금융 시계열 예측(Financial time series forecasting)은 표준 벤치마크에는 없는 구조적 과제들을 제시합니다. 로그 수익률(Log-returns)은 비정상성(non-stationary)을 띠며, 매우 낮은 신호 대 잡음비(SNR)를 보이고, 체제 의존적(regime-dependent) 시간 의존성에 의해 지배됩니다. 우리는 금융 환경에서 최첨단(SOTA) 시계열 모델들의 핵심적인 한계를 식별했습니다. 고정된 컨텍스트 윈도우(context window)는 비정상적 가격 프로세스의 시간에 따라 변하는 최적의 룩백(look-back) 기간과 일치하지 않습니다. 우리는 각 입력 샘플에 대해 시간적 컨텍스트를 적응적으로 결정하도록 설계된 전문가 혼합(Mixture-of-Experts) 프레임워크인 RAVEN(Regime-Aware Variable-context Expert Network)을 제안합니다. RAVEN은 고정된 룩백 지평(look-back horizon)에 의존하는 대신, 데이터 자체에 의해 길이가 결정되는 중첩된 연속 윈도우(nested contiguous windows)의 계층 구조를 구축합니다. 구체적으로, RAVEN은 역연대순(reverse chronological order)으로 학습된 중요도에 따라 패치(patches)의 점수를 매기고, 누적 중요도 임계값 설정(Cumulative Importance Thresholding, CIT) 메커니즘을 적용하여 중첩된 접두사 윈도우(nested prefix windows)를 도출하며, 각 윈도우는 규모별로 특화된 전문가(expert)에게 라우팅됩니다. 전역 압축 표현(Global Compressed Representation, GCR) 브랜치는 전체 컨텍스트에 대해 병렬로 실행되어, 로컬 전문가들이 보장할 수 없는 전역적 시간 일관성(global temporal coherence)을 보존합니다. 중첩된 라우팅이 전문가 입력 간의 구조적 중첩을 유도하기 때문에, 우리는 가변 길이의 전문가 출력들을 정렬하고 집계 전 쌍별 코사인 유사도(pairwise cosine similarity)에 페널티를 부여하는 상관관계 인식 가중치(Correlation-Aware Weighting, CAW)를 도입합니다. 누적 로그 수익률 예측(HS300, S&P500) 및 펀드 판매 예측 실험을 통해 RAVEN이 SOTA 성능을 달성함을 입증했습니다. RAVEN은 HS300에서 피어슨 상관계수(Pearson correlation)를 9.2%, S&P500에서 20.2% 향상시켰으며, 펀드 판매 예측에서 MSE를 18.2% 감소시켰습니다. 또한 4개의 PEMS 교통 벤치마크에서 16개 지표 중 14개에서 최고의 결과를 달성했습니다.