위상 속도로 포착하는 암호화폐 시장의 급변 신호

초록

본 논문은 위상 데이터 분석(TDA)의 새로운 패러다임인 ‘위상 속도(Topological Velocity)’ 개념을 도입하여, 시변 네트워크(Time-varying networks)의 이상 징후를 탐지하는 OW-HNPV 알고리즘을 제안합니다. 기존의 특징 존재 여부 중심 분석에서 벗어나, 특징의 생성과 소멸 속도를 계층적으로 측정함으로써 이더리움 거래 네트워크의 가격 변동 예측 성능을 획기적으로 높였습니다.

상세 분석

이 논문의 핵심적 기술 혁신은 기존 위상 데이터 분석(TADA)이 가졌던 ‘정적 관점’을 ‘동적 관점’으로 전환했다는 점에 있습니다. 기존의 VAB(Vector of Averaged Bettis), Persistence Landscapes, Persistence Images와 같은 방법론들은 특정 위상적 특징(hole, component 등)이 얼마나 오랫동안 유지되는지, 즉 ‘영속성(Persistence)‘의 누적치나 평균치를 계산하는 데 집중했습니다. 이는 구조적 특징의 ‘존재’를 파악하는 데는 유용하지만, 네트워크의 구조가 급격하게 재편되는 ‘변화의 순간’을 포착하는 데는 한계가 있었습니다.

저자는 이를 극복하기 위해 ‘위상 속도(Topological Velocity)‘라는 개념을 제안합니다. 이는 영속성 다이어그램 상의 특징들이 필터 파라미터의 변화에 따라 얼마나 빠르게 나타나고 사라지는지를 변화율로 계산하는 방식입니다. 특히 주목할 점은 ‘계층적 구간 분할(Hierarchical Interval Partitioning)‘과 ‘오버랩 가중치(Overlap-weighting)‘의 결합입니다. 메인 구간과 서브 구간을 나누어 분석함으로써 거시적 흐름과 미세한 변동을 동시에 포착할 수 있는 다중 해상도 분석을 가능케 했습니다.

또한, 기술적으로 매우 중요한 성과는 ‘자동 노이즈 억제’ 메커니즘입니다. 기존 방식은 노이즈를 제거하기 위해 별도의 임계값(threshold)을 설정해야 하는 번거로움과 그에 따른 성능 저하 위험이 있었습니다. 반면, OW-HNPV는 각 특징이 특정 구간과 겹치는 비율(overlap)을 직접 계산하여 가중치를 부여합니다. 짧은 수명을 가진 노이즈성 특징은 가중치가 자연스럽게 낮아지며, 긴 수명을 가진 유의미한 특징은 여러 구간에 걸쳐 높은 기여도를 유지합니다. 여기에 1-Wasserstein 거리에 대한 Lipschitz 연속성을 증명함으로써, 네트워크 규모가 달라지더라도 분석 결과가 안정적으로 유지될 수 있음을 수학적으로 입증했습니다. 이는 데이터의 불확실성이 높은 금융 데이터 분석에서 매우 강력한 신뢰성을 제공합니다.

네트워크 데이터가 시간에 따라 변화하는 ‘시변 네트워크(Time-varying networks)’ 분석은 금융, 통신, 생물학 등 다양한 분야에서 매우 중요한 과제입니다. 특히 암호화폐 시장처럼 구조적 변화가 가격 변동과 직결되는 분야에서는 네트워크의 미세한 변화를 얼마나 빠르고 정확하게 포착하느냐가 핵심입니다. 본 논문은 이러한 난제를 해결하기 위해 ‘Overlap-Weighted Hierarchical Normalized Persistence Velocity(OW-HNPV)‘라는 혁신적인 위상 데이터 분석 프레임워크를 제시합니다.

기존의 위상적 분석 방법론들은 주로 ‘특징의 생존 기간’에 주목했습니다. 즉, 네트워크 내의 구멍(hole)이나 연결 성분이 얼마나 오래 유지되는지를 측정하여 네트워크의 안정성을 평가했습니다. 하지만 이러한 방식은 구조가 급격히 변하는 ‘변화의 속도’를 반영하지 못한다는 치명적인 약점이 있습니다. 저자들은 이 지점에서 착안하여, 특징의 존재 기간이 아닌 ‘변화율’을 측정하는 ‘위상 속도’ 개념을 도입했습니다.

OW-HNPV의 작동 원리는 크게 세 가지 혁신으로 요약됩니다. 첫째, 계층적 구조를 통한 다중 해상도 분석입니다. 분석 구간을 메인 구간과 이를 다시 세분화한 서브 구간으로 나누어, 네트워크의 전반적인 추세(Low-resolution)와 미세한 구조적 균열(High-resolution)을 동시에 감지합니다. 둘째, 오버랩 기반의 가중치 부여 방식입니다. 특징의 영속성 길이에만 의존하는 것이 아니라, 해당 특징이 분석 구간과 얼마나 겹치는지를 계산하여 가중치를 할당합니다. 이를 통해 별도의 임계값 설정 없이도 짧은 수명을 가진 노이즈를 효과적으로 제거할 수 있습니다. 셋째, 수학적 안정성 확보입니다. 서로 다른 복잡도를 가진 네트워크 간의 비교가 가능하도록 1-Wasserstein 거리에 대한 Lipschitz 연속성을 증명하여, 알고리즘의 신뢰도를 수학적으로 뒷받침했습니다.

이러한 이론적 토대를 바탕으로 진행된 이더리움 거래 네트워크 실험 결과는 매우 고무적입니다. 2017년부터 2018년까지의 이더리움 트랜잭션 데이터를 활용하여 7일간의 가격 변동을 예측했을 때, OW-HNPV는 기존의 대표적인 TDA 방법론들(VAB, Persistence Landscapes, Persistence Images) 대비 AUC(Area Under the Curve) 성능을 최대 10.4%까지 향상시켰습니다. 특히 주목할 만한 점은 예측 기간이 4일에서 7일로 길어지는 중장기 예측 구간에서 성능의 편차가 가장 작고 안정적인 모습을 보였다는 것입니다. 이는 OW-HNPV가 단기적인 노이즈에 휘둘리지 않고 네트워크의 구조적 변화 흐름을 정확히 짚어내고 있음을 의미합니다.

결론적으로, 본 논문은 위상적 특징의 ‘존재’를 넘어 ‘변화의 속도’를 모델링하는 것이 동적 네트워크 분석의 새로운 지평을 열 수 있음을 보여주었습니다. 이 기술은 암호화폐 시장의 이상 거래 탐지뿐만 아니라, 실시간으로 구조가 변하는 금융 시장의 리스크 관리, 사이버 보안의 침입 탐지, 그리고 복잡한 생물학적 네트워크의 동적 변화 분석 등 광범위한 분야에 적용될 수 있는 강력한 도구가 될 것입니다. 향후 연구에서는 더 높은 차원의 위상적 특징(2-차원 구멍 등)에 대한 속도 통합과 그래프 신호 처리 기술과의 결합이 기대됩니다.