확산 코퓰러 (Diffusion Copulas)를 이용한 확률적 다변량 시계열 예측

요약

본 연구는 기존 확산 기반 모델이 겪는 정규성 편향 문제를 해결하기 위해 주변 분포와 의존 구조를 분리하여 학습하는 Diffusion-Copula 프레임워크를 제안합니다. 심층 혼합 밀도 네트워크와 분류-확산 코퓰러를 결합하여 자산 간의 복잡한 의존성과 두꺼운 꼬리(heavy-tailed) 특성을 효과적으로 포착합니다. 암호화폐 시장 테스트 결과, 기존 모델이 놓치기 쉬운 시장 붕괴와 같은 극단적 리스크를 정확히 예측함으로써 리스크 관리 능력을 입증했습니다.

핵심 포인트

• 기존 확산 모델의 정규성 편향 및 꼬리 리스크 과소평가 문제 해결
• 주변 분포 학습과 의존 구조 학습을 명시적으로 분리하는 프레임워크 제안
• 심층 혼합 밀도 네트워크를 통한 두꺼운 꼬리 자산 역학 포착
• 블랙 스완 이벤트를 '예상된 붕괴'로 식별하여 상관 구조 보존
• 암호화폐 시장의 시스템적 극단치 예측에서 SOTA 모델 대비 우수한 성능 확인