미중 시장 비대칭 예측을 밝히는 이분 그래프 접근법

본 논문은 미국과 중국 주식시장의 비동시 거래 특성을 활용해, 교차시장 주식 수준의 수익률 예측을 목표로 하는 새로운 머신러닝 프레임워크를 제시한다. 서론에서는 전통적인 단일 시장 예측 연구와 달리, 두 시장 간 시간 순서가 명확히 구분되는 상황에서의 예측 문제를 제기한다. 기존 문헌은 주로 지수 수준의 동시 변동성·전이 효과나 인과성 검정에 머물렀으며, 주식 수준에서 비동시 정보를 활용한 실증 분석은 부족했다는 점을 강조한다. 관련 연구 파트에서는 (1) 국제 시장 간 전이·리더십 연구, (2) 금융 분야에서 그래프·네트워크 모델 활용, (3) 머신러닝 기법의 금융 적용을 체계적으로 정리한다. 특히, 기존 그래프 기반 연구가 동일 시장 내 상관관계 혹은 동시성에 초점을 맞춘 반면, 본 연구는 ‘방향성 이분 그래프’를 도입해 두 시장 간 선행‑후행 관계를 직접 모델링한다는 차별점을 부각한다. 데이터 섹션에서는 2014‑2021년 기간 동안 CRSP(미국)와 Wind(중국)에서 수집한 일일 주식 가격 데이터를 사용했으며, 종가‑종가(pvCL‑CL)와 개장‑종가(OPCL) 수익률을 각각 전시장·후시장 변수로 정의한다. 수익률은 시장 초과수익률(ETF 대비)으로 정규화해 시장 전체 움직임의 영향을 최소화한다. 핵심 방법론은 네 단계로 구성된다. 첫째, 각 미국 주식‑중국 주식 쌍에 대해 롤링 윈도우(예: 60일) 내 단변량 회귀와 t‑검정을 수행해 선행 수익률이 후행 수익률을 통계적으로 설명하는지를 판단한다. 둘째, 유의미한 경우에만 방향성 엣지를 그래프에 추가해 ‘시간 순서가 보존된’ 이분 그래프를 구축한다. 셋째, 이 그래프에서 각 노드에 연결된 엣지의 가중치(통계적 유의성 수준 혹은 회귀계수)를 특징으로 추출한다. 넷째, 이렇게 얻은 교차시장 특징과 기존의 자체 시장 특성을 결합해 10가지 머신러닝 모델(리벳, 라쏘, Elastic Net, Random Forest, Gradient Boosting, XGBoost 등)로 다음 거래일 OPCL 수익률을 예측한다. 모델 학습·평가는 동일한 롤링 윈도우를 사용해 시계열 데이터의 비정상성을 최소화하고, 성능 평가지표는 MAE, MSE, 그리고 투자 관점에서 샤프비율(SR)이다. 실증 결과는 두드러진 방향성 비대칭을 보여준다. 미국 pvCL‑CL 수익률을 사용한 예측 모델은 중국 OPCL 수익률에 대해 평균 SR이 0.45~0.60으로, 통계적·경제적으로 유의미한 초과수익을 창출한다. 반면, 중국 pvCL‑CL을 이용한 미국 시장 예측은 SR이 0.10 이하에 머물러 실질적인 알파를 제공하지 못한다. 이는 미국 시장이 글로벌 가격 발견 과정에서 선행 정보를 제공한다는 기존 연구와 일치한다. 그래프 구조 분석에서는 섹터 수준 집계가 추가적인 인사이트를 제공한다. 미국 기술·헬스케어 섹터가 중국 동일 섹터에 강한 전이 채널을 형성하고, 에너지·소재 섹터는 상대적으로 약한 연결성을 보였다. 이러한 섹터 전이 패턴은 단순히 상관관계 기반 무방향 그래프가 포착하지 못하는, 시간 순서와 방향성을 반영한 인과적 전이 메커니즘을 드러낸다. 논문은 또한 그래프 기반 특성 선택이 모델 성능에 기여함을 실증한다. 동일한 머신러닝 모델에 원시 전체 변수만 사용했을 때보다, 그래프 기반 선택 변수를 포함했을 때 SR이 평균 15% 이상 향상되었다. 제한점으로는 (1) 거래 비용·슬리피지를 반영하지 않은 ‘프리 트레이딩’ 성과 지표 사용, (2) 2014‑2021년 데이터에 국한돼 최근 시장 구조 변화(예: 중국 A‑주 시장 개방 확대)를 반영하지 못함, (3) 엣지 선택에 단변량 회귀만 사용해 다변량·비선형 상호작용을 충분히 포착하지 못할 가능성 등이 있다. 결론에서는 본 연구가 (i) 비동시 거래 시장 간의 방향성 정보를 구조화된 그래프 형태로 정량화, (ii) 이를 효과적인 특징 선택 메커니즘으로 활용해 머신러닝 예측 성능을 향상, (iii) 섹터 수준 전이 채널을 경제적으로 해석 가능하게 만든다는 세 가지 주요 기여를 강조한다. 향후 연구 방향으로는 다변량·비선형 가설 검정 기반 그래프 확장, 실시간 거래 비용을 고려한 포트폴리오 최적화, 그리고 동적 그래프 신경망(GNN)과의 결합을 제시한다.