본 논문은 금융 패널 데이터의 심각하고 이질적인 결측 문제를 해결하기 위해, 적응적 클러스터 기반 시간적 평활화 텐서 완성 프레임워크(ACT-Tensor)를 제안한다. ACT-Tensor는 클러스터 기반 완성 모듈과 시간적 평활화 모듈의 두 가지 혁신적인 요소를 통합하여, 다차원 금융 데이터 패널의 특징인 기업, 시간, 금융 변수 간의 복잡한 상호작용을 고려한다. 클러스터 기반 모듈은 그룹별 잠재 구조를 학습하여 개별 기업의 이질성을 포착하고, 시간적 평활화 모듈은 단기간의 노이즈를 제거하면서 장기적인 추세는 유지한다. 실험 결과, ACT-Tensor는 다양한 결측 데이터 환경, 특히 극단적인 희소성 상황에서 최첨단 기준 모델들을 능가하는 정확도를 보였다. 잠재 요인 모델을 이용한 실증 분석 결과, ACT-Tensor는 정확한 수익 예측뿐 아니라 포트폴리오의 위험 조정 수익률도 크게 향상시키는 것으로 나타났다.
