제목을 한 단어씩 풀어 보기

시장 국면 적응형 · 다중 모달 · 앙상블 강화학습과 · 이중 프로세스 · 지식 증류 기반의 · 지능형 트레이딩 시스템

제목 전체를 한 문장으로

"시장 계절이 바뀌는 것을 알아채고, 여러 정보를 보는 AI들이 의논한 지혜를, 빠른 작은 AI에게 가르쳐서 실제로 사고파는 시스템"입니다.

발표 전체의 큰 그림 (야구팀 비유)

첫 30초에 해야 할 일

표지는 오래 머무는 장이 아닙니다. 인사 → 이름과 소속 → 논문 제목 → 심사위원께 감사 순서로 짧게 말하고 바로 2쪽으로 넘어갑니다. 첫인상은 내용보다 차분한 목소리와 또렷한 제목 낭독에서 결정됩니다.

흔한 오해 하나: "이동평균선 50 아래로 가면 XGBoost가 하락 전문가를 부른다"가 아닙니다

비유하면 SMA50은 모의고사 채점용 정답지입니다. 학생(XGBoost)은 정답지로 공부하고, 실제 시험장에서는 정답지 없이 문제(상황 카드)만 보고 답을 고릅니다.

---

연구 1 · 국면 적응형 다중 모달 앙상블

한 문장 요약

"차트·지표·뉴스를 128칸 카드 한 장으로 합치고 → 지금이 상승·하락·횡보 중 어느 계절인지 판단해서 → 그 계절 전문가 5명의 의견을 최근 성적에 비례한 발언권으로 섞어 → 매매한다."

전체 비유: 계절별 전문 선수단이 있는 학교 대표팀

학교 대표팀에 여름 전문 5명, 겨울 전문 5명, 장마 전문 5명, 총 15명의 선수가 있습니다. 매시간 감독이 "지금 계절이 뭐지?"를 판단하고, 그 계절 선수 5명만 경기장에 내보냅니다. 그 5명이 의견을 내면, 최근 한 달 성적이 좋은 선수의 말에 더 큰 비중을 줘서 최종 작전을 정합니다.

---

1단계 · 세 가지 정보를 숫자로 바꾸기 (매 1시간봉이 마감될 때마다)

2단계 · 크로스모달 어텐션으로 합치기 → 128차원 카드

세 정보의 칸 수가 다르니 먼저 모두 128칸 양식으로 맞춘 뒤 합칩니다.

1. 뉴스(32칸)를 128칸 질문지(Q)로 바꿉니다.
2. 차트와 지표를 각각 128칸 명함(K)과 조언 쪽지(V)로 바꿉니다.
3. 질문지와 명함의 궁합 점수를 비율로 바꿉니다. 예: 차트 36%, 지표 64%.
4. 쪽지를 그 비율대로 섞고, 뉴스 질문지를 다시 더해 정리합니다 → 상황 카드 s_t (128칸)

비유: 일기예보(뉴스)를 듣고, 창밖 보는 동생(차트)과 온도계 보는 형(지표) 중 누구 말을 몇 % 믿을지 정하는 것입니다. "크로스모달"은 서로 다른 종류(모달)의 정보가 서로를 보고 비중을 정한다는 뜻입니다.

3단계 · XGBoost가 계절(국면) 판단하기

XGBoost란? 작은 결정나무 300그루가 차례로 앞 나무의 실수를 고쳐 가며 판단하는 AI입니다. 스무고개를 300명이 이어서 하며 앞사람의 틀린 추측을 바로잡는 것과 같습니다.

공부할 때 쓰는 정답표(Phase 1 기준) - SMA50의 기울기(한 시간 사이 이동평균이 몇 % 변했나)와 최근 20시간 변동성을 봅니다. - 상승장: 기울기가 상위 40% 수준으로 오르고, 변동성은 너무 크지 않음 - 하락장: 기울기가 상위 40% 수준으로 내림 (변동성과 상관없음) - 횡보·변동장: 기울기가 약하거나, 변동성이 상위 25%로 너무 큼 - Phase 2에서는 이 정답표 대신 "앞으로 1~5일 추세"로 매기는 Trend-scanning 정답표를 쓰고, 공부 기간 안에서만 씁니다.

실제 판단할 때 (매시간) XGBoost가 128칸 카드를 보고 확률을 냅니다. 예: 상승 25% / 하락 62% / 횡보 13%.

60% 규칙(신뢰도 기반 전환) - 가장 높은 확률이 60% 이상이면 계절을 바꿉니다. 위 예는 하락 62%이므로 하락장 팀을 내보냅니다. - 60% 미만이면(예: 40/35/25) 하던 계절 그대로 갑니다.

비유: 에어컨 온도조절기는 25도에서 켜지고 23도에서 꺼집니다. 24도 근처에서 계속 켜졌다 꺼졌다 하지 않도록 여유를 두는 것입니다. 계절 판단도 애매할 때마다 선수단을 바꾸면 매번 사고팔아서 수수료만 나갑니다. 이 현상을 휩소라고 합니다.

4단계 · 계절별 전문가 15명은 어떻게 다른가

같은 계절의 5명은 같은 방법으로 훈련했지만 출발점(난수 시드)이 달라서 성격이 조금씩 다릅니다. 같은 선생님에게 배운 5명이 같은 문제를 조금씩 다르게 푸는 것과 같고, 이 다양성이 있어야 섞었을 때 실수가 줄어듭니다.

5단계 · 다섯 명 의견을 "성적 비례 발언권"으로 섞기

선거와 비교하면 이것은 "1등 한 명만 뽑는 반장 선거"가 아닙니다. 최근 성적이 좋을수록 표를 더 많이 주는 가중 투표에 가깝습니다. 모두 발언권이 있되, 잘하는 사람 목소리가 더 큽니다.

① 성적 기준: 최근 30일(720시간) Sharpe - 각 선수가 최근 30일 동안 출렁임 대비 얼마나 꾸준히 벌었나를 점수로 매기고, 1년 기준으로 환산합니다. - 30일인 이유: 1~2일은 우연에 너무 흔들리고, 1년은 지금 시장 분위기를 못 따라갑니다. 한 달이 그 사이의 절충입니다.

② 발언권 공식

w_i = e^SR_i/T ÷ Σ_j e^SR_j/T

점수를 T로 나누고, e의 거듭제곱을 씌운 다음, 합이 100%가 되게 나눕니다.

③ T=10은 무엇인가: "발언권 몰아주기 손잡이"

다섯 선수의 최근 30일 Sharpe가 4, 2, 1, −1, −3이라고 해 봅시다.

T가 작을수록 1등에게 몰아주고, 클수록 똑같이 나눕니다. 논문 민감도 분석에서 T=10이 집단 지성과 우수 선수 우대의 균형점이었습니다.

④ 실제 섞기 예시

다섯 선수가 각각 5가지 행동의 확률을 냅니다.

투표 인원으로는 '사자' 쪽이 3명(2·4·5번)으로 더 많습니다. 하지만 최근 성적이 좋은 1·3번이 '약하게 팔자'를 지지해서 가중 결과는 약한 매도(−0.5)가 됩니다. 똑같이 나눴다면 약한 매수였을 겁니다. 이것이 "성과 기반 동적 결합"이 실제로 결정을 바꾸는 모습입니다.

⑤ 최종 행동 가장 높은 확률의 행동(여기서는 약한 매도)을 골라 목표 비중 −0.5(절반 공매도, 절반 현금)로 주문합니다.

6단계 · 학습할 때의 요령 (우선순위 샘플링)

훈련 때는 이번에 모은 경험 중 많이 틀린 장면을 더 자주 복습합니다(오답 노트). 단, 지난 시즌 경험은 다시 쓰지 않고 이번 주 연습 영상 안에서만 복습합니다.

"국면 적응형"이란 결국 무엇인가

하나의 AI가 모든 날씨를 버티는 것이 아니라, 날씨가 바뀌었다고 60% 이상 확신하면 그 날씨 전문 선수단으로 교대하는 구조입니다.

연구 1의 결과와 한계

엄격한 시험(Phase 2)에서 연구 1만으로는 Sharpe 0.71로, 단순히 똑같이 나누는 앙상블(0.76)보다도 낮았습니다. 검사해 보니 위기 때 판단의 94.25%를 차트 그림에만 의존했습니다. 귀(뉴스)를 막고 눈(차트)만 보는 상태였던 것입니다. 그래서 연구 2가 필요했습니다.

---

연구 2 · 하이퍼그래프 근거 중심 LLM 토론

한 문장 요약

"약 60개 시장 사이의 '누가 누구에게 영향을 주나' 증거 지도를 매일 새로 그리고 → AI 분석가와 AI 위험관리자가 그 지도의 증거 번호를 인용하며 토론하고 → AI 감독이 '위험 신호 우선' 규칙으로 최종 비중을 정한다."

전체 비유: 증거 게시판이 있는 법정

법정 벽에 증거 게시판이 붙어 있습니다. 변호사(분석가)와 검사(위험관리자)는 반드시 "증거 23번에 따르면…"처럼 게시판 번호를 대며 주장해야 합니다. 없는 번호를 대거나 숫자를 틀리면 그 발언은 무효입니다. 마지막에 판사(메타 PM)가 판결합니다.

1단계 · 증거 지도의 재료 (매일 갱신, 최근 60일 자료)

• 노드 약 60개: 비트코인·이더리움 같은 암호화폐, 주가지수와 업종 ETF, 국채 금리, 환율, 원자재, 변동성 지수
• 각 노드의 1시간 수익률 기록을 씁니다.

비유: 반 친구 60명의 매시간 기분 기록장입니다.

2단계 · 통계로 관계 후보 찾기 (1차 그물)

모든 짝(A→B)에 대해 두 가지 시험을 봅니다. 둘 중 하나라도 통과하면 후보가 됩니다.

3단계 · AI 검증자가 엉터리 관계 걸러내기 (2차 그물)

통계는 우연의 일치도 관계로 잡습니다. 논문 예시처럼 "방글라데시 버터 생산량"과 "미국 주가지수"가 우연히 같이 움직일 수 있습니다.

그래서 32B 언어 AI 검증자에게 묻습니다. "미국 국채 금리 상승이 나스닥 하락을 이끈다는 관계(TE 0.82)가 잡혔다. 그 시점까지 나온 뉴스를 보고, 경제학적으로 말이 되면 승인하고 아니면 기각하라. 신뢰도도 0~1로 매겨라."

• 기각: 그날 지도에서 뺍니다(다음 날 다시 심사).
• 승인: 연결 강도 = TE 점수 50% + AI 신뢰도 50%

비유: 통계가 "철수와 영희가 친구 같다"고 하면, 담임 선생님이 학급 일지를 보고 "정말 친구 맞니?" 이유를 확인하는 것입니다.

4단계 · 하이퍼엣지로 묶기

승인된 관계 중 같은 원인으로 움직이는 것들을 한 묶음으로 묶습니다. - 예: "금리 인상 → 기술주(애플·마이크로소프트·엔비디아) 동반 하락"을 하나의 하이퍼엣지로 묶음 - 묶음의 강도 = 그 안의 TE 강도 합

비유: 1:1 친구 관계선 여러 개 대신 "같은 동아리"로 한 번에 묶는 것입니다. 금리 인상 같은 큰 충격은 한 명이 아니라 동아리 전체를 흔들기 때문입니다.

5단계 · 토론 (같은 32B AI에게 역할만 다르게 줌, 최대 3라운드)

답변은 차분하게(온도 0.2), 짧게(라운드당 256토큰), 정해진 형식(JSON)으로만 하게 했습니다.

실제 예(SVB 사태) - 분석가: "증거 23번(연준 긴급 유동성 지원, TE 0.85)에 따르면 시장이 안정됩니다. 80% 매수!" - 리스크 관리자: "조건부로 수용합니다. 증거 23번이 뱅크런 확산(증거 51번)을 막는 건 맞습니다. 하지만 중소형주는 위험하니 대형 기술주와 암호화폐 위주로 60%만 갑시다."

6단계 · 판사(메타 PM)의 판결: "경고는 가장 센 것, 칭찬은 평균"

α_risk = sigmoid(8 × 가장 센 경고 − 6 × 칭찬 평균)

최종 비중 = (1 − α_risk) × 분석가 제안 + α_risk × 위험관리자 제안

sigmoid는 어떤 숫자든 0~1 사이로 부드럽게 바꾸는 S자 다이얼입니다.

분석가가 +0.8(매수), 위험관리자가 −1.0(전부 공매도)를 제안했다고 해 봅시다.

등산할 때 "날씨 좋다"는 말이 열 번 나와도 "낙석 경보" 한 번이면 멈추는 것과 같습니다. 위험은 가장 센 것 하나를, 기회는 평균을 보는 비대칭 규칙이 큰 손실을 막는 핵심입니다.

7단계 · 연구 2가 매시간 내놓는 두 가지

1. 최종 목표 비중 w* (예: −0.98 또는 +0.24)
2. 합의문 C_t (왜 그렇게 결정했는지 적은 글)

연구 2의 문제

정확하지만 한 번 판단에 평균 3.5초가 걸립니다(뉴스 정리 → 관계 재계산 → 지도 갱신 → 토론 3라운드). 위기 때 3.5초면 가격이 미끄러져 손해를 봅니다. 그래서 연구 3이 필요했습니다.

---

연구 3 · 이중 프로세스 추론 증류

한 문장 요약

"느린 선생님(연구 1·2)이 1시간마다 만든 '무엇을 할지 점수표'와 '왜 그런지 요약 카드'를, 호가창 10초만 보는 작은 학생 AI에게 미리 가르쳐서 → 실전에서는 학생 혼자 0.012초 만에 판단한다."

전체 비유: 바둑 명인과 속기 제자

명인(System 2)은 한 수를 두려고 기보, 뉴스, 정세를 다 보며 오래 생각합니다. 제자(System 1)는 속기 대국에서 판만 보고 손이 먼저 나갑니다. 제자가 명인과 비슷하게 두려면, 평소 훈련 때 명인의 "여기선 이 수가 좋다"(결론)와 "왜냐하면…"(이유)를 함께 배워 감각으로 익혀 둬야 합니다.

1단계 · 선생님이 만드는 교재 ① "무엇을 할지" 점수표 (소프트 타겟)

연구 2의 최종 비중 w*를 5가지 행동의 확률표로 바꿉니다.

z_i = −(w* − w_i)² ÷ (2 × 0.25²),   P_teacher = softmax(z ÷ 2)

정답 위치(w*)에 가까운 행동일수록 점수가 높습니다. 과녁 중심에 가까울수록 점수가 높은 것과 같습니다.

예: w* = −0.5(약한 매도)일 때

학생은 "정답은 약한 매도지만, 강한 매도나 관망도 나쁘지 않고, 매수는 절대 아니다"라는 부분 점수 감각까지 배웁니다. 온도 2는 부분 점수를 얼마나 너그럽게 줄지 정하는 값입니다. 100점/0점 채점이 아니라 부분 점수를 주는 채점입니다.

2단계 · 선생님이 만드는 교재 ② "왜 그런지" 요약 카드

토론 합의문을 금융 문장 전문 AI(FinBERT)에 넣어 768개 숫자로 압축합니다. 회의록을 768칸 암호 카드로 만든 것입니다.

주의: 연구 1의 뉴스 32칸은 AI가 보는 입력이고, 이 768칸은 학생이 따라가야 할 목표입니다. 학생은 뉴스를 직접 보지 않습니다.

3단계 · 시간 맞추기: 1시간 교재를 10초 장면 10개에 붙이기

• 선생님 교재는 1시간에 1세트입니다.
• 학생은 10초짜리 호가창 장면(100틱 × 40가지 숫자)을 봅니다.
• 그래서 그 1시간 안에서 장면 10개를 고르게 뽑아 같은 교재를 붙입니다(브로드캐스트). 전체 기간에서 약 20만 쌍이 됩니다.

비유: 1교시 끝에 선생님이 정리한 판서를, 그 시간 수업 영상에서 캡처한 사진 10장 모두에 붙여 두는 것입니다. 학생은 "이런 장면이면 선생님은 이 시간을 이렇게 봤구나"를 배웁니다.

호가창 40가지 숫자: 상위 10개 가격대의 사려는 양과 팔려는 양의 비율(20개), 가격 차이와 가운데 가격 변화(10개), 방금 체결된 양·방향·불균형(10개)입니다. 매표소 양쪽 줄 길이, 흥정 가격 차이, 방금 팔린 표 기록과 같습니다.

4단계 · 학생의 머리 구조 (1D-CNN)

10초 호가창 악보 (100박자 × 40악기)
  → 1층 탐정 64명: 3틱 돋보기로 짧은 무늬 찾기 → 절반으로 요약   (50 × 64)
  → 2층 탐정 128명: 무늬의 조합(문장) 찾기 → 절반으로 요약       (25 × 128)
  → 시간 평균으로 10초 전체 분위기 요약                          (128칸 = 학생의 생각)
       ├→ 행동 확률 5개 (실전에서 사용)
       ├→ 상황 점수 1개 (학습용)
       └→ 128 → 256 → 768로 늘려 선생님 요약 카드와 비교 (학습 때만 사용)

5단계 · 세 가지 숙제를 동시에 (4 : 4 : 2)

• 코사인을 쓴 이유: 나침반 바늘을 선생님 쪽으로 돌리기만 하고 늘이거나 줄이지 않습니다. 그래서 학생의 호가창 읽는 실력은 건드리지 않습니다.
• 20%인 이유: 0이면 이유를 못 배우고, 40%를 넘으면 작은 학생이 선생님 흉내만 내다 자기 실력을 잃었습니다. 소금처럼 적당히 넣어야 합니다.
• 전체 자료를 50번 반복 학습합니다.

6단계 · 실전

• 새 호가창 정보가 들어올 때마다 학생 혼자 평균 12ms(0.012초)에 판단합니다. 뉴스 AI도, 토론 AI도 부르지 않습니다.
• 선생님 직접 판단(3.5초)보다 약 290배 빠릅니다.

연구 3의 결과

• 엄격한 시험에서 Sharpe 0.92, 최대낙폭 −24.0%로 비교 대상 중 1등이었습니다.
• 선생님(System 2) 부분을 빼면 Sharpe가 0.71로 22.8% 떨어지고, 최대낙폭은 −48.7%로 커졌습니다. "선생님에게 배운 것"이 실제로 효과가 있었다는 증거입니다.

---

세 연구가 이어지는 방식 한눈에

---

쉬운 말 결론

• 연구 1: 날씨(시장 계절)를 60% 이상 확신할 때만 그 날씨 전문 선수 5명으로 교대합니다. 다섯 명 의견은 최근 한 달 성적에 비례한 발언권으로 섞는데, T=10은 "잘하는 선수를 조금 더 믿되 독재는 막는" 손잡이 위치입니다.
• 연구 2: 60개 시장의 관계 지도를 증거 게시판으로 붙여 놓고, 공격수와 수비수가 증거 번호를 대며 토론합니다. 판사는 경고는 가장 센 것 하나, 칭찬은 평균으로 따져 조심스럽게 판결합니다.
• 연구 3: 이 느린 회의의 결론(점수표)과 이유(요약 카드)를 작은 학생에게 미리 가르칩니다. 그래서 실전에서는 학생 혼자 0.012초 만에 판단합니다.

정리하면 "계절을 읽는 선수단 → 증거로 다투는 법정 → 그 지혜를 몸에 익힌 빠른 제자"의 순서입니다.

논문 3편이 박사논문의 어디에 들어가나

박사논문은 한 번에 쓴 책이 아니라, 학술지에 먼저 실린 논문들을 하나의 이야기로 엮은 책입니다. 레고로 치면 부품 세트 3개를 먼저 만들어 검사받고, 마지막에 하나의 작품으로 조립한 것입니다.

"등재"와 "심사 중"은 무엇이 다른가

• 등재 완료: 다른 전문가들(심사위원)이 논문을 읽고 "실어도 된다"고 통과시킨 상태입니다. 학교 대회에서 입상이 확정된 것과 같습니다.
• 심사 중: 해외 학술지 심사위원들이 지금 읽고 있는 상태입니다. 국제 대회 본선 심사를 기다리는 것과 같습니다.

왜 이 장이 중요한가

박사학위 심사위원은 "이 연구가 바깥에서도 인정받았는가"를 확인합니다. 이 장은 "세 연구 중 두 개는 이미 외부 심사를 통과했고, 하나는 국제 심사 중"이라는 신뢰의 근거를 보여 주는 장입니다. 그래서 짧게 말하되, 각 논문이 연구 1·2·3 중 어디에 해당하는지 손으로 짚어 주는 것이 좋습니다.

핵심 원리: 시장은 "계절"이 바뀐다

주식이나 비트코인 시장에는 분위기가 오래 이어지는 시기가 있습니다. 오르는 분위기(상승장), 내리는 분위기(하락장), 오르락내리락하는 분위기(횡보장)입니다. 이것을 국면(regime)이라고 부릅니다. 계절과 비슷합니다.

AI는 과거 자료로 공부합니다. 그런데 여름에만 공부한 AI는 겨울을 모릅니다. 이것이 그림에서 "Training Data Period(공부 기간)" 동안은 잘 오르다가, "Black Swan Regime Shift(검은 백조, 예상 못 한 계절 변화)" 이후 뚝 떨어지는 선의 뜻입니다.

금융 자료가 특히 어려운 두 가지 이유

블랙 스완이란

옛날 유럽 사람들은 "백조는 모두 하얗다"고 믿었습니다. 그런데 호주에서 검은 백조가 발견되자 그 믿음이 한순간에 깨졌습니다. 그래서 "아무도 예상 못 했지만, 일어나면 엄청난 충격을 주는 사건"을 블랙 스완이라고 부릅니다. 이 논문의 기간에는 루나 붕괴(2022.5), 연준 자이언트 스텝, FTX 파산(2022.11), SVB 사태(2023.3)가 있었습니다.

그래서 이 논문이 준비한 두 가지 해결책

하방 위험이란

"하방"은 아래쪽, 즉 손해 쪽입니다. 하방 위험은 크게 잃을 위험입니다. 이 논문은 "많이 버는 것"보다 "크게 잃지 않는 것"을 더 중요한 목표로 둡니다. 50% 잃으면 원래대로 돌아가려면 100%를 벌어야 하기 때문입니다.

주의: 이 그림은 생각을 설명하는 개념도이지 실제 실험 결과 그래프가 아닙니다. 발표 때 꼭 이렇게 말합니다.

핵심 원리: 네 갈래의 기존 연구를 "이어 붙였다"

다른 사람들이 이미 만든 좋은 도구들이 있습니다. 이 논문은 도구 하나를 새로 발명한 것이 아니라, 모양과 크기가 다른 도구들을 하나의 기계로 연결한 것이 새로운 점입니다.

비유: 오케스트라 지휘자

바이올린, 트럼펫, 북은 이미 다 있는 악기입니다. 지휘자의 실력은 악기를 발명하는 것이 아니라, 서로 다른 소리를 내는 악기들을 한 곡으로 어울리게 만드는 것입니다. 이 논문도 마찬가지로, 소리가 전혀 다른 악기들을 연결했습니다.

• 글을 읽는 AI(LLM)와 숫자를 보는 AI(CNN)
• 1시간 단위로 생각하는 선생님과 10초 단위로 반응하는 학생

왜 "최초 제안이 아니라 통합 설계"라고 먼저 말하나

심사위원은 "PPO도, XGBoost도, 증류도 다 있는 건데 뭐가 새로우냐"고 물을 수 있습니다. 그래서 발표에서 기여의 범위를 스스로 먼저 정해 두는 것입니다. 축구로 치면 "제가 공을 발명한 게 아니라, 이 선수들로 새 전술을 짰습니다"라고 먼저 말하는 셈입니다.

핵심 원리: 진짜 상태는 보이지 않는다 (POMDP)

POMDP(부분 관측 마르코프 결정 과정)는 이름이 어렵지만 뜻은 간단합니다. "속을 볼 수 없는 상황에서, 보이는 단서만으로 짐작해서 결정하는 문제"입니다.

전체 비유: 증상만 보고 진료하는 의사

수식 하나씩

한 바퀴 예시 (2022년 5월 루나 사태)

1. 진짜 상태: 시장은 실제로 위기 국면에 들어섬. AI는 이것을 직접 모름
2. 관측: 호가창 매수 잔량 감소(미시), "스테이블코인 디페깅" 뉴스(거시)
3. 짐작: "하락 국면일 확률 62%"
4. 결정: 약한 매도(w = −0.5)
5. 보상: 시장이 실제로 떨어져 손실을 피함 → 좋은 점수 → 정책이 "이런 상황엔 이렇게"를 배움

왜 "근사"라는 말이 중요한가

정확한 믿음(b_t)을 계산하려면 시장의 작동 원리를 다 알아야 합니다. 그건 불가능합니다. 그래서 이 논문은 최근 기록 일부만 신경망에 넣어 대략 짐작합니다. 평생 진료 기록 대신 최근 일주일 기록만 보고 숙련된 감으로 진단하는 것과 같습니다. 이후 연구 1·2·3은 모두 "이 짐작(③번 박스)을 어떻게 더 정확하게 만들 것인가"에 대한 답입니다.

핵심 원리: 무거운 생각은 미리, 빠른 반응은 실전에서

이 장이 발표 전체의 설계도입니다. 가운데 가로선이 가장 중요합니다.

• 가로선 위 (오프라인): 실제 매매 전에 미리 하는 준비. 시간이 오래 걸려도 됨
• 가로선 아래 (온라인): 실제 시장에서 실시간으로 매매. 0.01초 단위로 빨라야 함
• 선을 넘는 화살표는 "오프라인 증류" 하나뿐: 선생님 자신은 내려오지 않고, 지식만 훈련으로 내려옴

전체 비유: 프로야구팀

왜 이렇게 나눴나

1. 속도: 경기 중 투수가 공을 던지면 0.4초 안에 쳐야 합니다. 분석팀 회의(3.5초)를 기다릴 수 없습니다.
2. 비용과 안정성: 큰 AI(32B LLM)를 매매 서버에 항상 켜 둘 필요가 없습니다.
3. 지혜는 유지: 회의의 결론과 이유를 훈련으로 미리 몸에 익혔기 때문에, 혼자서도 선생님처럼 조심스럽게 반응합니다.

숫자로 보는 차이

핵심 원리: 세 가지 감각으로 시장을 본다

사람은 눈·귀·코를 함께 써서 상황을 파악합니다. AI도 한 종류의 정보만 보면 놓치는 것이 생깁니다. 그래서 연구 1은 세 종류(모달)의 정보를 함께 씁니다. 이것을 다중 모달이라고 합니다.

왜 칸 수가 다른가 (128 · 64 · 32)

정보마다 담긴 내용의 양이 다르기 때문입니다. - 차트 그림은 모양·추세·패턴이 많아 128칸 - 기술지표는 계산된 숫자들이라 64칸 - 뉴스 감성은 "좋다/나쁘다"와 요약 통계라 32칸

비유하면, 사진 감상문은 길게(128줄), 건강검진표는 중간(64줄), 소문 요약은 짧게(32줄) 적는 것입니다.

차트를 사진으로 보는 장치: ResNet-18 + CBAM

기술지표 3총사

뉴스 감성 32칸 안에 들어가는 것

DeepSeek 언어 AI가 뉴스 제목 하나하나를 긍정·중립·부정 확률로 채점한 뒤, 24시간 동안의 평균, 뉴스 개수(로그), 점수의 흔들림(표준편차), 최고·최저 점수 등을 모아 32칸으로 정리합니다. "오늘 소문이 대체로 어둡고, 많이 돌았고, 의견이 크게 갈렸다"를 숫자로 적는 것입니다.

3칸짜리 작은 예시로 끝까지 계산해 보기

실제는 128칸이지만, 원리를 보려고 3칸으로 줄여 따라가 보겠습니다. 비유는 아침에 옷 고르기입니다. 라디오 일기예보(뉴스)를 듣고, 창밖 보는 동생(차트)과 온도계 보는 형(지표) 중 누구 말을 믿을지 정합니다.

수식 1 · 질문지 만들기: Q = F_senti · W_Q - 일기예보 메모(뉴스 32칸)를 번역기 W_Q로 질문지로 바꿉니다. - 예시 질문지 Q = [1, 0, 1] → "방수 중요, 보온 안 중요, 바람막이 중요"

수식 2 · 명함(K)과 쪽지(V) 꺼내기

명함과 쪽지를 나누는 이유: 식당을 고를 때 간판(명함)을 보고 고르고, 받는 건 음식(쪽지)입니다. 고를 때 쓰는 정보와 받아 쓰는 정보가 달라도 되게 한 것입니다.

수식 3 · 궁합 점수 → 믿음 비율: A = softmax(QKᵀ / √128)

결과: 오늘은 동생 36%, 형 64% 믿기. 소나기 예보가 있으니 맑아 보인다는 동생보다 습도 80%라는 형을 더 믿는 것입니다.

수식 4 · 섞고 정리하기: s_t = LayerNorm(Q + AV)

3번 칸(바람막이)이 가장 두드러집니다. 오늘의 결론은 "바람막이가 가장 중요한 날"입니다. 이 카드가 다음 장의 XGBoost와 PPO 전문가들에게 들어갑니다.

토큰이 두 개뿐이라 생기는 성질

비율이 α₁ + α₂ = 1이므로, 사실상 수도꼭지 두 개를 조절하는 장치(게이팅)입니다. 이름은 어텐션이지만 실제 역할은 "뉴스 분위기에 따라 차트와 지표 사이 볼륨을 조절하는 손잡이"입니다.

심사에서 나올 수 있는 질문

"뉴스 자체의 비중은 어떻게 정하나?" → 뉴스는 질문(Q)으로 비율을 바꾸고, 잔차 연결(Q + AV)로 최종 카드에 직접 더해지는 두 경로로 반영됩니다. 다만 뉴스와 시장 사이 비중을 따로 학습하지는 않아서, SHAP에서 텍스트 기여가 작게 나온 것과 연결되고, 그래서 연구 2가 필요했습니다.

핵심 원리 ①: XGBoost는 "실수를 고쳐 가는 나무들의 팀"

결정나무 하나는 스무고개처럼 "이 값이 0.3보다 큰가?" 같은 질문을 몇 번 해서 답을 고릅니다. 나무 하나는 실수가 많습니다. XGBoost는 나무를 300그루 차례로 세우되, 뒤 나무가 앞 나무들의 실수만 집중해서 고치게 합니다. 이것을 부스팅(boosting)이라고 합니다.

핵심 원리 ②: 공부용 정답표는 "지나고 나서야 알 수 있다"

국면의 정답은 그 순간에는 알 수 없고, 며칠 지나 봐야 압니다. 그래서 정답표를 만드는 방식이 중요합니다.

핵심 원리 ③: 60% 규칙 = 히스테리시스

히스테리시스는 "바뀌려면 확실한 증거가 필요하고, 애매하면 지금 상태를 유지하는 성질"입니다.

60%인 이유: 국면이 3개이므로 한 국면이 60%면 나머지 둘을 합친 40%보다 확실히 큽니다. 즉 과반을 넘는 확신이 있을 때만 바꿉니다.

60% 규칙이 없으면 11시·12시에 국면이 흔들리며 선수단이 계속 바뀌고, 그때마다 포지션을 정리했다 다시 잡아 수수료와 미끄러짐(슬리피지)만 늘어납니다. 이것이 휩소입니다. 판단은 1시간봉이 마감될 때마다 한 번 합니다.

핵심 원리: 목표가 다르면 점수표도 달라야 한다

강화학습 AI는 보상(점수)이 커지는 방향으로만 배웁니다. 그래서 무엇을 칭찬하느냐가 곧 AI의 성격이 됩니다. 모든 계절에 "돈 많이 벌어라"만 가르치면, 하락장에서도 무리하게 사다가 크게 잃습니다.

세 계절의 점수 규칙 자세히

Sortino가 Sharpe와 다른 점

하락장에서는 "넘어지지 않는 것"이 목표이므로 Sortino가 맞습니다.

로그수익률이란

100원이 110원이 되면 일반 수익률은 10%, 로그수익률은 ln(1.1) ≈ 9.5%입니다. 로그수익률은 여러 시간의 수익을 그냥 더하면 전체 수익이 되는 편리한 성질이 있어 AI 학습에 자주 씁니다.

PPO란 (짧게)

PPO는 "칭찬받은 행동은 늘리고 꾸중 들은 행동은 줄이되, 한 번에 20% 넘게 바꾸지 않는" 학습 방법입니다. 한 번 잘됐다고 갑자기 전부 바꾸면, 그게 운이었을 때 크게 망하기 때문입니다.

같은 계절 5명을 두는 이유

같은 방법으로 훈련해도 출발점(난수 시드)이 다르면 조금씩 다른 선수가 됩니다. 의견이 조금씩 다른 5명을 섞으면, 한 명이 크게 틀려도 나머지가 바로잡습니다. 시험 문제 답을 5명에게 물어 다수 의견을 따르면 틀릴 확률이 줄어드는 것과 같습니다. 이것을 분산 감소라고 합니다.

핵심 원리: 왜 softmax로 발언권을 나누나

성적(Sharpe)은 음수가 될 수도 있고, 크기도 제각각입니다. 이것을 "모두 양수이고, 합이 100%인 발언권"으로 바꾸는 가장 자연스러운 방법이 softmax입니다. - e(약 2.718)의 거듭제곱은 항상 양수 → 성적이 −3이어도 발언권이 0이 되지 않음 - 성적이 1 높으면 발언권이 일정 배수로 커짐 → 잘할수록 더 크게 들림

온도 T를 "볼륨 손잡이"로 이해하기

T는 성적 차이를 얼마나 크게 느끼게 할지 정합니다. - T가 작으면: 성적 차이를 크게 느낌 → 1등이 다 가져감 (독재) - T가 크면: 성적 차이를 작게 느낌 → 모두 똑같이 (1/N 정적 앙상블) - 논문은 위기 때 선수 간 30일 Sharpe 차이가 수 단위(예: 4와 −3)로 벌어지기 때문에, T=10이어도 발언권이 의미 있게 갈린다고 설명합니다.

PPO와 우선순위 샘플링(PER)의 원리

PER의 공식: 경험 i를 뽑을 확률 P(i) ∝ (|δ_i| + ε)^α

왜 "최신 롤아웃 안에서만"인가: PPO는 "지금의 나"가 모은 경험으로만 배우는 방법(온-폴리시)입니다. 지난 시즌 영상을 다시 쓰면 그 규칙이 깨집니다. 그래서 이번 주 연습 영상 안에서만 오답 위주로 돌려 봅니다.

한 시간의 실제 흐름 요약

1. 1시간봉 마감 → 상황 카드 s_t (128칸) 완성
2. XGBoost → 국면 판단 (60% 규칙)
3. 그 국면의 PPO 5명이 각자 행동 확률 5개를 냄
4. 30일 Sharpe → softmax(T=10) → 발언권
5. 발언권으로 확률을 섞음 → 가장 큰 행동(argmax) → 목표 비중 → 주문

핵심 원리: SHAP은 "팀 점수를 공정하게 나누는 방법"

SHAP은 게임 이론의 샤플리 값(Shapley value)에서 왔습니다. 조별 과제로 100점을 받았을 때, 각자의 기여를 공정하게 나누려면 "이 사람이 빠졌다면 점수가 얼마나 떨어졌을까?"를 모든 조합에서 따져 평균 냅니다. SHAP은 AI의 판단 하나에 대해 각 입력 정보가 얼마나 기여했는지를 이렇게 계산합니다.

무엇을 어떻게 쟀나

"차트 칸이 많아서 그런 것 아닌가?"에 대한 답

시각 특징은 전체 224칸(128+64+32) 중 128칸, 약 57%입니다. 칸 수만큼 기여한다면 57% 정도여야 하는데, 실제로는 94%였습니다. 칸 수만으로는 설명되지 않는 쏠림이 있었다는 뜻입니다.

오른쪽 점 그림(벌떼 그림) 읽는 법

• 점 하나 = 한 시점
• 가로 위치 = 그 특징이 판단을 얼마나 오른쪽(+)이나 왼쪽(−)으로 밀었는지
• 색 = 그 특징 값이 컸는지(빨강) 작았는지(파랑)
• 시각 특징의 점들이 넓게 퍼져 있다 = 판단을 크게 흔들었다는 뜻

왜 이게 문제인가

평소에는 차트 모양만으로도 꽤 맞힙니다. 하지만 위기는 보통 뉴스와 다른 시장에서 먼저 시작됩니다(금리 인상 발표, 스테이블코인 붕괴 소식). 차트에는 이미 떨어진 뒤에야 나타납니다. 귀를 막고 눈만 뜬 운전자는 앞차를 보고서야 브레이크를 밟지만, 라디오 교통정보를 듣는 운전자는 미리 속도를 줄입니다.

진단과 실험이 서로를 뒷받침

의사가 "이 환자는 귀가 안 들린다"고 진단했는데, 보청기를 끼우자 실제로 대화가 좋아졌다면 진단이 맞았다는 증거가 되는 것과 같습니다.

핵심 원리 ①: Granger와 전이엔트로피는 "예측 도움"을 잰다

두 방법 모두 "A의 과거를 알면 B의 미래를 더 잘 맞히는가"를 봅니다. 하지만 이것은 진짜 원인과 결과(인과)와 다릅니다.

엔트로피는 "모르는 정도"입니다. 동전 던지기 결과는 엔트로피가 크고(모름), 해가 동쪽에서 뜨는 건 엔트로피가 0입니다(확실).

핵심 원리 ②: 상관은 인과가 아니다

아이스크림 판매와 물놀이 사고는 함께 늘지만, 아이스크림이 사고를 일으키지 않습니다. 진짜 원인은 더위입니다. 통계는 이런 가짜 관계를 걸러내지 못합니다. 그래서 경제를 아는 AI 검증자가 "이 관계에 경제적 이유가 있나?"를 그 시점까지 나온 뉴스로 확인합니다.

검증자 질문 예 (논문 프롬프트): "미국 10년물 국채 금리 상승이 나스닥 100 하락을 강하게 선행한다(TE 0.82). 최근 뉴스: '연준 의장, 50bp 추가 인상 시사, 기술주 매물 출회'. 우연인가, 구조적 인과인가? 승인/기각과 신뢰도(0~1)를 답하라."

→ 금리가 오르면 미래 이익의 현재 가치가 줄어 성장주(기술주)가 먼저 타격을 받는다는 경제 논리가 있으므로 승인.

핵심 원리 ③: 하이퍼엣지는 "동아리"

보통 그래프의 선은 두 점만 잇습니다(1:1). 하지만 금융 위기는 한 원인이 여러 자산을 동시에 흔듭니다(N:N). 루나 붕괴는 비트코인, 이더리움, 거래소 토큰을 한꺼번에 끌어내렸습니다.

왜 매일 다시 그리나 (60일 롤링)

시장의 관계는 계절처럼 바뀝니다. 작년에 강했던 관계가 올해는 약할 수 있습니다. 그래서 최근 60일 자료로 매일 지도를 새로 그리고, 기각된 관계도 다음 날 다시 심사합니다.

핵심 원리: LLM의 약점 "환각"을 규칙으로 막는다

큰 언어 AI(LLM)는 말을 아주 잘하지만, 모르는 것도 그럴듯하게 지어내는 약점이 있습니다. 이것을 환각이라고 합니다. 기존 금융 LLM 토론 연구들은 AI끼리 사실 확인 없이 말솜씨만으로 토론하다가 그럴듯한 결론에 합의해 버리는 문제가 있었습니다.

이 논문의 해결: "증거 번호 의무 인용 + 기계 대조"

같은 AI에 역할만 다르게 준 이유

같은 32B 모델이지만 목표를 다르게 주면 관점이 달라집니다. 같은 반 학생이라도 토론 대회에서 찬성팀과 반대팀을 맡으면 서로 다른 증거를 찾아옵니다.

• 분석가 프롬프트: "수익 기회를 찾아라"
• 리스크 관리자 프롬프트(논문 원문 요지): "고객 자본 보존이 최우선인 최고 리스크 관리자다. 위기 전염 경로가 조금이라도 보이면 강하게 반박하고 현금화나 헤지를 요구하라. 반드시 TE 0.9 이상의 엣지를 인용하라."

답변 형식을 좁힌 이유

리스크 관리자는 늘 반대만 하나?

아닙니다. SVB 사례처럼 연준 지원이라는 강한 반대 증거가 있으면 "조건부 수용(MODIFY)"으로 입장을 바꿉니다. 증거의 세기에 따라 판단하는 것이지, 무조건 반대가 아닙니다. 다만 이런 보수적 성향 때문에 반등장에서는 기회를 놓칠 수 있다는 점도 논문에 적혀 있습니다.

핵심 원리: 왜 "경고는 최댓값, 칭찬은 평균"인가

투자에서 크게 잃는 것은 크게 버는 것보다 훨씬 치명적입니다. 50% 잃으면 100% 벌어야 원래대로 돌아옵니다. 그래서 판결 규칙이 일부러 비대칭입니다.

• 위험 근거는 가장 센 것 하나(최댓값)를 봄 → 치명적 경고 하나만 있어도 반응
• 기회 근거는 평균을 봄 → 좋은 소식 하나가 아무리 강해도 다른 것들과 섞여 희석

비유: 등산할 때 "경치 좋다", "날씨 맑다"가 열 번 나와도 "낙석 경보" 한 번이면 멈춥니다.

sigmoid는 "부드러운 스위치"

sigmoid(x) = 1 ÷ (1 + e^(−x)). 아무리 큰 숫자를 넣어도 0~1 사이로만 나옵니다.

0에서는 반반, 커질수록 1(리스크 관리자 쪽)에 가까워집니다. 딸깍 켜지는 스위치가 아니라 천천히 밝아지는 조광기입니다.

8과 6이라는 계수의 뜻

경고에 8배, 칭찬에 6배를 곱합니다. 같은 세기라면 경고를 조금 더 무겁게 듣는다는 뜻입니다. 이 숫자는 데이터에서 배운 값이 아니라, "강한 위험 근거 하나면 거의 따르도록" 정한 설계 상수입니다.

다양한 상황 계산해 보기 (분석가 +0.8, 리스크 −1.0)

이 결과가 어디로 가나

판결로 나온 최종 비중 w*와 그 이유를 적은 합의문이 연구 3에서 학생을 가르치는 두 교재가 됩니다.

세 사례의 토론 흐름

어려운 단어 풀이

왜 "예언 성공의 증거가 아니다"라고 하나

이 AI는 공부할 때 인터넷 글을 엄청나게 읽었고, 그 안에 이 사건들의 결말이 이미 들어 있었을 수 있습니다. 시험 범위 사건을 뉴스로 이미 본 학생이 "제가 예측했어요"라고 해도 믿기 어려운 것과 같습니다. 그래서 논문은 이 대화들을 "이런 방식으로 토론한다"는 리허설 영상으로만 보여 주고, 성과 증명은 7장의 엄격한 숫자 실험으로 합니다.

또 하나: 코로나(2020.03)는 실험 기간(2021.10~2023.12) 밖의 사건이라 성과 계산과 무관한 스트레스 예시입니다.

그럼 누설은 어떻게 줄였나

1. 에이전트가 날짜나 사건 이름이 아니라 지도 번호와 그 시점 뉴스만으로 말하게 함
2. 실제 주문은 LLM이 아니라 호가창만 보는 학생(연구 3)이 냄
3. 완전한 해결은 AI가 모르는 2024년 이후 자료로 다시 시험하는 것 → 후속 연구 1순위

핵심 원리 ①: 사람 머리의 두 시스템

심리학자 대니얼 카너먼은 사람의 생각을 두 가지로 나눴습니다.

초보 운전자는 하나하나 생각하며 운전합니다(System 2). 오래 연습하면 생각 없이 몸이 핸들을 꺾습니다(System 1). 연습이 느린 생각을 빠른 감각으로 바꾼 것입니다. 이 논문은 이 과정을 AI로 만들었습니다.

핵심 원리 ②: 지식 증류

2015년 힌턴 등이 제안한 방법으로, 큰 선생님 AI의 판단을 작은 학생 AI가 따라 하게 학습시킵니다. 소주를 증류하면 진한 알코올만 남듯, 큰 지식에서 핵심만 뽑아 작은 병에 담는 것입니다.

그림 읽는 법

• 위쪽 System 2 (Slow, LLM): 큰 신경망 그림. 뉴스·차트·하이퍼그래프를 보고 천천히 판단
• Latent Space (E_reasoning): 선생님 생각이 숫자 좌표로 놓인 공간. 오른쪽 위 점 구름
• 가운데 화살표 Reasoning Distillation (Cosine Similarity Alignment): 학생 생각의 방향을 선생님 쪽으로 맞추는 학습
• 아래쪽 System 1 (Fast, 1D-CNN): 1D 신호 입력 → 무늬 찾기(Convolution) → 묶기(Blocks) → 요약(Pooling) → 결과

왜 이게 필요한가

결론만 배운 학생은 처음 보는 위기에서 엉뚱한 호가창 무늬에 속기 쉽습니다. "왜 그런지"의 방향까지 배워야, 처음 보는 상황에서도 선생님처럼 조심스럽게 반응할 가능성이 커집니다.

교재 ① 점수표: 왜 "정답 하나"가 아니라 "확률표"인가

정답만 알려 주면(하드 라벨) 학생은 "약한 매도 = 100점, 나머지 = 0점"으로 배웁니다. 그러면 "강한 매도는 거의 맞고, 강한 매수는 완전히 틀렸다"는 차이를 모릅니다. 확률표(소프트 타겟)는 이 부분 점수를 알려 줍니다.

공식 단계별 계산 (w* = −0.5)

1단계 · 거리 계산: 정답 위치와 각 보기의 거리 제곱 | 행동 | 비중 w_i | (w* − w_i)² | |---|---|---| | 강한 매도 | −1.0 | 0.25 | | 약한 매도 | −0.5 | 0 | | 관망 | 0 | 0.25 | | 약한 매수 | +0.5 | 1.00 | | 강한 매수 | +1.0 | 2.25 |

2단계 · 점수(로짓): z = −거리² ÷ (2 × 0.25²) = −거리² ÷ 0.125 → −2, 0, −2, −8, −18

3단계 · 온도 2로 나누고 softmax: −1, 0, −1, −4, −9 → 21%, 57%, 21%, 1%, 0%

온도 τ에 따라 얼마나 달라지나

σ_w = 0.25는 과녁 점수 띠의 폭입니다. 작으면 정답 칸만 높고, 크면 넓게 퍼집니다.

교재 ② 요약 카드: FinBERT [CLS] 768

비슷한 뜻의 합의문은 비슷한 방향의 카드가 됩니다. "위험 전염 때문에 현금화"와 "유동성 위기로 노출 축소"는 가까운 방향, "정책 지원으로 반등"은 다른 방향이 됩니다.

입력과 목표의 차이 (헷갈리기 쉬움)

핵심 원리: 1D-CNN은 "시간을 따라 미끄러지는 돋보기"

입력은 40줄짜리 악보입니다. 가로 100박자(최근 100틱, 평시 약 10초), 세로 40개 악기(40가지 측정값). 1D-CNN의 돋보기는 세로 40줄을 한꺼번에 덮고 가로로만 움직입니다. 그래서 "1D(1차원)"입니다. 연구 1의 차트 그림 AI는 가로세로로 움직이는 2D입니다.

컨볼루션 = 무늬 찾기 탐정

돋보기 폭은 3틱입니다. 한 번에 연속된 3순간 × 40특징을 보고, 학습으로 정해진 본보기 무늬(W)와 얼마나 닮았는지 점수를 매깁니다(같은 칸끼리 곱해 더함). 안 닮았으면 0점(ReLU). 한 칸씩 옆으로 밀며 악보 끝까지 반복합니다.

층별로 따라가기

세 개의 출구

투영 헤드 마지막에 활성화 함수를 두지 않은 이유: ReLU를 두면 숫자가 모두 0 이상이 되어, 음수 성분이 있는 선생님 카드와 방향을 맞출 수 없기 때문입니다.

왜 하필 1D-CNN인가 (속도)

실행 경로의 학습 숫자는 약 3만 개로, 선생님(320억 개)의 약 100만분의 1 크기입니다.

한계

한 탐정이 직접 보는 범위는 약 10틱(평시 1초)입니다. 마지막 평균으로 100틱 전체를 합치긴 하지만, 긴 흐름은 잘 못 봅니다. 그래서 후속 연구로 긴 기억을 빠르게 처리하는 Mamba를 제시했습니다.

10초 호가창 악보 (100박자 × 40악기)
  → 1층 탐정 64명: 3틱 돋보기로 짧은 무늬 찾기 → 절반으로 요약   (50 × 64)
  → 2층 탐정 128명: 무늬의 조합(문장) 찾기 → 절반으로 요약       (25 × 128)
  → 시간 평균으로 10초 전체 분위기 요약                          (128칸 = 학생의 생각)
       ├→ 행동 확률 5개 (실전에서 사용)
       ├→ 상황 점수 1개 (학습용)
       └→ 128 → 256 → 768로 늘려 선생님 요약 카드와 비교 (학습 때만 사용)

핵심 원리: 세 숙제가 서로를 견제한다

그래서 4 : 4 : 2로 섞습니다. 축구로 치면 실전 연습 40%, 코치 시범 따라 하기 40%, 전술 이해 20%입니다.

수식 하나씩

① 과제 손실: L_task = PPO + 0.5 × 가치 손실 − 0.01 × 엔트로피 - PPO: 실제 보상이 커지는 쪽으로 행동을 고침 - 가치 손실: "지금 상황이 앞으로 얼마나 좋을지" 예측 연습 (Critic) - 엔트로피 보너스: 한 행동만 고집하지 않게 약간의 다양성을 칭찬. 한 기술만 쓰는 선수가 되지 않게

② 정책 증류: L_policy = τ² × KL(선생님 ∥ 학생) - KL 발산: 두 확률표가 얼마나 다른지 재는 값. 같으면 0 - 예: 선생님 [21, 57, 21, 1, 0]%와 학생 [10, 30, 50, 10, 0]%는 KL이 크고, 학생이 [20, 55, 22, 3, 0]%면 작음 - τ²(=4): 온도 2로 확률을 부드럽게 만들면서 작아진 학습 신호를 원래 크기로 되돌리는 보정

③ 추론 증류: L_reasoning = 1 − cos(선생님 카드, 학생 번역본) - 코사인 유사도: 두 화살표가 같은 방향이면 1, 직각이면 0, 반대면 −1 - 1 − cos: 방향이 같으면 0(벌점 없음), 다를수록 벌점

전체 학습 설정

핵심 원리: 바늘을 "돌리기만" 하는 힘

학생 생각(128칸을 768칸으로 번역한 것)을 나침반 바늘 h라고 하면, 추론 숙제는 이 바늘을 선생님 방향 e 쪽으로 돌립니다. 이때 고치는 힘(그래디언트)의 모양이 중요합니다.

그래디언트란

"벌점을 줄이려면 숫자를 어느 방향으로 얼마나 고쳐야 하나"를 알려 주는 화살표입니다. 안개 낀 산에서 가장 가파른 내리막 방향을 가리키는 나침반과 같습니다.

수식을 그림으로 이해하기

∇_h L = −[ê − (ê·ĥ)ĥ] / ‖h‖

성질 ① 직교성: hᵀ∇L = 0

고치는 힘이 학생 바늘과 항상 직각입니다. 그래서 바늘을 늘이거나 줄이지 않고 돌리기만 합니다. 시계 바늘을 늘이지 않고 시각만 바꾸는 것과 같습니다. 바늘 길이(크기)에 담긴 호가창 정보는 건드리지 않습니다.

성질 ② 유계: ‖h‖ ≥ ε 이면 ‖∇L‖ ≤ 1/ε

바늘 길이가 어느 이상(ε)이면 고치는 힘의 크기에 상한이 있습니다. 핸들을 아무리 급하게 돌려도 일정 속도 이상은 안 돌아가는 안전장치입니다.

MSE(거리)를 썼다면?

MSE는 두 화살표 끝점 사이의 거리를 줄이려 합니다. 학생 번역본과 선생님 카드의 크기 차이가 크면, 그 차이만큼 고치는 힘이 커져 학습이 폭주할 수 있습니다. 코사인은 방향만 보므로 그런 폭주가 없습니다.

조건을 지키는 장치와 한계

• LayerNorm: 바늘 길이가 0 근처로 쪼그라들지 않게 함 (조건 ‖h‖ ≥ ε 유지)
• 전역 기울기 자르기 0.5: 세 숙제 전체의 힘을 0.5 이하로 제한
• 한계: 이것은 "도로가 정상이면 안전하다"는 조건부 성질입니다. 전체 학습이 반드시 잘 끝난다(수렴)는 보장은 아니라고 슬라이드가 정직하게 밝힙니다.

핵심 원리 ①: 시간 단위가 다른 둘을 맞추기

그래서 1시간 안에서 장면 10개를 고르게 뽑아 같은 교재를 붙입니다(브로드캐스트). 학생은 "이런 10초 장면들이 나오는 시간대에, 선생님은 이렇게 판단했다"를 배웁니다.

이 방식의 약점과 보완

1시간 안의 모든 10초 장면이 선생님 판단을 똑같이 반영하지는 않습니다(라벨 잡음). 그래서 세 가지로 보완했습니다. 1. 정답 하나가 아닌 확률표(소프트 타겟)로 가르침 2. 방향만 맞추는 코사인 손실 사용 3. 스스로 배우는 과제 손실 40%로 선생님에게만 기대지 않게 함

이 차이는 논문 한계 3번에 적혀 있고, 더 촘촘한 시간 맞추기는 후속 과제입니다.

핵심 원리 ②: 미래를 엿보지 않기 (시점 정합)

숫자로 보는 학습 규모

실전의 한 순간

새 호가창 정보 도착 → 최근 100틱 × 40 특징 정리 → 학생 1D-CNN → 5개 행동 확률 → 가장 큰 행동 → 목표 비중 주문. 여기까지 평균 12ms. 뉴스 AI도, 토론 AI도 부르지 않습니다.

데이터 하나씩 자세히

왜 이 27개월인가

이 기간은 아주 험한 시즌이었습니다. - 2021년 11월 비트코인 최고점 → 2022년 11월 최저점까지 시장은 −76.6% 하락 - 루나 붕괴, 미국 연준의 급격한 금리 인상, FTX 파산, SVB 사태가 모두 포함 - 시작(약 43,824달러)과 끝(42,284달러)이 비슷해, 그냥 들고만 있으면 −3.5%

즉 오르막·내리막·폭락이 모두 있는 종합 체력 시험장입니다.

USDT란

1달러 가치를 유지하도록 만든 코인(스테이블코인)입니다. BTC/USDT는 "비트코인을 달러 가격으로 사고파는 거래 쌍"이라고 이해하면 됩니다.

백테스트란

과거 자료로 "그때 이 전략을 썼다면 어땠을까"를 계산해 보는 실험입니다. 지난 경기 녹화본으로 하는 연습 시합입니다. 실제 돈으로 거래한 것은 아닙니다.

정직하게 밝힌 범위

축구 리그에서 우승했다고 야구 리그도 우승한다고 말하지 않는 것과 같습니다.

핵심 원리: 같은 학생을 "느슨한 시험"과 "엄격한 시험"으로 두 번 본다

워크포워드 9회차 전체

3회차 모델은 2022년 3월까지만 배웠기 때문에 루나 사태를 모르는 상태로 맞습니다. 그래서 위기 대응은 외운 답이 아니라 처음 보는 문제의 풀이입니다.

비유: 시험공부

• Phase 1: 1~10단원을 섞어 공부하고 같은 범위에서 출제 + 해설지가 섞인 자료로 공부 + 버스비는 늘 같다고 가정 → 점수가 부풀려짐
• Phase 2: 1~4단원 공부 → 처음 보는 5단원 시험, 2~5단원 공부 → 6단원 시험… + 그날까지의 신문만 + 폭우 날엔 택시 할증

남은 작은 틈 (심사 대비)

Trend-scanning은 각 시점의 정답을 앞으로 최대 5일 가격으로 정합니다. 그래서 공부 기간 마지막 며칠의 정답지가 시험 첫 며칠 가격을 살짝 참고했을 수 있습니다. 시험 볼 때는 정답지 없이 예측만 쓰므로 직접 커닝은 아니지만, 더 깨끗하게 하려면 경계 며칠을 잘라내고(Purging) 공부와 시험 사이에 간격을 두는(Embargo) 재검증이 후속 과제입니다.

핵심 원리: 위기일수록 거래 비용이 커진다

평소에는 원하는 가격에 쉽게 사고팔 수 있습니다. 하지만 위기에는 호가창이 얇아져서(줄 선 사람이 줄어서) 원하는 가격에 못 사고 더 비싸게 사거나 더 싸게 팔게 됩니다. 이 차이를 슬리피지라고 합니다. 빵을 사러 갔는데 그사이 가격표가 바뀌어 더 내는 돈입니다.

공식을 택시 요금으로

s_t = c_fee + κ·ν_t + η·(Q_t / Volume_t)

계산 예시 (시장 충격 항 제외)

사고 나서 파는 데까지(왕복)는 이 비용이 두 번 듭니다.

κ = 0.1은 어떻게 정했나

2022년 5월 루나 사태 때 편도 비용이 0.15% 이상이 되도록 맞췄습니다. 이것은 AI가 배우는 숫자가 아니라 시험 환경의 비용 가정이고, 모든 비교 선수에게 똑같이 적용됩니다. 비용을 일부러 넉넉하게 잡았으니, 위기 때 매매가 많은 선수에게 오히려 불리합니다.

시장 충격은 왜 작았나

시험 자본 100만 USDT는 비트코인 시간당 거래량에 비하면 작아서, 내 주문이 가격을 미는 효과(시장 충격)는 평균적으로 미미했습니다. 하지만 운용 규모가 커지면 이 효과가 커지므로, 규모별 검증은 후속 과제입니다.

비교 선수 네 명 자세히

MAML이란

MAML(Model-Agnostic Meta-Learning)은 "새 과목을 몇 문제만 보고도 빨리 익히는 공부법"을 미리 익혀 두는 방법입니다. 시장 분위기가 바뀌면 최근 자료로 조금 다시 학습해 적응합니다. 다만 위기가 닥쳤을 때 다시 학습하는 데 시간이 걸린다는 약점이 있습니다.

공정한 시합의 조건

• 모든 AI 선수: 같은 5가지 행동 (강한 매도 ~ 강한 매수)
• 같은 목표 비중 규칙 (−1, −0.5, 0, +0.5, +1)
• 같은 Phase 2 시험 규정 (워크포워드, 시점 정합 뉴스, 동적 비용)

달리기 시합에서 같은 트랙, 같은 출발선, 같은 신발 규정을 적용하는 것과 같습니다. 그래야 "이 선수가 더 빠르다"를 공정하게 말할 수 있습니다.

Sharpe 지수란

출렁임 1만큼에 얼마를 벌었나입니다. 높을수록 "안정적으로 잘 번다".

Sharpe = (평균 수익 − 무위험 수익) ÷ 수익의 출렁임 × √(1년의 시간 수)

• 비트코인은 24시간 365일 거래하므로 1년 = 24 × 365 = 8,760시간
• 비유: 자동차 연비. 기름(위험) 한 통으로 얼마나 멀리(수익) 갔나. 빨리 달려도 기름을 엄청 쓰면 연비가 나쁩니다.

그래프 읽기: 모두 떨어졌다

이 하락이 오히려 중요한 이유

• 느슨한 시험 방식(미래 정보 섞임, 고정 비용)이 성적을 두 배 가까이 부풀릴 수 있다는 것을 보여 줍니다. 다른 연구를 읽을 때도 주의해야 할 점입니다.
• 그래서 이 논문은 Phase 1의 1.89를 실력이라고 말하지 않습니다.
• 중요한 것은 모두 똑같이 엄격한 시험을 봤을 때도 제안 AI가 1등이라는 점입니다.

비유: 모의고사에서 모두 90점대였는데 실제 수능에서는 모두 40~50점대로 떨어졌습니다. 그래도 수능에서 1등이면 진짜 실력 1등입니다.

다섯 가지 성적 지표

숫자 직접 따져 보기

• CAGR 검산: 27개월에 25.4% → 1.254^(12/27) − 1 ≈ 10.6% (논문 값과 일치)
• MDD를 돈으로: 1만 원으로 시작했다면 시장은 최악일 때 2,340원까지, 제안 AI는 7,600원까지만 줄었다는 뜻
• 회복의 어려움: 76.6% 잃으면 원래대로 돌아가려면 약 327%를 벌어야 하지만, 24% 잃으면 약 32%만 벌면 됨

왜 Sortino 2.08이 특히 중요한가

Sharpe(0.92)보다 Sortino(2.08)가 훨씬 높다는 것은, 출렁임 중 손해 쪽 출렁임이 작았다는 뜻입니다. 즉 오를 때는 함께 오르되 떨어질 때 덜 떨어졌습니다. 이 논문이 처음부터 목표로 한 "크게 잃지 않기"와 정확히 맞는 결과입니다.

모든 지표에서 1등

그래프 읽는 법

막대는 최대낙폭의 크기입니다. 짧을수록 좋습니다.

24.7%p 축소의 뜻

48.7 − 24.0 = 24.7%p입니다. %p(퍼센트포인트)는 "% 숫자끼리의 차이"입니다. 정적 앙상블보다 상처의 깊이가 절반 이하라는 뜻입니다.

왜 MDD가 그렇게 중요한가: 회복의 비대칭

계단 아래로 떨어지기는 쉽지만 다시 올라가기는 몇 배 힘듭니다. 그래서 덜 떨어지는 것이 곧 실력입니다.

주의할 점

이 숫자는 27개월 전체에서 가장 크게 잃은 한 구간의 값입니다. 특정 사건(예: FTX) 하나의 손익과는 다른 숫자입니다. 시즌 최대 부상과 특정 경기 성적이 다른 것과 같습니다. 모든 모델의 최대낙폭은 2022년 하락 국면에서 생겼습니다.

핵심 원리: "운이 아닐 확률"을 계산한다

1등을 했어도 "찍어서 맞힌 것 아냐?"라는 의심이 들 수 있습니다. 통계 검정은 "실력 차이가 없다고 가정하면, 이런 1등이 우연히 나올 확률이 얼마나 되나"를 계산합니다. 그 확률이 아주 작으면 "우연이 아니다"라고 판정합니다.

귀무가설과 유의수준

부트스트랩: 가상 리그 5,000번

가진 기록을 다시 뽑아 가상의 성적표를 5,000장 만들어 봅니다. - 24봉(하루) 덩어리로 뽑음: 금융 수익률은 어제와 오늘이 이어지는 성질(자기상관)이 있어서, 한 시간씩 따로 섞으면 그 흐름이 깨짐. 문장을 단어 단위가 아니라 한 줄씩 통째로 섞는 것과 같음 - 순환: 끝과 처음을 이어 붙여 원처럼 뽑음. 끝부분도 공평하게 뽑히게

왜 Ledoit–Wolf 방법인가

금융 수익률은 조용한 날과 폭풍 치는 날이 섞여 있어(이분산) 보통 통계 방법을 쓰면 판정이 틀릴 수 있습니다. Ledoit–Wolf 방법은 이런 특이한 성질에도 견디도록(robust) 만든 Sharpe 비교 전용 심판입니다.

결과와 추가 확인

• 네 상대 모두에게 유의수준 0.01에서 기각 → 네 번 모두 운이 아님
• 네 번 비교했으니 더 엄격하게 보정(본페로니: 0.01 × 4 = 0.04)해도 0.05보다 작아 여전히 유의
• 단, 이 판정은 Sharpe에 대해서만 했습니다. MDD는 분포를 모르기 때문에 숫자만 보고합니다.

핵심 원리: 부품을 하나씩 빼 보면 무엇이 중요한지 안다

자전거에서 부품을 하나씩 빼고 달려 보면 어느 부품이 중요한지 알 수 있습니다. 이것이 소거 연구(Ablation)입니다.

감소율 계산 예: (0.92 − 0.71) ÷ 0.92 = 22.8%

가장 중요한 연결: 진단과 실험이 같은 곳을 가리킨다

D(브레이크 없는 자전거)는 바로 13쪽에서 SHAP으로 "차트만 본다"고 진단한 연구 1 모델입니다. - 진단: 위기 때 차트 94.25% 의존 - 실험: 이 모델은 Sharpe 0.71로 가장 낮음 - 처방: 토론과 증류를 붙이자 0.92로 회복

정직하게 구분한 점

D는 토론과 추론 증류를 한꺼번에 뺀 것입니다. 그래서 "이유 맞추기 숙제 하나만의 효과"는 D로 알 수 없습니다. 그 효과는 다음 장의 λ₃ 민감도(0 → 0.2로 올렸을 때 오른 만큼)로 따로 봅니다.

연구 1의 정직한 자리매김

연구 1만으로는 정적 앙상블(0.76)보다 낮았습니다(0.71). 즉 계절별 선수단만으로는 부족했고, 이유를 배운 뒤에야 하방 방어가 생겼다는 것이 이 표가 말하는 결론입니다.

핵심 원리: 설정값을 바꿔 보며 "딱 좋은 간"을 찾는다

요리할 때 소금을 0, 1, 2, 3스푼 넣어 보며 맛을 비교하듯, 설정값을 바꿔 가며 성적을 봅니다. 이것이 민감도 분석입니다.

① 이유 맞추기 비중 λ₃

비유: 선생님 말투만 따라 하다 자기 손기술을 잊은 피아노 학생입니다.

그리드 서치로 고른 방법

λ₁, λ₂는 {0.2, 0.3, 0.4, 0.5, 0.6}, λ₃는 {0, 0.1, 0.2, 0.3, 0.4, 0.5} 중 합이 1인 조합을 모두 검증 구간에서 비교했습니다. 바둑판의 칸을 하나씩 다 맛보는 방식입니다. 결과: (0.4, 0.4, 0.2)

② 앙상블 온도 T

③ 증류 온도 τ = 2

선생님 확률표를 얼마나 부드럽게 퍼뜨릴지 정합니다. τ=1이면 정답 칸 79%, τ=2이면 57%로 이웃 보기에도 부분 점수를 넉넉히 줍니다(19쪽 참고).

왜 그래프 모양이 중요한가

성적이 특정 값 하나에서만 뾰족하게 좋다면 운일 수 있습니다. λ₃가 0.2 부근에서 완만하게 좋고 멀어질수록 서서히 나빠지는 모양이라, 우연히 고른 값이 아니라는 근거가 됩니다.

핵심 원리: 같은 판단을 290배 빠르게

3,500 ÷ 12 ≈ 292, 그래서 약 290배입니다.

공정한 측정 조건

"1시간봉 전략인데 3.5초가 왜 문제인가?"에 대한 답

좋은 질문이고, 논문 한계 3번에도 적혀 있습니다. 세 가지 이유가 있습니다. 1. 위기 때 몇 초 사이에 가격이 미끄러집니다. 시장 충격 시뮬레이션에서 변동성 장세에 회당 평균 −0.15%의 추가 손해가 쌓였습니다. 2. 학생은 봉 마감을 기다리지 않고 새 틱마다 판단할 수 있어 대응 시점을 앞당길 수 있습니다. 3. 큰 AI를 매매 서버에 상시 켜 둘 필요가 없어 비용과 고장 위험이 줄어듭니다.

정직하게 구분한 점

성적(Sharpe 등)은 1시간 단위 전략으로 매긴 것이고, 12ms는 그 판단을 얼마나 빨리 실행할 수 있나를 잰 것입니다. "초고속 매매로 돈을 번다"는 주장은 아닙니다. 또 평균만 쟀고, 가장 느린 1%의 속도(P99)는 실거래 단계에서 잴 항목입니다.

핵심 원리: t-SNE는 "취향 비슷한 친구끼리 운동장에 세우기"

학생 AI는 매 순간 시장을 128개 숫자로 요약합니다. 128차원은 그림으로 볼 수 없으니, 가까운 점끼리는 가깝게 유지하며 2차원 종이에 옮겨 그립니다.

비유: 반 학생 30명이 128문항 취향 설문에 답했습니다. 답안지만 봐서는 누가 비슷한지 모르니, "취향 비슷한 친구끼리 모여 서 보세요"라고 하면 축구 무리, 그림 무리, 게임 무리가 자연스럽게 보입니다.

이름 풀이: t-distributed Stochastic Neighbor Embedding

작동 3단계

1. 128차원에서 각 점의 "친구 확률" 계산
2. 2차원 종이에 점을 아무렇게나 뿌림
3. 원래 친했던 점은 당기고 아니었던 점은 밀어, 종이 위 관계가 원래와 비슷해질 때까지 반복

그림에서 본 것

• 점 하나 = 테스트 기간의 1시간
• 색 = 시점 (2021년 4분기 ~ 2023년 4분기)
• 표식 = 위기 사건 (루나 붕괴, 연준 자이언트 스텝, FTX 파산)
• 발견: "이건 위기야"라고 가르친 적이 없는데, 6개월 떨어진 루나와 FTX 순간들이 일부 한 영역에 모였습니다. 다른 반 학생 둘이 시키지 않았는데 같은 무리에 선 것과 같습니다.

믿어도 되는 것과 안 되는 것

설정값(perplexity)이나 시작 위치에 따라 그림 모양이 달라질 수 있어서, 이 그림은 증거가 아니라 힌트입니다. 정량 증거는 소거 연구와 통계 검정이고, 군집 정도를 숫자로 재는 것(실루엣 점수 등)은 보완 과제입니다.

네 질문의 답을 한 번에

핵심 기여 한 문장 풀어 보기

"입력과 시간 척도가 다른 교사·학생을 연결한 추론 증류가 통합 설계의 중심입니다."

비유: 1년 계획을 세우는 감독의 지혜를 0.4초 안에 치는 타자의 감각으로 옮긴 방법을 만든 것입니다.

세 연구의 연결 다시 보기

연구 1 (계절별 선수단) → 약점: 차트만 봄 → 연구 2 (증거 법정) → 약점: 너무 느림 → 연구 3 (속기 제자) → 결과: 빠르면서도 위기에 조심스러운 AI

한계 다섯 가지와 해결 계획

어려운 단어

왜 "새 기술보다 넓은 시험"이 먼저인가

집을 고칠 때 먼저 지금 집이 튼튼한지 정밀 검사를 하고, 그다음에 창문을 바꿉니다. 마찬가지로 지금 결과가 다른 시장, 다른 시기에도 통하는지 먼저 확인하고, Mamba·MCTS·FiLM 같은 새 구조는 그다음에 붙입니다. 이 새 구조들은 아직 실험하지 않은 계획이라는 점도 분명히 밝혔습니다.

이 장이 주는 신뢰

좋은 과학자는 "여기까지는 확인했고, 여기부터는 아직"을 정확히 말합니다. 일기예보관이 "내일 반드시 비"가 아니라 "비 올 확률 70%"라고 말하는 것과 같습니다.

부제가 곧 논문 전체의 요약

시장 적응, 근거 중심 판단, 저지연 실행의 연결

질의응답 30분을 잘 보내는 답변 공식

질문 하나에 1분을 넘기지 않으면 30분에 15~20개 질문을 소화할 수 있습니다.

보충자료 B1~B8을 언제 꺼내나

마음가짐

질의응답은 공격이 아니라 "이 연구를 더 정확히 이해하려는 확인"입니다. 모르는 것은 "직접 측정하지 않았습니다, 보완하겠습니다"라고 말하면 됩니다. 숫자를 추측해서 말하지 않는 것이 가장 중요합니다.

핵심 원리: 행동은 "방향"이 아니라 "목표 비중"이다

보통 "사다/팔다"만 생각하지만, 이 AI의 행동은 "가진 돈 중 얼마를 어느 방향으로 걸어 둘지"입니다. 그래서 같은 "사자"라도 절반만 살지 전부 살지가 다른 행동입니다.

공매도와 선물이란

"목표 비중"이니까 생기는 일

지금 +0.5(절반 매수)인데 AI가 −0.5(절반 공매도)를 고르면, 실제로는 가진 비트코인을 팔고 공매도까지 해야 합니다. 비중 변화가 클수록 거래량이 커지고 비용도 커집니다. 그래서 횡보장 선수에게 "비중을 자주 바꾸면 감점" 규칙을 준 것입니다(11쪽).

왜 레버리지는 없나

비중은 −1에서 +1 사이로 제한됩니다. 빌린 돈으로 2배, 3배 거는 레버리지는 쓰지 않습니다. 그래서 강제 청산 위험이 작습니다. 다만 선물 공매도를 오래 유지할 때 드는 펀딩비는 비용 모형에 넣지 않았으므로 실거래 단계에서 확인할 항목입니다.

핵심 원리 ①: PPO는 "조금씩만 고치기"

강화학습 AI는 점수가 오른 행동을 더 자주 하도록 고칩니다. 그런데 한 번 잘됐다고 확 바꾸면, 그게 운이었을 때 크게 망합니다. PPO는 한 번에 바꿀 수 있는 폭을 ±20%로 제한합니다.

수식 하나씩

예시

어떤 행동이 평소보다 좋았는데(Â > 0), 새 정책이 그 행동 확률을 1.5배로 올리려 하면 → 1.2배까지만 인정. 운 좋은 한 번에 과하게 흥분하지 않게 막는 것입니다.

핵심 원리 ②: 우선순위 샘플링 = 오답 노트

경계 조건: 왜 "최신 롤아웃 내부에서만"인가

PPO는 "지금의 나"가 모은 경험으로만 배워야 하는 방법(온-폴리시)입니다. 보통의 PER은 오래된 경험 창고를 다시 쓰는데, 그러면 이 규칙이 깨집니다. 그래서 이 논문은 이번에 막 모은 경험 안에서만 복습 순서를 바꿉니다. 이번 주 연습 영상 안에서만 오답 장면을 더 자주 돌려 보는 것입니다.

TRPO와 PPO의 차이 (슬라이드 마지막 문장)

슬라이드는 이 둘을 섞어 말하지 않겠다는 정직한 구분입니다.

핵심 원리 ①: 엔트로피 = "모르는 정도"

전이엔트로피 공식 풀기

TE(X→Y) = H(Y | Y_past) − H(Y | Y_past, X_past)

그림의 "Time Series X(금리) → Y(주가)"는 금리의 과거 움직임이 주가의 미래를 알려 주는 정보 흐름을 뜻합니다. 윗마을 강물이 아랫마을로 흘러가는 것과 같습니다. Granger와 달리 곡선 관계(비선형)도 잡습니다.

핵심 원리 ②: 하이퍼그래프 위를 걸어 다니기

P = D_v⁻¹ H W D_e⁻¹ Hᵀ

정상 분포 π(v) ∝ d(v)

오래 걸어 다니면, 각 자산에 머무는 비율이 그 자산의 연결 정도(d)에 비례합니다. 동아리를 많이 든 학생에게 소문이 더 자주 도착합니다. 시장에서는 많은 관계에 얽힌 자산(예: 금리)이 충격이 자주 지나가는 교차로가 됩니다.

조건은 두 가지입니다. - 연결성: 모든 자산이 길로 이어져 있음 (운동장이 끊기지 않음) - 비주기성: 같은 경로만 규칙적으로 빙빙 돌지 않음

정직한 선 긋기

이 명제는 "이런 규칙으로 걷는다고 가정하면" 성립하는 수학적 성질입니다. 실제 경제에서 무엇이 원인이고 무엇이 결과인지를 증명한 것은 아닙니다. 심사에서 "인과"를 물으면 이 장을 띄우고 이렇게 답합니다.

핵심 원리: 128차원이 두 번 나오지만 전혀 다른 것

발표에서 "128차원"이 연구 1과 연구 3에 모두 나와서 헷갈릴 수 있습니다. 보고서 칸 수가 같을 뿐, 쓰는 사람도, 보는 것도, 일하는 곳도 다릅니다.

2D와 1D의 차이

GAP와 FC

왜 이 비교가 필요한가

심사위원이 "차트를 보는 AI가 실전에도 들어가나요?"라고 물을 수 있습니다. 답은 "아니요, 실전에는 호가창만 보는 학생만 들어갑니다"입니다. 차트 그림 AI는 선생님 쪽에서만 일하고, 실전 경기장에는 들고 가지 않습니다.

핵심 원리: 과학은 "누가 해도 같은 결과"여야 믿을 수 있다

이 장은 요리책 맨 뒤의 정확한 계량표입니다. 다른 연구자가 똑같이 따라 해서 같은 결과를 얻을 수 있어야 연구를 믿을 수 있습니다. 이것을 재현성이라고 합니다.

설정값 하나씩

4-bit 양자화란

AI 안의 숫자를 원래보다 훨씬 적은 칸(4비트)으로 줄여 저장해 메모리를 아끼는 방법입니다. 사진을 압축하면 용량이 확 줄지만 눈으로 보기엔 거의 같은 것과 같습니다.

슬라이드 마지막 문장의 뜻

"본문과 부록의 설정값을 구분해 기록하고, 재현 시 실행 설정 파일과 대조합니다." → 레시피 책에 적힌 값과 실제 주방에서 쓴 값이 같은지 한 줄씩 맞춰 보겠다는 약속입니다.

Phase 1 성적표 전체

Phase 1과 Phase 2를 나란히 보면

느슨한 시험에서 수익률이 약 3.5~4.7배, Sharpe가 약 2배 부풀려졌습니다.

왜 이렇게 부풀었나

이 표를 어떻게 말해야 하나

"Phase 1에서도 제안 모델이 1등이지만, 이는 선행 연구와 같은 조건에서 비교하기 위한 참고용 상한입니다. 핵심 결론은 Phase 2에 근거합니다." Buy & Hold는 사고팔지 않으므로 두 Phase에서 숫자가 같습니다.

핵심 원리: 증명한 것과 아직 증명하지 않은 것을 나눠 말한다

과학 발표에서 가장 믿음을 주는 태도는 "여기까지는 확인했고, 여기부터는 아직"을 스스로 말하는 것입니다. 일기예보관이 "내일 반드시 비"가 아니라 "비 올 확률 70%"라고 말하는 것과 같습니다.

다섯 주제의 경계표 자세히

세 종류의 근거를 섞지 않기

슬라이드 마지막 문장 "보고 결과, 수학적 조건, 정성적 해석을 분리해 연구 기여를 설명합니다"가 바로 이 표의 뜻입니다.

질의응답에서 쓰는 법

심사위원이 "그건 증명한 건가요?"라고 물으면 이 장을 띄우고, 해당 줄을 가리키며 "이 칸까지는 확인했고, 이 칸은 후속 과제입니다"라고 답하면 됩니다.

P99와 HFT

다섯 단계의 순서에는 이유가 있다

집을 고칠 때 먼저 정밀 검사를 하고, 그다음 창문을 바꾸고, 구조를 보강하고, 자동 조절 장치를 달고, 마지막으로 이삿짐이 많을 때도 버티는지 확인합니다. 후속 연구도 같은 순서입니다.

새 기술 세 가지 쉬운 설명

왜 새 기술보다 "평가 확장"이 1순위인가

지금 결과가 다른 시장, 다른 시기에도 통하는지 모르는 상태에서 새 기술을 붙이면, 나중에 무엇 덕분에 좋아졌는지 알 수 없습니다. 바닥이 튼튼한지 모르는 집에 2층을 올리지 않는 것과 같습니다.

전략 수용 용량이란

이 전략에 넣는 돈이 커지면 내 주문이 가격을 밀어 성과가 떨어집니다. "이 버스에 몇 명까지 탈 수 있나"를 재는 것입니다.

정직하게 밝힌 점

Mamba·MCTS·FiLM과 부록 D의 예시 코드는 아직 실험하지 않은 계획이며, 이번 논문 성과에는 포함되지 않습니다. 설계도 스케치이지 완성된 건물이 아닙니다.