본 논문은 주가 예측의 어려움을 해결하기 위해, 주식 시장의 외생성(외부 시장 요인의 영향)과 변동성 이질성(가격 변동에 따른 예측 난이도의 차이)을 고려한 새로운 프레임워크인 Cross-market Synergy with Pseudo-volatility Optimization (CSPO)를 제안합니다. CSPO는 심층 신경망 구조를 활용하여 외부 선물 시장 정보를 활용함으로써 주식 임베딩을 강화하고 예측 성능을 향상시킵니다. 또한, 의사 변동성(pseudo-volatility)을 도입하여 주식별 예측 신뢰도를 모델링하고, 최적화 과정을 동적으로 조절하여 정확성과 강건성을 높입니다. 산업 평가 및 공개 벤치마킹을 포함한 광범위한 실험을 통해 기존 방법보다 CSPO의 우수한 성능과 제안된 모든 모듈의 효과를 입증합니다.
시사점, 한계점
•
시사점:
◦
주식 시장의 외생성과 변동성 이질성을 동시에 고려한 새로운 주가 예측 프레임워크 제시
◦
외부 선물 시장 정보를 활용하여 주식 예측 성능 향상
◦
의사 변동성을 이용한 동적 최적화를 통해 예측 정확도 및 강건성 향상
◦
산업 및 공개 벤치마킹을 통한 실험적 성능 검증
•
한계점:
◦
논문에서 구체적인 심층 신경망 구조 및 하이퍼파라미터 설정에 대한 자세한 설명 부족 (추정)
