비정상성(non-stationary) 금융 시장 환경에서의 주식 수익률 예측을 위해 Adaptive Financial Transformer (AFT)를 제안합니다. 이 모델은 금융 지표 간의 의미론적 관계(semantic relationships)를 기반으로 셀프 어텐션(self-attention)을 동적으로 편향시키기 위해 Market Regime Encoder, Adaptive Gate Network, 그리고 Adaptive Financial Context 모듈을 통합합니다. 모든 입력 피처를 균일하게 처리하는 기존의 Transformer 아키텍처와 달리, 제안된 방식은 95개의 엔지니어링된 금융 피처를 11개의 의미론적 카테고리로 그룹화하고 잠재적인 시장 국면(market regimes)에 따라 어텐션을 조정합니다. 또한 본 연구는 보고된 거래 성과를 부풀릴 수 있는 시퀀스 정렬(sequence alignment) 및 백테스팅(backtesting) 문제를 식별하고 수정하며, 예측 오차(prediction error), 방향 정확도(directional accuracy), 그리고 비중첩 샤프 지수(non-overlapping Sharpe ratio)를 공동으로 최적화하는 금융 인지 복합 목적 함수(financially-aware composite objective)를 도입합니다. 광범위한 실험을 통해 연대기적 평가(chronological evaluation), 5개의 랜덤 시드(random seeds), 어블레이션 연구(ablation studies), 하이퍼파라미터 최적화(hyperparameter optimization), 설명 가능성 분석(explainability analysis), 그리고 다중 종목 검증(multi-stock validation)을 사용하여 제안된 아키텍처를 고전적 머신러닝 모델, 순환 신경망(RNN), 그리고 Transformer 베이스라인과 비교합니다. 결과적으로 본 모델은 모델 복잡도를 15.2% 감소시키고 피처 선택을 통해 파라미터 효율성을 개선하면서도 경쟁력 있는 예측 성능을 입증하였으며, 금융 시계열 예측을 위한 해석 가능한 Transformer 아키텍처를 제공합니다.