EMD와 그래프 변환으로 보는 MSCI 월드 지수의 다중 스케일 네트워크 구조

초록

**
본 연구는 CEEMDAN 기반 경험적 모드 분해(EMD)로 MSCI 월드 지수를 9개의 고유 모드 함수(IMF)로 나눈 뒤, 각 IMF를 자연 가시성(NVG), 수평 가시성(HVG), 재발(recurrence) 및 전이(transition) 그래프 방식으로 변환한다. 고주파 IMF는 밀집된 소규모 세계(small‑world) 네트워크를, 저주파 IMF는 희소하고 경로가 긴 네트워크를 형성한다는 스케일 의존적 위상 특성을 확인하였다. 가시성 기반 그래프는 진폭 변동에 민감해 높은 클러스터링을 보이며, 재발 그래프는 시간적 종속성을 잘 보존한다. 이러한 결과는 IMF별 구조에 맞는 GNN 설계 가이드를 제공한다.

**

상세 분석

**
본 논문은 금융 시계열 분석에 EMD와 그래프 이론을 결합한 최초 수준의 연구 중 하나로, 몇 가지 핵심 기술적 기여를 담고 있다. 첫째, CEEMDAN을 이용해 MSCI 월드 지수를 9개의 IMF로 분해함으로써, 고주파 잡음부터 장기 추세까지 다양한 시간‑스케일을 명확히 구분한다. 논문은 ADF·KPSS, BDS·Ljung‑Box 등 7가지 통계 검정을 통해 원 시계열이 비정상·비선형·진폭·주파수 가변성을 만족함을 사전 검증하고, 이러한 전제 하에 EMD 적용의 타당성을 확보한다.

둘째, 각 IMF를 네 가지 그래프 변환 기법(NVG, HVG, 재발 그래프, 전이 그래프)으로 매핑한다. 가시성 그래프는 시계열의 기하학적 가시성 규칙을 이용해 노드(시간점) 간 직접 연결을 정의하고, 특히 진폭 변동이 큰 구간에서 높은 차수와 클러스터링을 생성한다. 수평 가시성 그래프는 가시성 조건을 수평선으로 제한해 보다 보수적인 연결 구조를 만들지만, 고주파 IMF에서는 여전히 높은 밀도를 유지한다. 재발 그래프는 임베딩 차원(d)와 지연 시간(τ)을 최적화한 뒤, 거리 임계값 ε에 따라 재발 관계를 엣지로 변환한다. 이 방식은 시간 순서를 보존하면서도 비선형 동역학을 포착해, 장기 의존성을 갖는 저주파 IMF에서도 의미 있는 연결을 만든다. 전이 그래프는 인접 시점 간 전이 확률을 기반으로 하여, 마코프 체인 형태의 방향성 엣지를 제공한다(논문 본문에 상세 구현은 누락).

세 번째로, 네트워크 지표(클러스터링 계수 C, 평균 경로 길이 L, 전역 효율성 E, 차수 분포, 베트위니스 중심성 등)를 IMF별·그래프별로 정량화한다. 고주파 IMF(NVG/HVG)에서는 C≈0.45‑0.52, L≈2.1‑2.4로 작은 세계(small‑world) 특성을 보이며, 차수 분포는 지수형태에 가까워 급격한 허브 형성이 없음을 확인한다. 반면 저주파 IMF는 C≈0.12‑0.18, L≈5.8‑7.3으로 희소하고 길이가 긴 네트워크가 형성되고, 차수 분포는 파워‑로우 경향을 보여 특정 시점(예: 장기 추세 전환점)에서 허브가 나타난다. 재발 그래프는 전반적으로 중간 정도의 밀도(C≈0.30, L≈3.5)를 유지하면서, 시간적 재발 패턴을 보존해 시계열의 비선형 복구성을 반영한다.

마지막으로, 이러한 위상 차이를 GNN 설계에 어떻게 매핑할 것인가에 대한 실용적 제언을 제공한다. 밀집하고 작은 세계 구조를 가진 고주파 그래프는 다층 GCN이나 GraphSAGE와 같이 많은 홉을 통한 메시지 전달이 효과적이며, 과적합 방지를 위해 정규화와 드롭아웃을 병행한다. 반면 저주파의 희소 그래프는 GAT(그래프 어텐션 네트워크)나 HAN(헤테로그래프 어텐션)처럼 엣지 가중치를 학습하는 모델이 중요하고, 풀링 기반 계층(Top‑K Pooling, DiffPool)으로 그래프 규모를 축소해 전역 특성을 추출한다. 재발 그래프는 시간적 의존성을 명시적으로 모델링할 수 있는 TGAT, TGN, 혹은 Temporal Graph Convolution과 같은 시계열‑그래프 하이브리드 구조에 적합하다.

**