본 연구 논문에서는 TimeMixer 모델을 활용하여 주식, 인덱스 ETF, 외환 및 암호화폐를 포함한 금융 시장의 변동성 예측에 대한 실증 분석을 수행했습니다. Yahoo Finance에서 수집한 OHLCV (시가, 고가, 저가, 종가, 거래량) 데이터를 기반으로 변동성 예측을 수행했으며, 훈련 데이터의 10%를 검증 데이터로 활용했습니다.
TimeMixer는 다중 스케일 혼합 아키텍처를 사용하여 입력 시계열 데이터를 단기, 중기 및 장기 창을 포함한 여러 시간 스케일로 나눕니다. 각 시간 스케일은 서로 다른 시간 해상도에서 패턴을 캡처하며, 이러한 스케일을 혼합함으로써 TimeMixer는 단기 변동과 장기 추세를 모두 학습하여 데이터에 대한 포괄적인 이해를 구축합니다.
과거 데이터에서 유용한 정보를 추출하기 위해 과거 분해 혼합 (PDM) 메커니즘을 사용합니다. TimeMixer는 과거 시계열을 각기 다른 시간 스케일을 나타내는 여러 구성 요소로 분해하여 중요한 과거 추세와 계절적 패턴에 집중하고 관련 없는 단기 변동은 무시합니다.
미래 값에 대한 예측을 수행하기 위해 미래 다중 예측 혼합 (FMM) 메커니즘을 사용합니다. TimeMixer는 각 예측이 서로 다른 시간 스케일을 중심으로 미래 시간 단계에 대한 여러 예측을 생성합니다. 그런 다음 이러한 예측을 혼합하여 최종적으로 더 정확한 예측을 생성합니다.
실험 결과, TimeMixer는 단기 변동성 예측에서 뛰어난 성능을 보였지만 장기 예측에서는 정확도가 감소하는 것으로 나타났습니다. 특히, 변동성이 낮은 자산의 경우 단기 예측에서 매우 높은 정확도를 보였습니다. 예를 들어, AAPL 주식의 경우 12일 예측에서 MAE 0.0037, RMSE 0.0059로 매우 낮은 오차율을 기록했습니다. 그러나 예측 기간이 길어질수록, 특히 변동성이 높은 자산의 경우 모델의 정확도가 크게 감소했습니다. 예를 들어, NVDA 주식의 경우 336일 예측에서 MAE가 0.2883으로 증가했으며, 720일 예측에서도 0.1460으로 높게 유지되었습니다.
TimeMixer는 단기 금융 시장 변동성 예측에 매우 효과적인 도구임을 확인했습니다. 특히, 단기 예측이 중요한 금융 리스크 관리 및 트레이딩 전략에 매우 유용할 수 있습니다. 그러나 장기 예측에서는 정확도가 떨어지는 한계점을 보였으며, 이는 향후 연구를 통해 개선해야 할 부분입니다.
본 연구의 주요 한계점은 장기 예측, 특히 변동성이 큰 자산에 대한 예측 정확도가 떨어진다는 것입니다. DOGE/USD 및 AUD/USD와 같은 자산에서 시간이 지남에 따라 MAE 및 RMSE 값이 크게 증가하는 것을 관찰했듯이, 모델은 장기 변동성을 처리하는 데 어려움을 겪습니다. 이는 모델이 장기 예측에서 변동성이 큰 자산의 복잡하고 예측 불가능한 가격 역학을 포착하는 데 덜 효과적임을 시사합니다.
장기 예측에서 모델의 성능을 향상시키기 위해 향후 연구에서는 거시 경제 지표 (예: 금리, 인플레이션, GDP 성장) 및 뉴스와 소셜 미디어의 감정 분석을 통합하여 광범위한 시장 환경을 더 잘 포착해야 합니다. 이러한 요소를 통합하면 특히 변동성이 큰 자산의 경우 모델이 시장 변화를 더 잘 예측할 수 있습니다. 또한 주식, 외환 및 암호화폐와 같은 특정 자산 클래스에 맞춤화된 모델을 개발하면 각 시장의 고유한 특성을 충족하여 정확도를 높일 수 있습니다. 시간 경과에 따른 변동성과 복잡한 종속성을 처리하는 모델의 기능을 향상시키기 위해 LSTM 네트워크 또는 트랜스포머와 같은 고급 딥 러닝 기술도 모색해야 합니다. 이러한 영역에서 모델의 기능을 향상시키는 것은 특히 역동적인 시장 환경에서 변동성이 큰 자산을 관리하기 위한 더 나은 장기 예측에 매우 중요합니다.
Egy másik nyelvre
a forrásanyagból
arxiv.org
Mélyebb kérdések