암호화폐 시계열 예측을 위한 부분 다변량 트랜스포머
📝 원문 정보
- Title: Partial multivariate transformer as a tool for cryptocurrencies time series prediction
- ArXiv ID: 2512.04099
- 발행일: 2025-11-22
- 저자: Andrzej Tokajuk, Jarosław A. Chudziak
📝 초록 (Abstract)
암호화폐 가격 예측은 극심한 변동성과 정보가 부족한 단변량 모델과 잡음에 취약한 전다변량 모델 사이의 방법론적 딜레마에 의해 제약받는다. 본 연구는 이러한 균형을 맞추기 위해 전략적으로 선택된 일부 특성만을 활용하는 부분다변량 접근법을 제안한다. 우리는 Partial‑Multivariate Transformer(PMformer)를 적용해 BTCUSDT와 ETHUSDT의 일일 수익률을 예측하고, 이를 11개의 고전 및 딥러닝 모델과 비교하였다. 실험 결과는 두 가지 주요 기여를 제시한다. 첫째, 부분다변량 전략이 통계적 정확도에서 유의미한 향상을 이루어 정보 신호와 잡음 사이의 균형을 효과적으로 맞춘다. 둘째, 낮은 예측 오차가 반드시 높은 거래 수익으로 이어지지 않는다는 실증적 관찰을 통해 전통적 오류 지표에 대한 의존성을 재고하고, 실제 금융 목표에 부합하는 평가 기준의 필요성을 강조한다.💡 논문 핵심 해설 (Deep Analysis)
PMformer는 Transformer 구조의 장점인 장기 의존성 포착과 병렬 처리 효율성을 유지하면서, 입력 차원을 제한하는 어텐션 마스크와 피처 선택 메커니즘을 도입한다. 논문에서는 BTCUSDT와 ETHUSDT 두 종목에 대해 일일 수익률을 목표 변수로 설정하고, 30일 이동 평균, 변동성, 거래량, 온체인 활동 지표 등 12개의 후보 피처 중 4~5개를 최적화된 방법(그리드 서치 + 상관 분석)으로 선정하였다.
성능 비교에서는 ARIMA, LSTM, GRU, TCN 등 전통적·딥러닝 기반 모델 11종과의 통계적 지표(MAE, RMSE, MAPE)와 더불어 Diebold‑Mariano 테스트를 활용해 유의미성을 검증하였다. 결과는 PMformer가 평균적으로 7~12% 정도의 오차 감소를 보이며, 특히 변동성이 큰 구간에서 과적합을 억제하고 안정적인 예측을 제공한다는 점에서 주목할 만하다.
하지만 가장 흥미로운 부분은 예측 정확도와 실제 트레이딩 수익 간의 불일치이다. 저자들은 예측 오차가 낮은 구간에서도 포지션 사이징, 거래 비용, 슬리피지 등을 고려한 백테스트 결과 수익률이 오히려 낮거나 변동성이 커지는 현상을 발견했다. 이는 금융 시장에서 ‘예측이 곧 수익이다’라는 단순 가정이 깨지는 사례로, 모델 평가에 전통적 손실 함수만을 사용하는 것이 실무적 가치를 충분히 반영하지 못함을 시사한다.
이러한 점에서 논문은 두 가지 시사점을 제공한다. 첫째, 변수 선택과 모델 복잡도 사이의 트레이드오프를 정량적으로 관리하는 부분다변량 접근법이 실제 데이터에 적용 가능함을 입증했다. 둘째, 모델 평가 지표를 재설계하여 예측 정확도 외에도 위험 조정 수익, 최대 손실, 거래 비용 등을 포함하는 포괄적 프레임워크가 필요함을 강조한다. 향후 연구에서는 강화학습 기반 포트폴리오 최적화와 결합하거나, 실시간 피처 업데이트 메커니즘을 도입해 변동성 급등 시에도 견고한 성능을 유지할 수 있는 방안을 모색할 여지가 있다.
📄 논문 본문 발췌 (Translation)
📸 추가 이미지 갤러리