주문잔량(LOB) 데이터의 표현 학습: 포괄적 연구 및 벤치마킹

본 연구는 중국 A주 시장의 주문잔량(LOB) 데이터를 활용하여, 전이 가능하고 압축된 특징을 추출하는 효과적인 표현 학습 방법을 제시하고, LOBench라는 표준화된 벤치마크를 구축했습니다. 기존 모델 대비 우수한 성능을 보이며, 금융 시장 예측 및 투자 전략 개선에 기여할 것으로 기대됩니다.

중국 A주 시장을 뒤흔든 주문잔량(LOB) 데이터 분석의 혁신

금융 시장의 근간인 주문잔량(Limit Order Book, LOB) 데이터는 시장 역동성을 세밀하게 보여주지만, 강한 자기상관, 특징 간 제약, 특징 규모 차이로 인해 심층 모델을 다루는 데 어려움을 겪습니다. 기존 접근 방식은 종종 표현 학습을 특정 후속 작업과 밀접하게 연결하는 end-to-end 방식을 취해, 학습된 표현을 개별적이고 명시적으로 분석하지 못하여 재사용성과 일반화 능력이 제한되었습니다.

중국과학원의 Zhong, Lin, Yang 연구팀은 이러한 한계를 극복하고자 최초로 주문잔량(LOB) 데이터 표현 학습에 대한 체계적인 비교 연구를 수행했습니다. 핵심 목표는 LOB의 필수적인 속성을 포착하는 전이 가능하고 압축된 특징을 추출하는 효과적인 방법을 찾는 것입니다. 연구팀은 실제 중국 A주 시장 데이터를 사용하여 LOBench라는 표준화된 벤치마크를 도입했습니다. LOBench는 엄선된 데이터셋, 통일된 전처리, 일관된 평가 지표, 강력한 기준 모델을 제공합니다.

광범위한 실험을 통해 다양한 후속 작업에 대한 LOB 표현의 충분성과 필요성을 검증하고, 기존의 특정 작업 중심의 end-to-end 모델과 일반 시계열을 위한 고급 표현 학습 모델에 비해 우수한 성능을 보여주었습니다. 본 연구는 재현 가능한 프레임워크를 구축하고 향후 연구를 위한 명확한 지침을 제공합니다. 데이터셋과 코드는 https://github.com/financial-simulation-lab/LOBench에서 공개적으로 이용 가능합니다.

결론적으로, 이 연구는 금융 시장 데이터 분석에 새로운 지평을 열었습니다. LOBench의 공개를 통해 더 많은 연구자들이 주문잔량 데이터 분석에 참여하고, 더욱 정교하고 효율적인 알고리즘 개발을 가속화할 것으로 기대됩니다. 이는 궁극적으로 금융 시장 예측의 정확도 향상과 투자 전략의 개선에 기여할 것입니다. 앞으로 주문잔량 데이터 분석 분야의 발전이 더욱 가속화될 것으로 예상됩니다. 🚀