의회 거래 정보 채널 탐지를 위한 시계열 그래프 학습

초록

본 논문은 의회 의원들의 주식 거래와 로비·캠페인 기부 등 다양한 정치·경제 데이터를 결합한 동적 이분 그래프를 구축하고, 이를 기반으로 장기 초과수익을 보이는 거래를 식별하는 edge classification 문제로 정의한다. 정보 지연을 고려한 GAP‑TGN 모델과 두 단계 워크포워드 검증을 도입해 look‑ahead bias를 방지하면서, 정치적 알파를 포착하는 데 성공하였다.

상세 분석

이 연구는 기존의 의회 거래 분석이 시계열 가격 데이터에만 의존하는 한계를 넘어, 정치·경제 네트워크의 구조적 정보를 활용한다는 점에서 혁신적이다. 먼저 ‘Capitol Gains’라는 멀티모달 동적 그래프 데이터셋을 구축했는데, 여기에는 2013‑2025년 기간 동안 의회 인물, 기업, 위원회, 로비·캠페인 기록, 일일 OHLCV와 다크풀 거래량, 64개의 거시경제 지표, 기업 재무제표 등이 포함된다. 데이터는 공개 시점(PIT) 기준으로 정렬돼, 모델이 언제든지 실제 시장 참여자가 가질 수 있는 정보만을 사용하도록 설계되었다.

문제 정의는 연속시간 이질 그래프 G(t) 위에서 목표 edge(k_target=TRADE)를 대상으로, 미래 Δt(예: 18개월) 동안의 초과수익이 임계값 τ를 초과하면 양성 라벨, 미달이면 음성 라벨, 아직 결과가 확정되지 않은 경우 0.5라는 ‘잠재’ 라벨을 부여하는 방식이다. 이렇게 라벨을 지연시켜 두면 전통적인 TGN이 요구하는 즉시 피드백을 기다릴 필요가 없어, 정보 스턴성을 크게 완화한다.

제안된 GAP‑TGN은 기존 TGN에 두 가지 핵심 모듈을 추가한다. 첫째, Gated Multi‑Modal Fusion 레이어는 동적 메모리 임베딩과 정적 속성(당·주) 및 시장 신호(z_mkt)를 게이트 방식으로 결합해 최신 정보를 유지한다. 둘째, Asynchronous Propagation 메커니즘은 라벨이 아직 확정되지 않은 이벤트에 대해서도 메모리를 업데이트하도록 설계돼, ‘잠재’ 라벨을 가진 edge도 그래프 어텐션에 포함시켜 과거 이력의 알파 패턴을 효과적으로 학습한다. 그래프 어텐션은 각 이웃의 키·밸류에 라벨 정보를 포함시켜, 양·음의 알파 거래를 구분하는 가중치를 자동으로 학습한다.

학습·평가 파이프라인은 두 단계 워크포워드 검증으로 구성된다. (1) 트레이닝 단계에서는 과거 데이터만 사용해 모델을 학습하고, (2) 테스트 단계에서는 모델이 예측한 시점 직후부터 라벨이 확정될 때까지의 기간을 그대로 두어, 실제 투자 시점과 동일한 정보 제한을 유지한다. 이를 통해 look‑ahead bias를 철저히 차단했다.

실험 결과, GAP‑TGN은 단순 테이블 기반 로지스틱 회귀와 기존 TGN 대비 장기(12‑18개월) 초과수익률에서 평균 2.3%p(포트폴리오 수준) 높은 성과를 보였으며, 특히 ‘잠재’ 라벨을 활용한 경우 모델 붕괴(mode collapse) 현상이 크게 감소했다. 또한 어텐션 가중치를 시각화한 결과, 위원회 소속, 특정 로비 기업과의 강한 연결, 그리고 고빈도 캠페인 기부가 알파 거래와 강하게 연관된 것을 확인했다.

한계점으로는 라벨 정의에 사용된 베치크(benchmark)인 S&P 500이 전체 시장을 완전히 대변하지 못한다는 점, 그리고 데이터 수집 과정에서 일부 비공개 거래나 비공식 로비 활동이 누락될 가능성이 있다는 점을 들 수 있다. 향후 연구에서는 보다 정교한 베치마크(섹터별 인덱스)와 비정형 텍스트(법안 텍스트, 언론 보도) 등을 통합해 모델의 일반화 능력을 강화할 여지가 있다.