Shifted Data Augmentation을 통한 강건한 Transformer 기반 1단계 주가 지수 예측

Transformers는 시퀀스 모델링 (sequence modeling) 분야에서 놀라운 성공을 보여주었으나, 노이즈가 많은 신호, 단기 기억 역학 (short-memory dynamics), 그리고 분포 변화 (distributional shifts)로 인해 금융 시계열 데이터에 직접 적용하는 데에는 여전히 어려움이 있습니다. 본 논문은 고급 학습률 스케줄링 (learning-rate scheduling) 및 새로운 Shifted Data Augmentation (SDA) 기술과 결합된, 1단계 주가 지수 예측을 위한 수정된 Transformer 아키텍처를 제안합니다. 우리는 제안된 프레임워크를 두 가지 벤치마크 주가 지수 데이터셋인 VN30과 S&P 500에서 평가합니다. 실험 결과, warmup을 포함한 cosine annealing이 일반적인 역거듭제곱 스케줄러 (generalized inverse-power scheduler)보다 예측 정확도를 일관되게 향상시킨다는 것을 입증했습니다. 또한, SDA는 예측 오차와 실행 간 변동성 (run-to-run variability)을 실질적으로 줄이는 동시에 하이퍼파라미터 (hyperparameter) 선택에 대한 강건성 (robustness)을 개선합니다. cosine annealing 스케줄링과 SDA의 결합은 두 데이터셋 모두에서 최고의 성능을 달성하였으며, 이는 데이터 증강 (data augmentation)이 Transformer 기반 금융 예측에서 모델 복잡성을 높이는 것보다 더 중요한 역할을 할 수 있음을 시사합니다. 이러한 발견은 노이즈가 많은 금융 환경에서 강건한 주가 지수 예측을 위한 실용적이고 계산 효율적인 접근 방식을 제공합니다.