시계열로 보는 시장 참여자 식별: 적대적 캘리브레이션 기반 다중 에이전트 시뮬레이터

초록

본 논문은 실제 가격·거래량 시계열과 유사한 데이터를 생성하도록 다중 에이전트 시장 시뮬레이터를 캘리브레이션하는 새로운 방법인 MAS‑GAN을 제안한다. GAN 구조에 self‑attention을 도입한 판별기를 학습시킨 뒤, 이 판별기의 출력 확률을 시뮬레이터 파라미터의 목표 함수로 활용해 그리드 탐색으로 최적 파라미터를 찾는다. 실험에서는 LOB 기반 시뮬레이션에서 유동성·불안정성 두 가지 시장 상황을 성공적으로 복원하였다.

상세 분석

MAS‑GAN은 두 단계로 구성된다. 첫 번째 단계에서는 실제 시장 데이터(가격 반환 및 거래량)를 입력으로, 1‑D Conv‑Net과 다중 헤드 self‑attention 레이어를 결합한 GAN을 학습한다. 여기서 생성기(G)와 판별기(D)는 모두 WGAN‑GP(gradient‑penalty) 손실을 사용해 안정적인 학습을 보장한다. 특히 self‑attention은 시계열 전역 의존성을 효과적으로 포착해, 가격과 거래량 사이의 교차 상관관계를 학습한다는 점이 기존 LSTM‑기반 시계열 GAN과 차별화된다.

두 번째 단계에서는 학습된 D를 “실제와 유사한 정도”를 측정하는 정량적 지표로 전환한다. D는 입력 시계열이 실제 데이터와 얼마나 일치하는지를 0‑1 확률로 출력하므로, 기대값 E_R