금융 패널 데이터의 결측치는 자산 가격 결정 모델을 저해하고 투자 전략의 효율성을 감소시키는 주요 문제이다. 기존의 결측치 보완 방법은 다차원 구조를 제대로 처리하지 못하거나, 결측 패턴의 이질성을 고려하지 못하는 등의 한계가 있다. 본 논문에서는 심각하고 이질적인 결측치를 가진 다차원 금융 데이터 패널을 위한 ACT-Tensor (Adaptive, Cluster-based Temporal smoothing tensor completion framework)를 제안한다. ACT-Tensor는 클러스터 기반 보완 모듈을 통해 횡단면적 이질성을 포착하고, 시간적 평활화 모듈을 통해 단기 노이즈를 제거하며 장기적인 추세를 보존한다. 광범위한 실험 결과, ACT-Tensor는 극심한 희소성을 포함한 다양한 결측 데이터 환경에서 기존 방법론보다 우수한 보완 정확도를 보였다. 또한, 자산 가격 결정 파이프라인을 통해 ACT-Tensor의 실질적인 금융적 유용성을 평가한 결과, 가격 결정 오류를 줄이고 구성된 포트폴리오의 위험 조정 수익률을 크게 향상시켰다.
