액체 시간상수 신경망을 활용한 KOSPI 등락 예측 = Forecasting KOSPI Movements Using Liquid Time-Constant Neural Networks

국문 초록 (Abstract)

본 연구는 한국 종합주가지수(KOSPI)의 단기 등락을 상승(up)과 하락(down)으로 구분하는 이진 분류 문제에 액체 시간상수 신경망(Liquid Time-Constant Neural Network, LTC)을 적용하여, 기존 이산 시간 기반 순환 신경망 모델의 한계를 극복하고 예측 성능을 향상시키는 것을 목적으로 한다. LTC는 연속시간 신경동역학(continuous-time neural dynamics)을 기반으로 하여 비정상적이고 비선형적인 시계열 데이터의 국면 변화를 정교하게 포착할 수 있다. 본 연구에서는 2008년부터 2025년까지의 KOSPI 지수 데이터와 수출입 지표를 결합하고, DX, ATR, MFI, RSI, OBV, MACD 등 기술적 지표를 추가하여 입력 변수를 구성하였다. 미래 7일 시점의 KOSPI 종가 방향(up/down)을 예측 라벨로 정의하였으며, 클래스 불균형 문제를 완화하기 위해 가중치 기반 교차 엔트로피 손실함수를 적용하였다. 모델 성능은 ROC-AUC, 정확도, 재현율, 정밀도, F1 점수 등 다각적 지표를 통해 평가하였다. 연구 결과, LTC는 정확도 0.604, ROC-AUC 0.629, 균형 정확도 0.614를 기록하며, RNN, LSTM, GRU모델을 모두 상회하였다. 본 연구는 연속시간 동역학을 활용한 LTC 모델이 금융 시계열 예측 분야에서 실질적으로 유효함을 실증하였으며, 향후 위험관리, 자산배분, 알고리즘 트레이딩 등 실무 영역에서 의사결정 지원 도구로 활용될 수 있는 가능성을 제시한다.
마지막으로 본 연구의 한계와 향후 확장 가능성에 대해 논의하였다.

다국어 초록 (Multilingual Abstract)

This study applies a Liquid Time-Constant neural network (LTC) to a binary classification task that predicts short-term movements “up” or “down” of the Korea Composite Stock Price Index (KOSPI), aiming to overcome the limitations of discrete-time recurrent models and improve forecasting accuracy. Leveraging continuous-time neural dynamics, LTC is designed to capture regime shifts in nonstationary, nonlinear financial time series more precisely. We construct inputs by combining daily KOSPI data with export–import indicators (2008–2025) and augment them with technical factors including DX, ATR, MFI, RSI, OBV, and MACD. The prediction label is defined as the direction of the KOSPI closing price at a seven-day horizon. To mitigate class imbalance, we employ a weighted cross-entropy loss. Model performance is assessed using ROC-AUC, accuracy, recall, precision, F1-score, and balanced accuracy. Empirical results show that LTC achieves an accuracy of 0.604, ROC-AUC of 0.629, and balanced accuracy of 0.614, outperforming RNN, LSTM, and GRU baselines. These findings provide evidence that continuous-time dynamics in LTC offer practical value for financial time-series prediction and suggest potential applications to risk management, asset allocation, and algorithmic trading. We conclude by discussing study limitations and directions for future extensions.