Documentation & XAI Gallery

Chrono-Trader v2.1 아키텍처 백서 및 분석 갤러리

DOC_ID: XT-2026-v2

목차 (Contents)

핵심 철학

"시장은 두 가지 상태로 존재한다:
장기적 '추세'와 일시적 '충격'이다."
- Dual-Regime Hypothesis

1. 요약: 이중 체제 가설 (Dual-Regime)

금융 시장은 거시적인 경제 흐름에 따른 장기 추세(Secular Trends)와, 뉴스나 수급 불균형으로 인한 일시적 충격(Transient Shocks)이 혼재되어 있습니다. 기존의 LSTM 단일 모델은 이 두 가지 신호를 구분하지 못하고 뭉뚱그려 학습하는 경향이 있어, 급격한 변동성 장세에서 대응력이 떨어집니다.

Chrono-Trader v2는 이를 해결하기 위해 하이브리드 게이트 아키텍처(Hybrid Gated Architecture)를 도입했습니다. 단일 인코더 대신, Transformer(전역 문맥)와 1D CNN(국소 패턴)이라는 두 개의 뇌를 병렬로 가동하여 시장의 현재 상태를 입체적으로 분석합니다.

2. 방법론: 아키텍처 토폴로지

Hybrid-GAN Fusion

경로 A: Transformer (추세) Multi-head Self Attention을 사용하여 168시간(1주일) 동안의 거시적인 가격 흐름과 상관관계를 파악합니다.
경로 B: Dilated TCN (패턴) 확장된 인과 콘볼루션(Dilated Causal Conv)을 통해 급등락, 캔들 패턴, 거래량 스파이크 등 국소적인 특징을 포착합니다.

3. 수학적 배경

두 경로의 정보는 학습 가능한 게이트 유닛(Gate Unit) \( \alpha \)에 의해 융합됩니다. 최종 잠재 벡터 \( z_{fused} \)는 다음과 같이 계산됩니다:

\[ z_{fused} = \sigma(\alpha \cdot z_{trans} + (1-\alpha) \cdot z_{cnn}) \]

여기서 \( \alpha \)가 1에 가까우면 Transformer(추세)를, 0에 가까우면 CNN(패턴)을 더 신뢰합니다. 생성자 \( G \)는 이 벡터를 바탕으로 미래 가격 시퀀스 \( \hat{y} \)를 생성하며, 판별자 \( D \)와의 적대적 학습(Adversarial Training)을 통해 정교해집니다:

\[ \min_G \max_D V(D, G) = \mathbb{E}_{x \sim p_{data}(x)}[\log D(x)] + \mathbb{E}_{z \sim p_{z}(z)}[\log(1 - D(G(z)))] \]

4. XAI 분석 갤러리 (Explainable AI)

모델이 "왜" 그런 판단을 내렸는지 시각화한 결과물입니다. 이 차트들은 검증(Validation) 단계에서 실제 데이터를 바탕으로 자동 생성됩니다.

학습 기간 동안의 Gate Value 분포 그래프. 0과 1 양극단에 데이터가 집중되어 모드 스위칭이 확실함을 보여줍니다.

Figure 1. 게이트 값 분포 (Gate Distribution) Decision

학습 기간 동안 \( \alpha \) 값의 분포입니다. 양극단(0과 1)에 데이터가 몰려있다면, 모델이 상황에 따라 추세/패턴 모드를 확실하게 스위칭하고 있다는 증거입니다.

시간 흐름에 따른 Gate Value 변화 그래프. 급락장에서 값이 낮아지며 변동성에 반응하는 모습을 보여줍니다.

Figure 2. 시계열 모드 전환 (Time-series Switch) Dynamics

시간 흐름에 따른 \( \alpha \) 값의 변화입니다. 급락장이 올 때 \( \alpha \)가 급격히 낮아진다면(CNN 모드), 모델이 변동성에 즉각 반응하고 있음을 의미합니다.

시장 상황별(상승, 하락, 횡보) 모델 성능 비교 그래프. 각 장세에서의 예측 오차(Loss)를 나타냅니다.

Figure 3. 시장 상황별 성능 (Regime Performance) Validation

상승장(Bull), 하락장(Bear), 횡보장(Sideways) 각각에서의 예측 오차(Loss)를 비교합니다. 특정 장세에 편향되지 않고 고른 성능을 보이는지 검증합니다.