ReLaMix: 잔여 지연 인지 혼합을 통한 지연에 강건한 금융 시계열 예측

ReLaMix: Residual Latency-Aware Mixing for Delay-Robust Financial Time-Series Forecasting

실제 고빈도 시장에서의 금융 시계열 예측은 비동기 데이터 획득 및 전송 지연으로 인해 발생하는 지연되거나 오래된 관측값 때문에 종종 어려움을 겪습니다. 이러한 실제 조건을 보다 잘 반영하기 위해, 우리는 시뮬레이션된 지연 환경을 조사합니다. 이 환경에서는 과거 신호의 일부가 제로 오더 홀드(ZOH) 메커니즘에 의해 왜곡되어, 계단식 정체 현상으로 인해 예측의 난이도가 크게 증가합니다. 본 논문에서는 TimeMixer를 확장한 경량 모델인 ReLaMix(Residual Latency-Aware Mixing Network)를 제안합니다. ReLaMix는 학습 가능한 병목 현상 압축과 잔여 보정을 통합하여 지연된 관측 환경에서 강력한 신호 복구를 가능하게 합니다. ReLaMix는 반복되는 오래된 값에서 발생하는 중복성을 명시적으로 억제하면서, 잔여 혼합 향상을 통해 유용한 시장 역학을 보존합니다. 대규모의 초 단위 해상도를 가진 PAXGUSDT 벤치마크에 대한 실험 결과, ReLaMix는 다양한 지연 비율과 예측 시점에서 최고 수준의 정확도를 지속적으로 달성하며, 강력한 혼합 모델 및 Transformer 기반 모델보다 훨씬 적은 파라미터로 우수한 성능을 보였습니다. 또한, BTCUSDT에 대한 추가적인 평가를 통해 제안된 프레임워크의 교차 자산 일반화 능력을 확인했습니다. 이러한 결과는 현실적인 지연으로 인한 데이터 손실 환경에서 고빈도 금융 예측에 잔여 병목 혼합이 효과적임을 보여줍니다.

Financial time-series forecasting in real-world high-frequency markets is often hindered by delayed or partially stale observations caused by asynchronous data acquisition and transmission latency. To better reflect such practical conditions, we investigate a simulated delay setting where a portion of historical signals is corrupted by a Zero-Order Hold (ZOH) mechanism, significantly increasing forecasting difficulty through stepwise stagnation artifacts. In this paper, we propose ReLaMix (Residual Latency-Aware Mixing Network), a lightweight extension of TimeMixer that integrates learnable bottleneck compression with residual refinement for robust signal recovery under delayed observations. ReLaMix explicitly suppresses redundancy from repeated stale values while preserving informative market dynamics via residual mixing enhancement. Experiments on a large-scale second-resolution PAXGUSDT benchmark demonstrate that ReLaMix consistently achieves state-of-the-art accuracy across multiple delay ratios and prediction horizons, outperforming strong mixer and Transformer baselines with substantially fewer parameters. Moreover, additional evaluations on BTCUSDT confirm the cross-asset generalization ability of the proposed framework. These results highlight the effectiveness of residual bottleneck mixing for high-frequency financial forecasting under realistic latency-induced staleness.