AI 에이전트 트레이딩 시스템을 위한 멀티모달 그래프 어텐션 네트워크 = Multimodal Graph Attention Networks for AI Agent Trading Systems

국문 초록 (Abstract)

본 연구는 기존 주식 예측 연구에서 유니모달 체계의 독립적 모델링 구조가 가지는 표현적·구조적 한계를 극복하고자, 기술적 지표,캔들스틱 차트 이미지, 뉴스 텍스트를 계층적으로 결합하고 종목 간 관계성을 반영하는 그래프 기반 멀티모달 트레이딩 시스템을 제안하였다. 제안된 시스템은 Co-attention 기반 의 거래 정보 융합, 뉴스 발생 여부를 반영한 Gated cross-attention, 동적 상 관관계를 반영한 Graph attention network 학습 구조를 통해 실제 투자자의 인지적 판단 과정을 모델링하는 통합적 예측 체계를 구축하였다. 나스닥 상위 15개 종목을 대상으로 수행한 실험 결과, 제안된 시스템은 Payoff ratio, Profit factor, 누적 수익률, MDD 등 모든 핵심 지표에서 기존 Baseline 모델을 크게 상회하며 높은 수익성과 안정성을 동시에 달성했으며, Ablation 실험은 각 모 달리티와 그래프 구조가 수익 창출 및 위험 관리에 실질적인 기여를 수행함을 입증했다. 또한, 제안된 시스템은 상승·하락·횡보의 다양한 시장 국면에서도 균형 잡힌 성능을 보였으며, 해석가능성 분석 결과, 제안된 시스템은 모달 간 의미적 관계와 금융적 맥락을 반영해 구조적·경제적 단서를 학습하고 활용하 는 것으로 확인되었다. 본 연구는 주식 시장의 복합적 정보 구조를 정교하게 반영한 동적 그래프 기반의 멀티모달 접근 방식이 실제 투자 의사결정의 신뢰 도를 높일 수 있음을 실증적으로 제시하며, 향후 다양한 정보 구조와 투자전 략으로 확장해 보다 포괄적인 트레이딩 시스템으로 발전될 잠재력을 지닌다.

목차 (Table of Contents)

• 전체 목차 ⅰ
• 표 목차 ⅲ
• 그림 목차 ⅳ
• 국문 요약 ⅴ
• 제1장 서론 1
• 제1.1절 연구 배경 1
• 제1.2절 연구 목적 2
• 제1.3절 논문 구성 2
• 제2장 관련 연구 3
• 제2.1절 멀티모달 아키텍처 기반의 주식 예측 4
• 제2.2절 주식 예측의 Graph 기반 접근법 5
• 제3장 Multimodal graph attention network 7
• 제3.1절 멀티모달 표현 공간 구성 8
• 제3.1.1절 입력 모달리티 구성 8
• 제3.1.2절 멀티모달 벡터화 표현 10
• 제3.2절 멀티모달 융합 및 주가 변동 예측 13
• 제3.2.1절 Co-attention 기반의 멀티모달 1차 융합 13
• 제3.2.2절 Gated cross-attention 기반의 2차 융합 15
• 제3.2.3절 Graph attention network 16
• 제3.2.4절 Per-ticker head 주가 변동 예측 17
• 제3.2.5절 Group DRO 손실함수 17
• 제3.3절 트레이딩 시뮬레이션 19
• 제3.3.1절 거래 전략 19
• 제3.3.2절 거래 성과 지표 19
• 제4장 실험 결과 및 논의 21
• 제4.1절 데이터셋 21
• 제4.2절 기존 주식 에측 모델과의 성능 비교 24
• 제4.3절 Ablation 실험 26
• 제4.4절 상세 거래 내역 분석 28
• 제4.5절 해석가능성 분석 32
• 제4.6절 논의 사항 35
• 제5장 결론 및 향후 연구 36
• 참고문헌 37
• Abstract 40