적응적 세분도 신경망 HMM: 고빈도 주문흐름의 다중 해상도 레짐 감지
2026-03-28

적응적 세분도 신경망 HMM: 고빈도 주문흐름의 다중 해상도 레짐 감지

서론: 시장 상황에 따라 다른 시간 해상도가 필요하다

고빈도 오더북(LOB) 데이터를 모델링할 때 고정 시간 해상도의 근본 문제가 있다. 변동성이 높을 때는 틱 수준 피처가 지배적이고, 평온한 시기에는 분 수준 유동성 추세가 중요하다. 고정 해상도 모델은 한 상황에 최적화하면 다른 상황에서 성능이 떨어진다.

arXiv:2603.20456에 발표된 Neural HMM with Adaptive Granularity Attention은 이 문제를 실시간 게이팅 메커니즘으로 해결한다: 현재 시장 조건에 따라 두 해상도 사이를 동적으로 보간한다.

본론: 적응적 세분도 게이팅 아키텍처

핵심 게이트 수식

σ_t = 롤링 표준편차 (현재 변동성)
λ_t = 주문 도착률 (현재 주문 흐름 강도)

g_t = sigmoid(W_g · [σ_t; λ_t] + b_g)   (게이트, 0~1 범위)

z_t = g_t ⊙ h_fine + (1 − g_t) ⊙ h_coarse
  • h_fine: 확장 인과 합성곱(dilation 1, 2, 4, …)으로 추출한 틱 수준 패턴
  • h_coarse: LSTM + 학습 가능 웨이블릿 기저로 추출한 분 수준 유동성 추세

수동 규칙 전환 없음. 게이트가 미분 가능하므로 엔드투엔드 학습이 가능하다.

확장 인과 합성곱 (Fine 경로)

팽창률: 1, 2, 4, 8, 16, ...
유효 수용야: 2^n 틱

파라미터를 선형 증가시키면서 수용야를 지수적으로 확장한다. WaveNet에서 영감받은 이 구조는 전체 시퀀스 어텐션 없이 멀티 스케일 틱 패턴을 효율적으로 포착한다.

웨이블릿 + LSTM (Coarse 경로)

h_coarse = LSTM(DWT_ψ(x_{t-w:t}), h_{t-1})
# DWT_ψ: 학습 가능한 1D 합성곱 웨이블릿 기저
# 특정 상품의 스펙트럼 지문에 적응

학습 가능한 웨이블릿 기저가 해당 상품의 시간-주파수 특성에 맞게 적응하고, LSTM이 거친 유동성 추세의 경로 의존성을 포착한다.

정규화 흐름 방출 (Heavy-Tail 처리)

일반 가우시안 방출 대신 조건부 정규화 흐름:

p(x_t | z_t, c_t) = p_u(f_θ⁻¹(x_t)) · |det ∂f_θ⁻¹/∂x_t|
x_t = f_θ(u; z_t, c_t),  u ~ N(0,I)

이산 잠재 상태(= 레짐 레이블)의 해석 가능성을 유지하면서 두꺼운 꼬리 주문흐름 분포를 정확히 모델링한다.

실증 결과

고정 해상도 기준선 대비:

  • 중간가격 예측: 전체 기간에서 유의미한 성능 개선
  • 유동성 충격 감지: 특히 변동성 레짐 전환 기간에서 크게 앞섬
  • 평온한 기간에서는 차이가 작음 — 이것이 올바른 패턴이다

크립토 적용 시 핵심 수정사항

# 크립토용 σ_t 계산 (5분 롤링 창)
sigma_t = returns[-300:].std()  # 5분 × 1초 = 300포인트

# λ_t: 주문+청산 도착률
lambda_t = (order_count + liquidation_count) / delta_t

# 고 σ_t + 고 λ_t → 틱 피처 우선
# 저 σ_t + 저 λ_t → 분 수준 펀딩/미결제약정 추세 우선

결론: 동적 해상도 혼합의 실용적 가치

이 연구가 보여주는 핵심:

  1. 시장 조건에 따라 적절한 시간 해상도가 달라진다. 고정 해상도는 구조적 타협이다.
  2. 게이팅 메커니즘은 단순하고 미분 가능하다. σ_t와 λ_t 두 신호만으로 구성되며 엔드투엔드 학습이 가능하다.
  3. 해석 가능한 이산 레짐 레이블을 유지한다. “신경망은 블랙박스” 비판을 HMM 구조로 완화한다.

주의: 이 연구는 주식 LOB 데이터에서 검증됐다. 크립토에는 σ_t/λ_t 창 크기의 재보정이 필요하다. 주식과 크립토의 레짐 지속 시간이 체계적으로 다르므로 직접 이식은 금물이다.

독립적 피처 가중치 레이어로 먼저 시범 적용하는 것을 권장한다: 고 σ_t + 고 λ_t → 고빈도 OFI/청산 피처 상향 가중, 저 σ_t + 저 λ_t → 펀딩/미결제약정 추세 상향 가중.

📚 출처 및 참고자료

이 분석은 교육·리서치 목적입니다. 투자 조언이 아닙니다.

← BACK TO BLOG