그래프 신경망을 이용한 니켈 가격 예측 = A Study on Nickel Price Prediction via Graph Neural Networks

다국어 초록 (Multilingual Abstract)

This study presents a graph neural network (GNN)-based time series model that captures dynamic correlations among key assets in the nickel market. Driven by the electric vehicle boom and geopolitical tensions, nickel price volatility has intensified beyond what traditional supply–demand models can explain.
A correlation-based graph is built from 60-day rolling correlations and variances among six major assets—nickel, copper, aluminum, gold, the U.S. dollar index, and
the volatility index (VIX). The model combines a Graph Attention Network (GAT) for inter-asset interactions with a Gated Recurrent Unit (GRU) for temporal
learning, forming a hybrid GAT-GRU framework.
The proposed model surpasses GRU and Transformer baselines (MAE 0.0191, RMSE 0.0263, DA 0.5546). SHAP and attention analyses identify aluminum and nickel as the most influential variables, while VIX serves as a short-term risk indicator.
These results demonstrate that graph-based modeling effectively captures inter-metal dependencies, improving both forecasting accuracy and interpretability.

국문 초록 (Abstract)

본 논문은 니켈 가격의 급격한 변동성과 시장 구조적 복잡성을 반영하기 위해, 시점별 자산 간 상관관계를 그래프 구조로 모델링한 그래프 신경망(Graph Neural Network, GNN) 기반 시계열 예측 방법을 적용한다. 니켈 시장은 단순한 수요·공급요인만으로 설명하기 어려운 특성을 보인다. 이에 본 논문은 니켈, 구리, 알루미늄, 금, 달러 인덱스, 변동성지수 등 6개 주요 자산 간의 60일 이동상관계수와 그 분산을 이용해 상관 기반 그래프를 구성하고, GAT(Graph Attention Network)를 통해 자산 간 상호작용을 학습했다. 이후 GRU(Gated Recurrent Unit)을 결합하여 시점 간 종속성을 학습하는 GAT-GRU 모델을 활용했다. 예측 결과, 적용한 GAT-GRU 모델은 기존의 단일 시계열 모델(GRU, Transformer) 대비 MAE 0.0191, RMSE 0.0263, 방향성 정확도 0.5546으로 예측 정확도와 안정성 모두에서 우수한 성능이다. 또한 SHAP 및 Attention 계수 분석 결과, 알루미늄과 니켈이 예측에 가장 큰 영향을 미치는 핵심 요인이며, 변동성지수(VIX)는 단기 시장 위험 요인을 설명하는 주요 변수로 나타났다. 본 논문은 단일 시계열 접근의 한계를 넘어, 금속 간 상관 구조와 시점별 관계 변화를 반영한 그래프 기반 시계열 예측 프레임 워크가 니켈 시장에도 가능하다는 것에의의가 있다. 향후 연구에서는 비철금속 외에도 에너지·통화 자산을 포함한 확장형 그래프 모델로의 발전 가능성이 기대된다.

목차 (Table of Contents)

• 그림목차
• 표목차
• 국문초록
• 제 1 장 서론
• 1.1 연구 배경 1
• 1.2 연구 목적 및 논문의 구성 2
• 1.3 문제의 정의 및 연구 범위3
• 제 2 장 이론적 배경
• 2.1 선행 연구 5
• 2.1.1 금속 간 상관 구조 및 전이효과 연구 5
• 2.1.2 시계열 기반 원자재 예측 연구 6
• 2.1.3 금속 간 상관 구조 및 전이효과 연구 7
• 2.1.4 그래프 기반 연구 8
• 2.2 GAT-GRU10
• 2.2.1 GAT(Graph Attention Network) 10
• 2.2.2 GRU(Gated Reccurrent Unit) 13
• 2.2.3 GAT-GRU 결합 구조 14
• 제 3 장 그래프 신경망 및 예측 모델 구현
• 3.1 데이터 수집 16
• 3.2 데이터 전처리 17
• 3.2.1 결측치 처리 및 니켈 변화율 계산17
• 3.2.2 데이터 정규화 및 파생 변수 생성20
• 3.2.3 상관 기반 그래프 구성 21
• 3.3 예측 모델 설계 23
• 3.3.1 데이터 윈도우 설계 24
• 3.3.2 GAT(Graph Attention Network)인코더 설정 26
• 3.3.3 GRU(Gated Recurrent Unit) 모델 구성 26
• 3.3.4 학습 및 평가 절차 28
• 3.4 설명 가능한 인공지능(XAI) 30
• 제 4 장 연구 결과
• 4.1 예측 성능 비교 32
• 4.2 SHAP(ley Additive Explanations) 기반 모델 분석 35
• 4.3 Ablation 기반 민감도 분석 39
• 4.4 GAT Attention 분석 결과 42
• 4.5 제안 모델의 해석 및 의미 45
• 제 5 장 결론
• 참고문헌 52
• Abstract 56