 수천 개의 주식에 강력한 AI를 적용할 수 있게 합니다.

저자들이 언급했듯이, 아직 성장할 여지는 남아 있습니다. 현재 이 모델은 정적인 산업 목록을 기반으로 "이웃"을 구분합니다. 향후에는 이 이웃 관계를 동적으로 만들어, 기술 기업이 갑자기 식품 기업처럼 행동하거나, 서로 전혀 다른 그룹을 연결하는 뉴스가 터졌을 때 모델이 이를 포착할 수 있기를 기대하고 있습니다. 하지만 현재로서 DART는 컴퓨터가 금융 세계를 항해하는 법을 가르치는 데 있어 강력하고 효율적인 진전입니다.