그리프핀넷 금융 예측을 위한 그래프 관계 통합 트랜스포머

초록

그리프핀넷은 산업 섹터와 기관 소유권을 기반으로 다중 관계 그래프를 구축하고, 적응형 게이팅 메커니즘으로 시장 상황에 따라 관계 정보를 동적으로 통합한다. 그래프 구조와 트랜스포머 기반 시계열 인코더를 결합해 주가 수익률 예측 정확도를 향상시키며, 중국 A‑주 시장 실험에서 기존 베이스라인을 지속적으로 능가하고 해석 가능한 인사이트를 제공한다.

상세 요약

그리프핀넷은 금융 시계열 예측에서 공간‑시간 상호작용을 동시에 모델링하려는 시도이다. 먼저, 종목 간 관계를 두 가지 차원, 즉 산업 섹터와 기관 투자자 보유 비율로 정의한다. 섹터 관계는 동일 섹터 내 종목을 완전 연결 그래프로 표현하고, 기관 소유 관계는 보유 비중 상관관계를 기반으로 가중치를 부여한다. 이렇게 구성된 다중 관계 그래프는 각 관계별 인접 행렬을 별도로 유지하며, 그래프 신경망(GNN) 레이어를 통해 관계별 임베딩을 추출한다.

핵심 혁신은 적응형 게이팅 메커니즘이다. 시간에 따라 변하는 시장 변동성을 반영하기 위해, 각 시점의 트랜스포머 출력과 그래프 임베딩을 입력으로 하여 게이트 값을 학습한다. 게이트는 관계별 가중치를 동적으로 조정함으로써, 예를 들어 급격한 섹터 변동 시 섹터 관계의 영향력을 높이고, 기관 매수·매도 압력이 강해질 때는 기관 관계의 가중치를 강화한다. 이 과정은 전체 모델이 엔드‑투‑엔드로 학습되면서 자동으로 최적화된다.

시간적 특성은 표준 트랜스포머 인코더를 사용해 캡처한다. 입력 시계열은 종가, 거래량, 기술 지표 등 다변량 피처를 포함하고, 포지셔널 인코딩을 통해 순서를 부여한다. 트랜스포머는 장기 의존성을 효과적으로 학습하고, 이후 그래프‑게이트 결합 모듈과 결합돼 최종 예측 헤드에 전달된다.

실험에서는 두 개의 중국 A‑주 지수(상하이 180, CSI 500)를 대상으로 일일 수익률을 예측하였다. 평가 지표는 MSE, MAE, 그리고 투자 포트폴리오 시뮬레이션에서의 샤프 비율을 포함한다. 베이스라인으로는 LSTM, Temporal Fusion Transformer, Graph Convolutional Network 기반 모델, 그리고 기존 멀티모달 접근법을 사용하였다. 그리프핀넷은 모든 지표에서 평균 3~7%의 상대적 개선을 보였으며, 특히 변동성이 큰 기간에 게이트가 관계 가중치를 재조정하는 모습을 시각화해 해석 가능성을 입증하였다.

한계점으로는 관계 그래프가 사전 정의된 두 가지 관계에 국한돼 있다는 점과, 데이터가 중국 시장에만 한정돼 있어 다른 국가·시장에 대한 일반화 검증이 부족하다는 점을 들 수 있다. 향후 연구에서는 더 다양한 관계(예: 공급망, 뉴스·소셜 미디어 연관성)와 멀티‑태스크 학습을 도입해 모델의 확장성을 검증할 계획이다.