Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
CIR 프로세스를 활용하여 시계열 간의 인과적 영향을 분석하는 CIR-ACTIVA 프레임워크를 제안합니다. 기존 모델이 포착하지 못하는 외부 충격에 대한 시스템 반응을 예측하며, CDS 스프레드 데이터를 통해 그 유효성을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기평균 회귀 역학 (Mean-reverting dynamics)은 금융 분야에 널리 퍼져 있으며, Cox--Ingersoll--Ross (CIR) 프로세스는 단기 금리부터 신용 부도 스왑 (CDS) 스프레드에 이르기까지 이들이 생성하는 시계열을 위한 표준 모델입니다. 그러나 CIR 모델은 시계열 간의 extit{상관관계가 있는} 공동 움직임 (correlated co-movement)만을 포착할 뿐, 시계열 간의 extit{인과적} 영향 (causal influence)은 포착하지 못합니다. 따라서 한 시계열이 외부 충격을 받았을 때 시스템이 어떻게 반응하는지에 대한 질문에 답할 수 없는데, 관측된 조건부 확률 (observational conditionals)은 이를 역사적 공동 움직임과 혼동하기 때문입니다. 우리는 두 가지 기여를 합니다. 첫째, 궤적을 타임스탬프가 찍힌 관측값으로 프레임화하고, 시나리오마다 재학습할 필요 없이 보정된 다중 시계열 충격 반응 (multi-horizon shock response)을 예측하는 분포적 인과 효과 추정 (distributional causal effect estimation)을 위한 분할 상환 모델 (amortized model)을 제안합니다. 둘째, 실제 시장에서는 얻을 수 없는 관측 및 개입 지상 참값 (observational and interventional ground truth) 쌍을 제공하는 인과적 다변량 CIR 데이터 생성 프로세스 (data-generating process)를 제안합니다. 우리는 테스트베드로 CDS 스프레드에 이 프레임워크를 구현하고 보정합니다. CIR-ACTIVA의 타당성은 시뮬레이터가 현실과 얼마나 잘 일치하는지와 관계없이 합성 지상 참값 (synthetic ground truth)을 통해 입증되었으며, 실제 CDS 데이터에 대해 생성된 궤적을 백테스팅함으로써 실질적인 근거를 평가했습니다. 관측 및 분할 상환 인과 추론 (amortized causal-inference) 베이스라인과 비교했을 때, CIR-ACTIVA는 결합 분포에서의 인과적 선택성 (causal selectivity)과 시계열별 보정 (horizon-resolved calibration) 모두에서 앞서 나갔으며, 개입 법칙 (interventional law)이 시계열에 따라 변하더라도 선택성을 유지하였고, 그 이점은 단기 시계열에 집중되었습니다. 이는 관측 기반 예측가들이 답할 수 없는 결합된 스프레드 시스템에 대한 'what-if' 질의와 그중 CDS 스트레스 테스트와 같은 범주를 열어줍니다.