주가 추세 예측(stock trend prediction)은 과거의 특징 시퀀스로부터 미래의 주가 추세를 예측하는 과제로, 금융시장의 복잡하고 역동적인 특성 때문에 여전히 매우 도전적이다. 실제로 주식은 시장 상황이 변화함에 따라 전통적인 업종 경계를 넘어 다양한 관계를 형성한다. 즉, 동일한 업종의 주식이라도 서로 다른 추세를 보일 수 있는 반면, 서로 다른 업종의 주식들은 종종 유사한 움직임을 보인다. 그러나 대부분의 기존 주가 예측 방법은 미리 정의된 정적 관계에 의존하여, 변화하는 시장 동학에 적응할 수 있는 유연성을 결여하고 있다. 또한 선행연구에서 널리 사용된 목적함수(objectives)들은 주식시장 데이터의 복잡한 패턴과 관계를 포착하는 데 한계가 있다. 이러한 한계를 해결하기 위해 우리는 DYCOR라는 새로운 주가 추세 예측 방법을 제안하며, 이는 두 가지 핵심 혁신을 통합한다. (i) 동적 주식 클러스터링(dynamic stock clustering)은 미리 정의된 관계 데이터에 의존하지 않고 잠재된 주식 관계를 적응적으로 발견함으로써 시장 특성을 포착하며, (ii) 상관 인식 학습(correlation-aware training)은 예측된 주가 추세와 정답(ground-truth) 주가 추세를 그 상관관계를 세밀한 수준에서 반영하여 정렬(alignment)한다. 우리는 기존 연구에서 널리 사용되는 세 가지 데이터셋인 NASDAQ, NYSE, S&P 500에서 DYCOR를 평가하였고, 본 방법은 상관 기반 및 검색 기반 지표(correlation-based 및 retrieval-based metrics) 전반에서 최신(state-of-the-art) 기준(baseline) 방법들에 비해 우수한 성능을 보이면서도 경쟁력 있는 실행 시간 효율(runtime efficiency)을 유지한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.