iVDFM: 식별 가능한 동적 인수 모델로 레짐 인식 잠재 표현 학습
2026-03-28

iVDFM: 식별 가능한 동적 인수 모델로 레짐 인식 잠재 표현 학습

서론: 동적 인수 모델의 근본 문제 — 회전 모호성

PCA 기반 동적 인수 모델(DFM)의 고전적 문제가 있다: 복원된 인수 f_t는 직교 회전 Q까지만 식별 가능하다. 즉, f̃_t = Q·f_t도 동일한 우도를 갖는다.

이것이 왜 문제인가? 인수에 의미 있는 레이블을 붙일 수 없다. 서로 다른 시기의 인수 로딩을 비교할 수 없다. 인과 분석이 불가능하다. 딥러닝 기반 동적 모델(Deep Kalman, iTransformer, S4, Mamba)도 동일한 문제를 갖는다.

arXiv:2603.22886(ICLR 2026 FINAI 워크샵)의 **iVDFM(identifiable Variational Dynamic Factor Model)**은 혁신 과정 수준의 조건화로 이 모호성을 깨는 방법을 제시한다.

본론: iVDFM의 세 가지 핵심 메커니즘

1. 혁신 수준 조건화 (핵심 아이디어)

기존 접근법은 잠재 상태 f_t를 직접 조건화한다. iVDFM은 혁신 과정 η_t — 불확실성의 원천 — 에 iVAE 스타일 조건화를 적용한다.

조건화 변수:

  • 관측된 보조 변수 u_t (예: 시간 인덱스, 변동성 분위수, 레짐 레이블)
  • 학습 가능한 레짐 임베딩 e_t
혁신 사전:
p(η_t | u_t, e_t) = ∏_i h_i(η_{i,t}) exp(T_i(η_{i,t})ᵀ λ_i(u_t, e_t) − A_i(...))

식별 보장: 인수들이 임의 회전이 아닌 순열 및 성분별 아핀 변환까지만 식별 가능하다. 공식 증명은 Appendix A.2에 있다.

필수 조건:

  • 비가우시안 혁신 (라플라스 작동; 가우시안은 식별 실패)
  • 자연 파라미터 λ(u, e)가 ≥ r+1개의 서로 다른 (u, e) 값에 걸쳐 풀 랭크 부분공간 스팬

2. 대각 선형 동역학 + 레짐 인식 혼합

f_{t+1} = Ā_t f_t + B̄_t η_t  (대각 행렬)

레짐 혼합:
Ā_t = Σ_k π_{t,k} A_k
B̄_t = Σ_k π_{t,k} B_k
π_t = softmax(RegimeNet(u_t))
e_t = Σ_k π_{t,k} e_k  [미분 가능성 보존]

대각 구조가 인수 간 회전 재도입을 막는다. 레짐 가중치 π_t는 관측 변수 u_t의 결정론적 함수라 미분 가능하다.

3. 충격 반응 함수 (인과 해석)

AR(p) companion form:
f_t = Σ_{j=0}^{t-1} H_j η_{t-1-j}

잠재 인수가 식별 가능하면 “만약 매크로 인수 2(금리 충격)가 +2σ라면 BTC 변동성 인수 로딩은?” 같은 반사실적 질문이 가능해진다. 이것이 PCA 기반 DFM에서는 불가능한 진짜 인과 추론이다.

합성 SCM 벤치마크 결과

iVDFM은 인과 개입 정확도에서 PCA나 일반 딥 DFM 대비 안정적으로 우수하다. 실세계 예측 벤치마크에서도 식별 제약에도 불구하고 경쟁적 성능을 보인다.

결론: 인과 해석 가능한 레짐 분석의 토대

iVDFM이 제공하는 새로운 가능성:

  1. 인수에 의미 있는 레이블을 붙일 수 있다. “인수 1 = 시스템 위험 요인, 인수 2 = 매크로 요인”처럼 식별된 인수를 알려진 레짐 레이블로 검증할 수 있다.

  2. 시기 간 비교가 가능해진다. 2024년 Q1 강세장 vs 2024년 Q4 조정의 인수 로딩을 의미 있게 비교할 수 있다.

  3. 반사실적 시나리오 분석이 가능하다. “금리가 +100bp였다면?” 같은 인과 질문에 답할 수 있다.

주의할 점:

  • 가우시안 혁신을 사용하면 식별이 실패한다. 반드시 비가우시안(라플라스 등) 사용.
  • 크립토 데이터에서는 미검증 상태다. 실전 배포 전 적어도 2개 이상의 서로 다른 시장 레짐에서 교정 검증 필요.
  • 대각 동역학은 크로스 인수 결합을 놓친다. BTC-ETH 상관관계는 디코더 g(·)가 흡수해야 한다.

📚 출처 및 참고자료

이 분석은 교육·리서치 목적입니다. 투자 조언이 아닙니다.

← BACK TO BLOG