Deep Probabilistic Forecasting and Correlation-Aware Learning for Trading and Valuation
연구 내용
확률적 시계열 예측, 상관구조 학습, physics-informed 제약을 결합해 트레이딩 전략과 옵션·자산 가치 산정을 수행하는 연구
본 연구는 금융 데이터에서 불확실성을 포함한 예측과 의사결정을 수행하기 위해 딥러닝 기반 학습 모형을 통합합니다. quantile function 기반 recurrent neural network로 확률적 예측을 제공하고, CEEMDAN-integrated autoregressive recurrent neural network로 고주파 변동성의 분포적 특성을 추정합니다. 또한 heterogeneous graph attention과 inverted transformers를 활용해 자산 간 상관을 반영한 수익률 예측을 수행합니다. 트레이딩에서는 physics-informed neural network와 contrastive learning을 결합해 Ornstein-Uhlenbeck 동역학에 맞는 mean-reversion 클러스터를 생성하며, 옵션 가격과 차트 팩터의 가치를 GAN 및 이미지 기반 요인으로 추정하는 방향으로 확장합니다.
관련 연구 성과
관련 논문
7편
관련 특허
0건
관련 프로젝트
1건
연구 흐름
연구는 2024년 무렵 quantile 기반 확률예측을 통해 시계열의 분포를 직접 모델링하는 접근을 정립했습니다. 이후 2025년에는 이산 잠재요인을 갖는 vector quantized variational autoencoder로 강건한 생성적 표현 학습을 수행하고, heterogeneous graph attention을 통해 상관구조를 반영한 주가 예측으로 확장했습니다. 2025년 후반에는 physics-informed 제약과 contrastive 학습을 결합한 ORCA 프레임으로 mean-reversion 트레이딩의 동역학 적합성을 강화했습니다. 2026년에는 옵션 리스크노이즈 학습과 이미지 기반 차트 팩터, CEEMDAN 결합 고주파 변동성 확률예측으로 응용을 확대하는 흐름을 보였습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
NQF-RNN: probabilistic forecasting via neural quantile function-based recurrent neural networks
FactorVQVAE: Discrete latent factor model via Vector Quantized Variational Autoencoder
HGAIT: heterogeneous graph attention with inverted transformers for correlation-aware stock return prediction
Deep Mean-Reversion: A Physics-Informed Contrastive Approach to Pairs Trading
Learning standardized noise for risk-neutral option pricing via Generative Adversarial Networks
From vision to value: Stock chart image-driven factors and their pricing power
Probabilistic forecasting of high-frequency realized cryptocurrency volatility via CEEMDAN-integrated autoregressive recurrent neural network
관련 프로젝트
구분
제목
벡터 양자화 변분 오토인코더를 활용한 금융 데이터의 강건한 생성적 표현 학습 및 응용