동적 관계 학습을 통한 주가 트렌드 예측

Dynamic Hidden Relationship Learning for Stock Trend Prediction

연구 내용

미리 정의된 정적 관계에 의존하지 않고 숨은 주식 관계를 동적으로 클러스터링하며 상관을 반영해 예측을 정렬하는 연구

본 연구는 주가 트렌드 예측에서 정적 섹터 관계나 고정된 관계 데이터가 시장 환경 변화를 충분히 반영하지 못한다는 문제를 다룹니다. 이를 위해 주식 간 숨은 관계를 동적으로 발견하도록 dynamic stock clustering을 도입하여, 사전 정의 없이 시장 특성을 반영하는 관계 구조를 구성합니다. 또한 예측 트렌드와 정답 트렌드를 단순 오차로 정렬하는 대신, 상관 정보를 학습 목표에 반영하는 correlation-aware training을 적용해 미세한 관계 패턴을 강화합니다. 결과적으로 시장 변화에 따라 달라지는 관계성과 복잡한 패턴을 동시에 모델링하여 상관 기반 및 리트리벌 기반 평가에서 성능을 확보하는 것을 목표로 합니다.

관련 프로젝트

0건

연구 흐름

초기에는 주식이 섹터 경계를 넘어 유사한 움직임을 보이거나, 같은 섹터라도 서로 다른 트렌드를 보이는 등 관계가 시간에 따라 변화한다는 관찰을 기반으로 연구를 시작했습니다. 이후 정적 관계 가정의 한계를 줄이기 위해 dynamic clustering으로 숨은 관계를 적응적으로 발굴하는 구조를 설계했습니다. 다음 단계에서는 기존 목표함수의 단순 정렬이 복잡한 패턴과 상관 구조를 충분히 반영하지 못한다는 점을 보완하기 위해 correlation-aware training을 결합했습니다. 마지막으로 NASDAQ, NYSE, S&P 500과 같은 표준 데이터셋에서 상관 기반 성능과 리트리벌 기반 성능을 함께 검증하고, 예측 품질과 계산 효율 간 균형을 유지하는 방향으로 정교화했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

시장 트렌드 예측
동적 주식 군집화
숨은 관계 기반 신호 생성
상관 인지 학습 전략
상관 기반 리트리벌 예측
거래 전략 백테스트 지원
멀티마켓 예측 모델링
리스크 조기 경보 지표
포트폴리오 재구성 보조
시장 환경 변화 대응 모델