간헐적 참여가 가능한 예측 시장

초록

본 연구는 데이터 소유권과 경쟁적 이해관계로 협업이 제한되는 환경에서, 참여자들이 자유롭게 참여하고 이탈할 수 있는 예측 시장을 제안합니다. 역사적 성과를 반영하고 시간에 따라 적응하며, 결측치를 처리하는 강건한 회귀 모델을 통해 최적의 예측을 조합합니다. 또한, 샘플 내외 성과를 모두 고려한 공정한 보상 할당 메커니즘을 도입하여 시장의 효과성과 적응력을 시뮬레이션 및 실제 데이터로 입증합니다.

상세 분석

본 논문의 핵심 기술적 기여는 크게 두 가지로 구분된다. 첫째는 ‘적응형 강건 선형 회귀(Adaptive Robust Linear Regression)’ 모델을 온라인 학습 설정으로 확장한 것이다. 기존 예측 조합 방식은 모든 판매자가 지속적으로 예측을 제출한다는 비현실적 가정에 기반한다. 본 연구는 판매자의 참여 여부를 나타내는 이진 변수(α)를 도입하고, 선형 보정 행렬(D)을 학습하여 특정 판매자의 예측이 누락되었을 때 나머지 이용 가능한 예측들로부터 정보를 보완하는 메커니즘을 설계했다. 이 모델은 온라인 경사하강법을 통해 가중치(w)와 보정 행렬(D)을 실시간으로 업데이트하며, 제약 조건(볼록 조합)을 만족시키기 위한 투영 단계를 포함한다. 이를 통해 시장의 역동적 변화에 적응하면서도 간헐적 참여를 원활히 수용할 수 있는 기반을 마련했다.

둘째는 ‘샘플 내(In-sample)‘와 ‘샘플 외(Out-of-sample)’ 성과를 종합적으로 반영한 혁신적인 보상 할당 메커니즘이다. 샘플 내 할당은 샤플리 값(Shapley value)의 온라인 변형을 사용한다. 이는 협력 게임 이론에서 파생된 개념으로, 각 판매자가 전체 예측 품질 향상에 기여한 한계 효과를 공정하게 평가한다. 연구진은 단순히 당시의 기여도뿐만 아니라, 망각 인자(λ)를 이용한 재귀적 계산을 통해 역사적 기여도를 반영하는 ‘시간 가변 샤플리 값’을 제안했다. 샘플 외 할당은 각 판매자가 제출한 개별 예측의 정확도(본 연구에서는 Quantile Loss 사용)를 기준으로 즉각적인 성과를 보상한다. 최종 보상은 두 요소를 매개변수 δ로 조정하여 합산되며, 이는 시장 운영자가 정보의 일관성 가치와 순간적 정확도 가치 사이의 균형을 설정할 수 있도록 한다. 이러한 이중 구조는 참여자에게 지속적 기여 동기를 부여하면서도 우수한 예측 성과에 대한 인센티브를 유지한다는 점에서 실용적이다.