[2025-1] 이루가 - Integrating Generative AI into Financial Market Prediction for Improved Decision Making

논문 링크: https://arxiv.org/abs/2404.03523

Integrating Generative AI into Financial Market Prediction for Improved Decision Making

 

Abstract

이 연구는 생성형 인공지능(GAI)의 모델 구조 및 핵심 기술을 심층적으로 분석하고, cGAN과 시계열 분석 방법을 활용해 특정 사례와 결합하여 금융 시장의 동적 변화를 시뮬레이션하고 예측한다. 

 

1. Introduction

• 기존의 예측 모델들은 금융 시장의 복잡한 역학 관계나 방대한 데이터를 다루는 데 한계 존재
• GAI는 기존 예측 모델의 문제를 해결할 새로운 방법을 제시하고 실제 시장 데이터를 simulate하여 더 정교한 예측을 가능하게 함
• GAI의 예측은 가상의 금융 상품 생성, 시장 조건에 맞는 시뮬레이션, 혁신적인 금융 상품의 리스크 평가까지 가능함 - 투자 전략을 사전 검증하고 리스크를 최소화한 최적화된 투자 결정 가능하게 함
• 이 연구는 GAI 모델의 핵심 기술(딥러닝, cGAN)를 통함 금융시장의 실제 사례 분석으로 GAI가 기존 금융 예측 모델을 혁신적으로 발전시킬 수 있는 가능성을 확인함

2. Theoretical Overview

2.1. Model architecture of generative artificial intelligence

생성형 인공지능(GAI)의 핵심 원리는 기존 데이터를 학습하여 새로운 데이터 인스턴스를 생성하는 것으로 대표적인 생성 모델 아키텍처는 다음 세 가지로 구분된다.

 

1) 생성적 적대 신경망(GAN, Generative Adversarial Networks)

• 구성: 생성자(Generator)와 판별자(Discriminator) 두 개의 네트워크로 이루어짐
• 작동 방식
  • 생성자는 가짜 데이터를 생성하고 판별자는 입력된 데이터가 실제(real)인지 생성된(fake) 데이터인지 구분함
  • 두 네트워크는 서로 경쟁하며 발전하며 생성자는 판별자를 속일 수 있는 점점 더 정교한 데이터를 생성하도록 학습됨
  • 이 과정은 분류 오차 손실(classification error loss)을 최소화하는 방향으로 조정됨
• 특징: 고품질 이미지 생성에 탁월하며, 금융 시장 데이터에서도 새로운 시장 데이터를 생성하는 데 활용 가능

2)변분 오토인코더(VAE, Variational Autoencoders)

• 구성: 인코더(Encoder)와 디코더(Decoder)
• 작동 방식
  • 인코더가 입력 데이터를 잠재 공간(latent space) 으로 압축하여 표현
  • 디코더가 이를 다시 원래 데이터로 복원(reconstruct)하는 방식으로 작동
  • 모델의 목표: ELBO (Evidence Lower Bound) 를 최대화하여 고품질 데이터를 생성하는 것
• 특징: 생성뿐만 아니라 데이터의 잠재 표현을 효과적으로 학습할 수 있으며 금융 시장의 패턴을 탐색하는 데 유용

3) Flow-based 생성 모델

• 구성: 데이터와 잠재 공간(latent space)을 직접적으로 연결하는 가역적 함수(reversible mapping function) 를 사용
• 작동 방식
  • 데이터의 확률 분포를 정확하게 계산할 수 있도록 설계됨
  • 목표: 음의 로그 가능도(negative log-likelihood) 를 최소화하는 것
• 특징: 정밀한 확률 모델링이 가능하여 금융 시장의 복잡한 데이터 분포를 다룰 때 적합

 

2.2.Key technologies analysis

• 금융 시장 예측에서 GAI의 적용은 여러 핵심 기술을 기반으로 하며 그중에서도 딥러닝이 핵심적임
• 딥러닝은 신경망을 활용하여 복잡한 함수 매핑을 시뮬레이션하며, 특히 CNN은 이미지 데이터를 처리하는 데, RNN 은 시계열 데이터를 분석하는 데 유용
• 이 외에도, 금융 데이터 분석에서는 자연어 처리(NLP)도 중요
• 특히 트랜스포머 모델은 자기주의(Self-Attention) 메커니즘을 활용하여 장거리 의존성을 효과적으로 포착하며 텍스트 기반의 시장 분석과 예측에 강력한 도구로 사용됨
• 시계열 데이터 분석을 위한 통계 모델 중에서는 ARIMA 모델 및 변형 모델이 금융 시장 예측에서 널리 사용됨
• ARIMA 모델은 자기회귀(AR, Autoregressive) 특성과 이동 평균(MA, Moving Average)특성을 반영하여 미래 금융 시장 동향을 예측
• 딥러닝과 전통적인 통계 모델을 결합한 하이브리드 기법은 금융 예측의 정확도와 견고성을 더욱 향상시킴

3. Specific Application cases of Generative Artificial Intelligence in financial market prediction

3.1. Case Background

이 연구에서는 GAI의 활용을 분석하기 위해 아시아 금융 중심지(Asian Financial Center)의 사례 연구를 선정했다

• 평균 일일 거래량(Trading Volume): 50억 달러(USD) => 주식, 채권, 외환(FX), 파생상품 등 다양한 금융 상품 포함
• 외환 시장 데이터(2023년 2분기 기준)
  • 평균 일일 외환 거래량: 6억 달러(USD)
  • 가장 활발한 거래 쌍: 미국 달러(USD) / 일본 엔(JPY)
  • USD/JPY 거래량 비율: 총 거래량의 18% 차지
  • 시장 변동성 지표: 표준편차 평균 0.5%/월
  • 연간 실적 발표 시즌 동안 거래량과 변동성이 급격히 증가하는 계절적 패턴 존재
• 시장 구조
  • 기관 투자자와 개인 투자자의 비율 변화
  • 2022년에는 3:1, 2023년에는 4:1로 기관 투자자의 비중이 증가함
• 연구 대상 선정 이유
  • 충분한 데이터 확보 가능성 
  • 시장 대표성
  • 전형적인 거래 행태

3.2. Application process

3.2.1. Data collection and preprocessing

 

1) 데이터 수집

• 기간: 2023년 4월 1일 ~ 5일 (5일간의 금융 데이터)
• 수집된 주요 지표: 일일 거래량(Daily Trading Volume), 시가(Open Price), 고가(Highest Price), 저가(Lowest Price), 종가(Closing Price)

2) 데이터 전처리

• 결측값 처리: 보간법(Interpolation Methods)을 활용하여 누락된 데이터를 보완
• 데이터 정규화: Z-score 정규화를 적용하여 숫자 범위를 표준화
• 시계열 분해: 계절성 조정을 위해 시계열 분해 기법(Time Series Decomposition Techniques) 적용하여 계절 변동을 식별하고 보정함
• 이분산성(Heteroskedasticity) 완화: 로그 변환을 적용하여 거래량과 가격의 변동성을 완화 데이터의 변동성을 부드럽게 만들어 모델 학습 안정성 향상
• 비정상성 제거: Differencing 기법으로 비정상적인 트렌드를 제거하여 단기 변동 정보가 모델의 예측력에 더 기여하도록 처리

3.2.2. Model Construction and training

1) 모델 구성

: cGAN을 활용하여 단기 금융 시장 예측을 수행함

• 해당 모델 선택 이유
  • 금융 시계열 데이터의 비선형적 관계모델링에 강력한 성능을 보임
  • 일반적인 GAN보다 조건부 정보를 활용하여 금융 시장의 맥락을 반영하는 예측 가능
• 구성 요소
  • 생성자(Generator):
    • LSTM 기반 시퀀스 생성 네트워크(Sequence Generation Network with LSTM Units) 사용
    • 시계열 데이터의 시간적 의존성을 반영
    • 실제 데이터 분포와의 Jensen-Shannon Divergence 를 최소화하는 것이 목표
  • 판별자(Discriminator):
    • 심층 합성곱 신경망(Deep Convolutional Network) 사용.
    • 드롭아웃을 적용하여 과적합 방지
    • 실제 데이터와 생성된 데이터를 정확하게 구별하도록 최적화하는 것이 목표

2) 모델 훈련 과정

• 최적화 알고리즘: Adam Optimizer 사용
• 초기 학습률: 0.0002
• 감쇠 계수: 0.5
• 훈련 데이터
  • 2023년 4월 1일 ~ 5일 동안의 USD/JPY 환율 데이터
  • 에포크: 100번 반복
  • 배치 크기: 64
• 모델 성능 평가 (Loss & Error Monitoring)
  • 평균 제곱 오차(MSE, Mean Square Error) 를 이용해 예측 성능을 점검
  • 예시
    • 4월 1일 MSE: 0.0023
    • 4월 5일(100 에포크 이후) MSE: 0.0018 → 훈련이 진행될수록 예측 정확도 향상

3.2.3 Forecast implementation and results

1) Forecasting Process

• 모델: 훈련된 cGAN 모델
• 예측 대상
  • USD/JPY (미국 달러 vs 일본 엔) 환율
  • 2023년 4월 6일 ~ 4월 10일 환율 예측 수행
• 입력 데이터:
  • 2023년 4월 1일 ~ 5일의 시장 데이터
  • 시가(Open Price), 고가(Highest Price), 저가(Lowest Price), 종가(Closing Price), 거래량(Trading Volume) 포함

2) 예측 성능 비교

4월 6일의 예측값과 실제 시장 데이터 비교한 것을 표로 나타낸 것은 아래와 같다.

지표	모델 예측	실제 시장 가격	오차
시가(Open Price)	111.70 JPY	111.68 JPY	0.02 JPY
고가 (Highest Price)	112.20 JPY	112.22 JPY	0.02 JPY
저가 (Lowest Price)	111.30 JPY	111.32 JPY	0.02 JPY
종가 (Closing Price)	111.90 JPY	111.88 JPY	0.02 JPY

• 모델의 예측값과 실제 시장 가격 간 오차가 0.02~0.03 JPY 수준으로 매우 적음
• 이는 금융 시장 예측 모델로서 높은 정확도를 확보했음을 의미

3) 예측 성능 평가

• 평가 지표: 루트 평균 제곱 오차(Root Mean Square Error) 활용
• RMSE 결과 (2023년 4월 6일 ~ 10일 예측값 기준)
  • 시가(Open Price): 0.02 JPY
  • 고가(Highest Price): 0.03 JPY
  • 저가(Lowest Price): 0.02 JPY
  • 종가(Closing Price): 0.02 JPY
• RMSE 값이 매우 낮음 = 모델이 정확한 예측 성능을 보유함
• 모델이 연속적인 시장 변화(Consecutive Market Trends)도 안정적으로 반영
• 시장 변동성이 높은 날에도 오차 수준이 낮음 = 즉 일관된 예측 성능 유지

4. Effectiveness evaluation

4.1 Forecast accuracy assessment

 

 

1) 모델의 예측 정확성

• 일관적으로 낮은 RMSE 값 (0.02 JPY)
  • 시가, 고가, 저가, 종가 모든 지점에서 RMSE가 0.02 JPY 수준으로 낮게 유지
  • 이는 모델이 금융 시장의 복잡한 동적 변화를 정확하게 반영할 수 있음을 입증
• cGAN 모델의 효과성 
  • cGAN(조건부 생성적 적대 신경망)은 실제 시장 데이터의 분포를 학습하고 복제하는 데 매우 뛰어난 성능을 보임
  • 금융 시장 예측에서 미세한 변동에도 큰 영향을 미칠 수 있기 때문에, 정확한 예측 능력은 매우 중요한 경쟁력

2) 학습 과정과 모델의 신뢰성

• 학습 과정
  • cGAN은 과거 시장 데이터에 대한 폭넓은 학습을 수행하며 시장 패턴과 트렌드를 포착하는 능력 습득
  • 이를 통해 모델은 다양한 시장 상황에 적응할 수 있는 능력을 갖춤
• cGAN 모델 아키텍처의 역할 
  • 생성자(Generator)와 판별자(Discriminator)의 협력 구조 덕분에 보다 정교한 예측 가능
  • 생성자가 예측값을 생성하면, 판별자가 이를 실제 시장 데이터와 비교하며 성능을 향상
  • 이러한 반복적인 생성-판별 과정(iterative generation-discrimination process) 덕분에 모델의 예측 정확도가 지속적으로 개선됨

3) 금융 의사결정에서의 영향

• 정확한 예측이 제공하는 전략적 이점
  • 높은 예측 정확도를 바탕으로 트레이더와 분석가들은 더욱 신뢰성 높은 금융 결정을 내릴 수 있음
  • 정확한 시장 가격 예측은 거래 전략 최적화 및 리스크 관리에 크게 기여할 수 있음
• 예측 분석 기술의 발전 (Advancements in Predictive Analytics)
  • RMSE 값의 감소는 단순한 통계적 성취 뿐 아니라 금융 시장 예측 모델이 한 단계 발전했음을 의미
  • 정확성과 신속성이 중요한 금융 시장에서 생성형 인공지능(GAI)은 혁신적인 도구가 될 가능성 높음

4.2. Analysis of return on investment

• 목표
  • cGAN 모델을 활용한 시장 예측이 투자 전략 및 실제 수익률(ROI)에 어떤 영향을 미치는지 평가
  • 예측 데이터를 실제 트레이딩 전략과 결합하여 GAI 기술의 실용성과 효과를 분석

1) 투자 전략

• 매수 조건: 다음날 종가가 현재 종가보다 높을 것이라고 예측하면 매수
• 매도 조건: 다음날 종가가 현재 종가보다 낮을 것이라고 예측하면 매도
• 위 전략을 USD/JPY 환율 거래(2023년 4월 6일~10일)에 적용하여 가상의 거래 수행

2) 분석 결과

 

• 예측 기반 거래 전략을 실행한 결과, ROI가 유의미하게 향상됨
• 모델이 예측한 종가 변동을 반영하여 투자 결정을 내릴 경우 손실을 최소화하고 수익을 극대화할 가능성이 높음
• 전반적으로 cGAN 모델이 실제 금융 시장에서 효과적인 트레이딩 전략을 구현할 수 있음을 확인
  • 지속적으로 긍정적인 투자 수익 창출
  • 총 100만 달러의 투자 수익을 추가적인 시장 정보 입력 없이 달성

5. Conclusion

• cGAN 모델이 금융 시장의 복잡한 패턴을 효과적으로 모방하여 높은 신뢰도의 예측을 생성하고, 변동성이 높은 시장 환경에서 예측 정확도를 유지할 수 있음
• 그러나 금융 위기와 정치적 사건 같은 갑작스러운 시장 변동성에 대한 대응력은 추가 개선 필요
• 기술의 지속적 발전으로 인해 금융 시장 예측에서 GAI의 역할이 더욱 확대되어 기존 금융 예측 방식의 패러다임을 변화시킬 것임