딥러닝 기반 시장 시뮬레이션의 혁신: TRADES 모델 등장

Leonardo Berti, Bardh Prenkaj, Paola Velardi 세 연구원은 금융 시장 시뮬레이션의 현실성과 정확성을 높인 TRADES 모델을 개발하고 오픈소스 프레임워크 DeepMarket을 공개했습니다. 기존 모델 대비 3배 이상 향상된 성능을 보이며 금융 시장 분석 및 예측 분야에 혁신을 가져올 것으로 기대됩니다.

금융 시장의 복잡성은 익히 알려진 사실입니다. 높은 통계적 노이즈, 비선형성, 변동성, 그리고 끊임없는 진화는 시장 모델링을 매우 어렵게 만듭니다. Leonardo Berti, Bardh Prenkaj, Paola Velardi 세 연구원이 이끄는 연구팀은 이러한 어려움을 극복하고자 TRADES (TRAnsformer-based Denoising Diffusion Probabilistic Engine for LOB Simulations) 라는 혁신적인 모델을 개발했습니다.

TRADES는 주문 흐름을 시간 시계열로 생성하는데, 시장 상태를 조건으로 하여 트랜스포머 기반 아키텍처를 활용하여 고주파 시장 데이터의 시간적 및 공간적 특성을 포착합니다. 이는 기존 모델들이 현실성, 유용성, 반응성 면에서 부족했던 점을 크게 개선한 것입니다.

특히 주목할 만한 점은, 연구팀이 시장 시뮬레이션 모델 평가를 위한 정량적 지표 부재라는 문제를 인지하고 이를 해결하기 위해 노력했다는 것입니다. 합성 데이터로 주가 예측 모델을 훈련하고 실제 데이터로 테스트하여 예측 점수(MAE 기반)를 측정하는 방식을 제안했습니다.

두 개의 주식 데이터를 대상으로 기존 최고 성능 모델(SoTA) 대비 최대 3.47배 향상된 성능을 기록하며 TRADES의 우수성을 입증했습니다. 이는 TRADES가 금융 관련 후속 작업에 유용한 합성 시장 데이터를 생성할 수 있음을 보여줍니다. 뿐만 아니라, TRADES는 조건부 데이터 분포를 효과적으로 학습하고 실험적 에이전트에 성공적으로 반응하여 거래 전략 및 시장 영향 실험의 교정 및 평가 가능성을 제시합니다.

더 나아가 연구팀은 DeepMarket이라는 오픈소스 파이썬 프레임워크를 개발하여 TRADES의 생성 시뮬레이션으로 구성된 합성 LOB(Limit Order Book) 데이터 세트를 공개했습니다. 이를 통해 더 많은 연구자들이 TRADES를 활용하고 금융 시장 모델링 분야의 발전에 기여할 수 있을 것으로 기대됩니다. 이 연구는 금융 시장 시뮬레이션 분야에 획기적인 발전을 가져올 뿐 아니라, 오픈소스 공개를 통해 학계와 산업계 모두에게 큰 영향을 미칠 것으로 예상됩니다.

결론적으로, TRADES 모델은 딥러닝을 활용한 금융 시장 시뮬레이션의 새로운 지평을 열었습니다. 더욱 현실적이고 유용한 시장 시뮬레이션을 통해 금융 시장에 대한 이해를 높이고, 더욱 효과적인 투자 전략 개발에 기여할 것으로 기대됩니다.