잠재 구조의 확률적 모델링을 통한 생성형 AI 기반 주가 지수 Zero-shot 예측 = Generative AI-Based Stock Index Prediction via Probabilistic Modeling of Latent Structures

국문 초록 (Abstract)

주가 지수는 다수 구성 종목의 시가총액 가중평균으로 도출되는 복합 비선형 체계임에도 불구하고, 기존 금융 시계열 예측 연구는 주로 예측 목표 시계열을 학습 입력값으로 직접 활용하는 패러다임에 머물러 있어 학습 도메인과 추론 도메인의 일치에서 비롯되는 과적합 문제로부터 자유롭지 못하다. 본 연구는 이러한 한계를 극복하기 위해 잠재 구조의 확률적 모델링을 통한 생성형 AI 기반 주가 지수 Zero-shot 예측 프레임워크를 제안한다. 모델은 학습 단계에서 S＆P 500 지수 데이터를 단 한 번도 접하지 않고, 오직 503개의 개별 구성 종목 시계열과 거시경제 지표인 U.S. 10-Year Treasury Yield 및 CBOE Volatility Index만을 학습 자원으로 활용함으로써, 미시적 구성 요소 간의 상호작용으로부터 거시적 지수가 발현되는 생성 메커니즘 자체를 내재화하도록 설계하였다.
연구 설계는 총 3단계로 구성된다. 1단계는 확률 기반 생성형 모델을 대상으로 Zero-shot Learning과 Direct Supervised Learning의 두 학습 패러다임을 교차 비교한다. 2단계는 OHLC 값 사이의 구조적 부등식 제약을 Hinge Loss 형태로 강제하는 Order-consistency Loss를 도입하며, 3단계는 종가를 기준점으로 한 OHLC Value Feature Selection을 통해 핵심 입력 변수 조합을 도출한다. 실증 분석 결과, 시가와 종가 입력 조합이 Test aRMSE 77.34로 최적 성능을 달성하여, Direct Supervised 결과 대비 약 44.81%의 오차가 감소되는 효과가 나타났다. 본 연구는 금융 시계열 예측을 결정론적 회귀가 아닌 확률적 잠재 공간으로부터의 생성 문제로 재정의하고, 지수 형성의 구조를 활용하는 Zero-shot 학습 프레임워크를 통해 도메인 일치 과적합 문제에 대한 구조적 해결책을 제시했다는 점에서 학술적 의의가 있다.

목차 (Table of Contents)

• Ⅰ. 서 론 1
• 1.1 이론적 배경 1
• 1.2 선행연구 고찰 4
• 1.3 연구 목적 8
• Ⅱ. 연구 방법 10
• 2.1 데이터 10
• 2.2 연구 방법론 15
• Ⅲ. 연구 설계 23
• 3.1 실험 설계 23
• 3.2 모델 정량 평가 지표 28
• Ⅳ. 연구 결과 29
• 4.1 정량적 연구 결과 30
• 4.2 정성적 연구 결과 36
• Ⅴ. 논의 및 결론 42
• 5.1 논의 42
• 5.2 결론 49
• 참고문헌 50
• Abstract 56