2021년 9월 금융 AI 연구 요약 — 포트폴리오 수축부터 비트코인 주기성까지

매달 arXiv에 올라오는 수백 편의 금융·AI 논문 중 정말 중요한 것을 골라 읽기란 쉽지 않습니다. 2021년 9월에 올라온 논문175편을 분석해, 투자와 트레이딩에 직접 관련 있는11편을5개 테마로 정리했습니다.

---

들어가며: 왜 "추정의 안정성"이 핵심인가

포트폴리오를 운용할 때 가장 흔한 실수가 뭘까요? 화려한 예측 모델을 쓰는 것? 아닙니다. 가장 흔한 실수는 기본 데이터를 잘못 믿는 것입니다.

주식100개의 수익률 데이터를 가지고 "이 주식들은 서로 이렇게 움직인다"고 계산하면, 표본이 짧을수록 그 계산이 크게 흔들립니다. 마치 동전을10번 던져서 "앞면 확률이60%"라고 결론 내리는 것과 비슷합니다. 표본이 적으면 믿을 수 없는데, 포트폴리오 최적화는 바로 그 불안정한 숫자를 그대로 쓰는 경우가 많습니다.

2021년 9월의 논문들은 이 문제를 여러 각도에서 공략합니다. 한쪽에서는 "숫자를 더 안정적으로 만드는 법"을 연구하고, 다른 한쪽에서는 "어떤 모델을 쓰든 결론이 달라질 수 있다"는 불확실성을 정량화합니다. 그리고 흥미롭게도, 이 달에는 금융 AI의 새로운 영역 — 문서 이해, 강화학습, 암호화폐 시장 분석 — 이 동시에 꽃을 피우기 시작했습니다.

---

테마1: 포트폴리오의 숫자를 믿을 수 있게 — 공분산 추정의 안정화

문제가 뭐냐면요

포트폴리오를 만들려면 "어떤 주식이 얼마나 같이 움직이는지"를 알아야 합니다. 이걸 공분산 행렬이라고 부르는데, 주식100개면 이 행렬에 들어갈 숫자가 약5,000개입니다. 그런데1년치 일간 데이터(약250개 표본)로5,000개 숫자를 추정하려면? 당연히 엉망이 됩니다.

전통적인 방법은 "시장 전체가 같이 움직이는 패턴(베타)을 먼저 구하고, 나머지를 추정"하는 것입니다. 하지만 이 "베타" 자체가 표본에 따라 크게 흔들립니다.

Multi Anchor Point Shrinkage가 뭘 해결하나요

이 논문의 아이디어는 간단하면서도 깊습니다: 베타를 한쪽으로 당기(shrink)세요.

예를 들어, 과거에 추정한 베타가 있고, 섹터 정보가 있습니다. 이 두 가지를 "닻(anchor)"으로 삼아서, 표본에서 계산한 불안정한 베타를 이 닻 쪽으로 살짝 당기는 겁니다. 마치 풍선이 바람에 흔들릴 때 줄을 잡아당기는 것처럼요.

더 중요한 건, 닻을 여러 개 쓸 수 있다는 점입니다. 하나의 상수 벡터 대신, 섹터별로 다른 기준점을 사용합니다. 이렇게 하면 정보를 더 충분히 활용하면서도 추정의 안정성을 확보할 수 있습니다.

이 그림은 서로 다른 추정 방법의 오차를 비교한 것입니다. 표본 수가 적을수록(왼쪽) 모든 방법의 오차가 커지지만, 다중 앵커 수축(파란색 선)이 대부분의 경우에서 가장 낮은 오차를 유지합니다.

이 분야의 다른 연구들

공분산 추정 문제는 이 달에 특히 많았습니다:

• 공동 수축(Joint Shrinkage): 공분산과 역공분산을 동시에 추정하면서 수축을 적용하는 방법. 부분상관 정보를 활용해 더 정확한 추정을 목표로 합니다.
• GARCH 폐쇄형 해: 시변동성을 GARCH 모델로 반영하면서도 포트폴리오 비중을 수식으로 직접 구하는 방법. 수치 최적화 없이 빠르게 계산할 수 있습니다.
• GARCH-LSTM 하이브리드: GARCH의 통계적 구조와 LSTM의 비선형 학습을 결합해 고차원 공분산을 예측합니다.
• 행렬 미분(Adjoint Differentiation): 공분산 행렬 수정, 상관행렬 보정 등 리스크 모델의 역전파를 통합적으로 유도해 자동미분 기반 파이프라인에 직접 활용할 수 있게 합니다.

공통 인사이트

이 논문들이 함께 말하는 것은 이것입니다: "모델을 바꾸기 전에, 추정 오차부터 줄이세요." 복잡한 모델을 써도 입력 데이터가 불안정하면 소용없습니다. 수축, 정규화, 구조적 정보 활용 등 "추정을 안정시키는" 방법론이 실무에서 가장 큰 효과를 낼 수 있습니다.

---

테마2: 강화학습이 포트폴리오를 관리할 수 있을까

순서가 바뀌면 결과도 바뀐다?

딥러닝으로 포트폴리오 비중을 학습시키는 연구가 많아졌습니다. 그런데 한 가지 묘한 문제가 있었습니다: 주식을 어떤 순서로 넣느냐에 따라 결과가 달라진다는 것입니다.

예를 들어, AAPL, MSFT, GOOGL 순서로 넣으면 비중이 [0.3, 0.4, 0.3]이 나오는데, MSFT, AAPL, GOOGL 순서로 넣으면 [0.2, 0.5, 0.3]이 나올 수 있습니다. 말이 안 되죠? 같은 주식들인데 순서만 바꿨을 뿐인데요.

WaveCorr: 상관관계를 제대로 다루는 방법

이 논문은 이 문제를 수학적으로 정의하고 해결했습니다. 핵심 개념은 자산 순서 불변성(asset permutation invariance): 주식 순서를 아무리 바꿔도 출력이 같아야 한다는 것입니다.

구체적으로, 기존의 WaveNet 구조에 상관관계 처리 레이어(Corr layer)를 추가했습니다. 이 레이어는 자산 간 상관관계를 계산하되, 순서에 무관한 방식으로 처리합니다.

결과는 인상적입니다:

• 기존 방법 대비 평균 연수익률3~25%p 개선
• Sharpe ratio 최대200% 이상 향상
• 주식 순서를 무작위로 바꿔도 성능 안정성5배 개선

캐나다(TSX)와 미국(S&P500) 시장 모두에서 일관된 결과가 나왔습니다.

강화학습의 다른 방향들

이 달에는 강화학습의 다른 가능성도 탐구되었습니다:

• CVaR 직접 최적화: 수익률 평균만 추구하는 게 아니라, 최악의5% 상황에서의 평균 손실(CVaR)을 직접 목적함수에 넣어 꼬리위험을 통제합니다. 순수 온라인 학습이 가능해 실시간 업데이트가 가능합니다.
• Expectile 위험측도 + 딥 RL: 시간 일관성을 보장하는 동적 위험측도와 결합해 파생상품의 공정 가격을 학습합니다.

공통 인사이트

2021년 9월의 RL 연구들은 "어떤 구조적 정보를 정책 네트워크에 주입할 것인가"라는 설계 문제에 집중하고 있습니다. 상관관계(WaveCorr), 꼬리위험(CVaR), 시간 일관성(expectile) — 단순히 "데이터를 넣고 학습"하는 게 아니라, 금융 문제의 구조를 네트워크 설계에 반영하는 방향으로 진화하고 있습니다.

---

테마3: 금융 보고서를 AI가 읽을 수 있을까

숫자가 있는 텍스트의 어려움

"이 회사의 매출은 전년 대비15% 증가한1,234억 원입니다. 영업이익률은8.2%로, 전분기 대비1.5%p 하락했습니다."

이 문장을 사람이 읽으면 바로 이해합니다. 하지만 AI에게 이 문장의 "전년 대비15% 증가"가 어떤 의미인지, "1,234억 원"이 얼마인지, "1.5%p 하락"이 어떤 맥락인지 묻는 건 완전히 다른 문제입니다.

FinQA: 금융 수치 추론의 표준

이 논문은 금융 보고서(SEC 공시)에서 질문에 답하기 위한 대규모 데이터셋을 구축했습니다. 단순한 텍스트 매칭이 아니라, 표와 텍스트를 결합한 복잡한 다단계 수치 추론이 필요합니다.

예를 들어: "2019년과2020년의 총 매출 비율은?" → 표에서 각 연도의 매출을 찾고 → 비율을 계산해야 합니다.

각 질문에 대한 금 추론 프로그램(gold reasoning program)이 포함되어 있어, AI가 어떤 단계를 거쳐 답에 도달했는지 확인할 수 있습니다. EMNLP2021에 발표되었고, 코드와 데이터셋이 공개되었습니다.

핵심 발견: 대규모 사전학습 모델(GPT 등)이 금융 도메인의 복잡한 수치 추론에서 전문가 수준에 크게 미치지 못합니다. 금융 지식의 이해와 다단계 계산 추론이 동시에 필요하기 때문입니다.

금융 AI의 다른 발전

• 해석가능성: 금융 ML 모델의 "안전성"을 검증하는 방법. 그래디언트 기반 스트레스 테스트로 모델이 학습 분포 밖에서 어떻게 행동하는지 확인합니다. 금융에서는 "왜 이 예측이 나왔는지"를 설명할 수 있어야 합니다.
• 입력 정규화: LOB(주문장) 데이터의 시간축·특징축 분포를 동시에 표준화하는 경량 레이어. 비정상적인 시계열에서 신경망 학습을 안정화합니다.

공통 인사이트

금융 AI가 "예측 모델"을 넘어 "문서 이해·추론" 영역으로 확장되고 있습니다. 단순히 주가를 맞추는 게 아니라, 보고서를 읽고 숫자를 계산하고, 그 결과를 설명하는 방향으로 나아가고 있습니다. 그리고 이 과정에서 "해석가능성"과 "안전성"이 점점 더 중요해지고 있습니다.

---

테마4: 의존구조를 어떻게 믿을 것인가 — 코퓰라와 리스크 모델링

"같이 움직인다"를 어떻게 모델링할까

주식들이 "같이 움직는" 패턴을 모델링하는 전통적인 방법이 코퓰라(copula)입니다. 각 주식의 개별 분포와, 주식들 사이의 의존구조를 분리해서 모델링하는 아이디어죠.

문제는: 어떤 코퓰라를 쓸지에 따라 결론이 크게 달라집니다. 가우시안 코퓰라? t-코퓰라? Gumbel? Clayton? 선택이 달라지면 VaR, 최적 포트폴리오 등 모든 것이 바뀝니다.

Implicit Generative Copulas: 신경망이 의존구조를 직접 학습한다

이 논문은 전통적 코퓰라의 구조적 가정을 제거하고, 딥 신경망으로 고차원 의존구조를 직접 학습하는 방법을 제안합니다.

방법은 두 단계입니다:

1. 생성 네트워크가 원하는 의존구조를 가진 데이터를 생성합니다.
2. 확률적분변환(PIT)을 적용해 코퓰라의 핵심 조건(균일 주변분포)을 보장합니다.

비미분 가능한 경험 CDF를 대체하는 미분가능한 soft-rank 레이어를 도입해 그래디언트 기반 학습을 가능하게 했습니다.

실험 결과: -5차원 vine copula에서 IGC의 오차(0.0697)가 전통적 방법(0.2093)의3분의1 수준

• 환율 데이터(5차원): 가우시안 코퓰라가 실패한 반면 IGC가 크게 개선 -25차원 이미지 데이터에서도 VAE를 상회하는 생성 품질

리스크 모델링의 다른 연구들

이 테마에는 "어떤 모델을 믿을 것인가"라는 근본적 질문을 다루는 논문이 많았습니다:

• 마진 vs 코퓰라: 모델 리스크의 원천을 체계적으로 분해한 연구. 놀랍게도, 마진 분포 선택보다 코퓰라 선택이 모델 리스크의 지배적 원천이었습니다. 의존구조 모델을 잘못 고르면, 개별 분포는 아무리 정확해도 소용없다는 뜻입니다.
• 러프패스 포트폴리오 이론: 확률 가정 자체를 완화하는 접근. 표준 Itô 적분 대신 러프패스 적분을 사용해, 어떤 확률 모형을 가정하지 않아도 되는 포트폴리오 이론을 구축합니다.
• 가짜 브라운 운동: 동일한 주변분포를 가지면서도 경로 동학이 완전히 다른 마팅게일을 구성해, 금융모형의 비식별성을 선명히 보여줍니다.
• GAN 시나리오 생성: GAN으로46개 시장 위험요인의1년 시나리오를 생성해, 규제 승인 내부모형 벤치마크와 직접 비교합니다.

공통 인사이트

이 논문들이 공통적으로 말하는 것은: "모델 선택 자체가 리스크"라는 것입니다. 어떤 코퓰라를 쓰든, 어떤 확률 가정을 하든, 어떤 마진 분포를 고르든 — 선택에 따라 결론이 근본적으로 달라집니다. 그래서 "모델 불확실성을 정량화하는 것"이 점점 더 중요해지고 있습니다.

---

테마5: 비트코인 시장에는 패턴이 있을까

암호화폐도 "시간"이 있다

주식 시장에는 well-known한 시간 패턴이 있습니다. 월요일 효과, 연말 랠리 등. 암호화폐 시장에도 비슷한 패턴이 있을까요?

비트코인 변동성의 주기성

이 논문은 Bitcoin과 Ether의 변동성·거래량을 세 거래소(Coinbase Pro, Binance, Uniswap V2)에서 분석했습니다. 결과는 놀랍습니다:

• 변동성과 거래량에서 요일·시간대·시간 내 반복 패턴이 명확히 존재
• 이 패턴은 시간이 지남에 따라 강화되고 있다 (2021년으로 갈수록 뚜렷)
• 패턴의 원인: 알고리즘 트레이딩과 선물 시장 펀딩 타임
• 가격 형성은 중앙화 거래소에서 주로 일어나며, 탈중앙화 거래소의 가격 조정은 느리다

이 발견의 실무적 의미는 큽니다. 변동성·유동성의 시간 패턴을 활용하면 거래 시점, 포지션 규모, 슬리피지를 최적화할 수 있습니다.

암호화폐 시장의 다른 연구들

• 삼각 차익거래자 분석: 실제 거래 데이터로 비트코인 삼각 차익거래자를 탐지하고, 그들의 행동 패턴과 전문성을 분석합니다.
• 선물 도입의 인과적 효과: CME 비트코인 선물 도입이 현물 시장의 변동성과 거래량에 어떤 인과적 영향을 미쳤는지 추정합니다.
• Lévy 과정 모델링: 이중 종속 Lévy 과정으로 비트코인의 왜도·팻테일·내재시간 변동성을 통합 모델링합니다.
• 공적분 기반 페어 트레이딩: 동적 공적분 검정과 평균회귀 반감기를 결합해 암호화폐 페어 트레이딩을 최적화합니다.

공통 인사이트

2021년 9월의 암호화폐 연구들은 시장 구조의 미시적 특성을 체계적으로 분석하기 시작했습니다. "암호화폐는 비정상적"이라는 막연한 인식을 넘어, 구체적인 패턴과 인과관계를 실증적으로 밝히는 방향으로 나아가고 있습니다.

---

월 전체 Big Picture

2021년 9월의 시스템 트레이딩 연구를 관통하는 하나의 메시지가 있습니다: "추정의 안정성과 모델 선택의 리스크".

포트폴리오 최적화 쪽에서는 다중 앵커 수축·공동 수축·GARCH 폐쇄형 해 등 공분산 추정 오차를 줄이는 실용적 방법론이 다수 등장합니다. 리스크 모델링 쪽에서는 Copula 선택이 모델 리스크의 지배적 원천임을 증명하고, 생성적 코퓰라로 전통적 구조 가정을 대체하며, rough path 이론으로 확률 가정 자체를 완화합니다.

한편, FinQA와 WaveCorr가 각각 NLP와 DRL 분야에서 최상위를 차지하며 금융 AI의 존재감이 부상하고 있고, 암호화폐 시장의 미시구조 실증이 본격적으로 축적되기 시작했습니다.

핵심은: 복잡한 모델을 쓰기 전에, 기본 데이터를 얼마나 믿을 수 있는지부터 확인하세요. 추정 오차가 크면 어떤 모델도 소용없습니다. 그리고 어떤 모델을 선택하든, 그 선택 자체가 리스크라는 것을 인식하세요.

---

더 알아보기

이 달의 논문들은 백필 리포트2109에서 테마별로 더 자세히 분석했습니다.

주요 논문 링크:

• Multi Anchor Point Shrinkage (포트폴리오 최적화)
• FinQA (금융 데이터 분석)
• WaveCorr (강화학습 포트폴리오)
• Implicit Generative Copulas (의존구조 모델링)
• Periodicity in Crypto (암호화폐 시장)

---

ohselab은 시스템 트레이딩과 금융 AI 연구를 모니터링하고 분석합니다.

• 📧 뉴스레터 구독: ohselab.com
• 💬 상담 문의: ohselab.com
• 🐦 팔로우: ohselab.com