전통적인 페어 트레이딩 전략은 현대 금융시장의 복잡한 동학을 특징으로 하는 상황에서 안정적인 평균회귀 관계를 식별하는 데 자주 실패하며, 그 결과 스프레드가 불안정해지고 기존의 규칙 기반 실행 방식의 효율이 저하된다. 이러한 본질적 한계를 극복하기 위해 본 연구는 딥 표현 학습과 엄밀한 금융 동학 모델을 하나의 통합 학습 패러다임으로 자연스럽게 결합한 새로운 프레임워크 ORCA(Ornstein-Uhlenbeck Reversion and Contrastive Arbitrage)를 제안한다. ORCA의 핵심은 단순한 유사성뿐 아니라 강건한 동적 특성으로 규정되는 고유한 매매 가능성(intrinsic tradability)을 보이는 자산 군집을 식별하도록 설계된 물리 기반 정규화 접근법이다. ORCA는 대비 학습 모듈과 Physics-Informed Neural Network(PINN) 모듈을 동시에 최적화하며, 여기서 PINN 모듈은 안정적인 Ornstein-Uhlenbeck 과정의 통계적 동학과 일치하는 군집 형성을 강제하는 정규화 장치로서 기능한다. 그 결과 ORCA는 본질적으로 우수한 평균회귀 특성을 지닌 자산 군집을 체계적으로 생성한다. NYSE 데이터셋을 대상으로 수행한 실증 분석은 ORCA의 실용적 유효성을 보여준다. ORCA가 생성한 군집에 정적 임계값을 사용하는 단순 평균회귀 트레이딩 전략을 적용한 경우, 다른 벤치마크 방법론을 통해 도출된 군집을 사용하는 전략에 비해 유의하게 더 뛰어난 성과를 보였다. 이러한 결과는 ORCA를 구조를 인지하는 구조-aware 통계적 차익거래 분야의 새로운 벤치마크 방법론으로 자리매김하게 한다. 실증 결과에 대한 포괄적인 개요는 그림 1에 제시한다.

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