중국 A주 시장의 AI 혁신: 데이터 부족과 잡음 문제를 극복하다


광명체 연구원의 연구는 중국 A주 시장의 데이터 부족 및 낮은 신호 대 잡음비 문제 해결에 중점을 두고, 부문별 합성 및 재귀적 주식 데이터 합성 두 가지 방법을 제시합니다. 다양한 데이터셋을 활용한 실험 결과, 제안된 방법들이 예측 모델 성능 향상 및 신호 대 잡음비 개선에 효과적임을 보였습니다.

related iamge

최근 중국 A주 시장 분석에 있어 딥러닝 기술의 적용을 제한하는 주요 과제는 바로 데이터 부족과 낮은 신호 대 잡음비입니다. 이러한 어려움을 극복하기 위해 광명체(Guangming Che) 연구원이 이끄는 연구팀은 혁신적인 생성 모델 기반 접근법 두 가지를 제시했습니다.

1. 부문별 합성 접근법: 신호 대 잡음비 향상

첫 번째 방법은 부문별 합성 접근법입니다. 중국 A주 시장의 다양한 부문별 주식 특징을 분류하여 신호 대 잡음비를 향상시키는 전략입니다. 이를 위해 연구팀은 다음과 같은 기술들을 활용했습니다:

  • 근사 비국소 전체 변이(Approximate Non-Local Total Variation) 알고리즘: 생성 데이터의 평활화
  • 푸리에 변환 기반 대역 통과 필터링: 잡음 제거
  • 잡음 제거 확산 암묵 모델(Denoising Diffusion Implicit Models): 샘플링 속도 향상

이 방법은 주식 데이터의 품질을 높여 보다 정확한 분석을 가능하게 합니다. 마치 흐릿한 사진에 초점을 맞춘 것처럼, 핵심 정보를 명확하게 드러내는 효과를 가져옵니다.

2. 재귀적 주식 데이터 합성 접근법: 데이터 부족 문제 해결

두 번째 방법은 패턴 인식 기반 재귀적 주식 데이터 합성 접근법입니다. 상장 기간이 짧거나 비교 가능한 기업이 부족한 주식의 데이터를 합성하는 데 초점을 맞췄습니다. 연구팀은 패턴 인식 기술과 마르코프 모델을 활용하여 가변 길이 주식 시계열을 학습하고 생성했습니다. 더 나아가 서브 타임 레벨 데이터 증강 기법을 도입하여 데이터 부족 문제를 완화했습니다. 이는 마치 퍼즐 조각을 맞추듯, 제한된 정보로부터 전체 그림을 예측하는 능력을 보여줍니다.

실험 결과 및 결론

연구팀은 중국 A주 시장의 주요 거래소(STAR Market, 성장기업 시장, 베이징 증권거래소)는 물론 NASDAQ, NYSE, AMEX 등의 데이터를 사용하여 광범위한 실험을 진행했습니다. 그 결과, 합성 데이터는 예측 모델의 성능을 향상시키고, 가격 거래 전략에서 개별 주식 신호의 신호 대 잡음비를 개선하는 것으로 나타났습니다. 특히 서브 타임 레벨 데이터 증강 기법은 합성 데이터의 품질을 크게 향상시켰습니다. 이 연구는 AI를 활용하여 금융 시장 분석의 한계를 극복하고, 더욱 정교한 예측 모델을 구축하는 데 중요한 발걸음을 내디뎠습니다. 이는 마치 밤하늘의 별을 더욱 선명하게 관측하여 우주의 신비를 탐구하는 것과 같습니다.


*이 기사는 AI가 생성한 내용으로, 일부 정보가 실제와 다를 수 있습니다. 정확한 확인을 위해 추가적인 검증을 권장드립니다.

Reference

[arxiv] "Generative Models for Financial Time Series Data: Enhancing Signal-to-Noise Ratio and Addressing Data Scarcity in A-Share Market

Published:  (Updated: )

Author: Guangming Che

http://arxiv.org/abs/2501.00063v1