RAVEN: 금융 시계열 예측을 위한 체제 인지 변동 컨텍스트 전문가 네트워크

RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting

금융 시계열 예측은 표준 벤치마크에서는 나타나지 않는 고유한 구조적 문제를 가지고 있습니다. 로그 수익률은 비정상성을 보이며, 매우 낮은 신호-잡음(SNR) 비율을 나타내며, 체제 의존적인 시간적 종속성에 영향을 받습니다. 본 연구는 금융 환경에서 최첨단 시계열 모델의 주요 한계를 지적합니다. 고정된 컨텍스트 창은 비정상적인 가격 프로세스의 시간에 따라 변하는 최적의 과거 데이터 활용 기간과 일치하지 않습니다. 본 연구에서는 체제 인지 변동 컨텍스트 전문가 네트워크(RAVEN)를 제안합니다. RAVEN은 각 입력 샘플에 대한 시간적 컨텍스트를 적응적으로 결정하도록 설계된 Mixture-of-Experts 프레임워크입니다. RAVEN은 고정된 과거 데이터 활용 기간에 의존하는 대신, 데이터 자체에 의해 길이가 결정되는 중첩된 연속적인 창의 계층 구조를 구성합니다. 특히, RAVEN은 학습된 중요도 순으로 패치를 평가하고, 누적 중요성 임계값(CIT) 메커니즘을 적용하여 중첩된 접두사 창을 생성하며, 각 창은 특정 규모에 특화된 전문가에게 전달됩니다. 또한 전체 컨텍스트를 통해 병렬로 실행되는 글로벌 압축 표현(GCR) 분기(branch)는 로컬 전문가가 보장할 수 없는 전역적 시간적 일관성을 유지합니다. 중첩 라우팅으로 인해 전문가 입력 간에 구조적인 중복이 발생하므로, 변동 길이의 전문가 출력을 정렬하고 집계 전에 쌍별 코사인 유사성에 대한 페널티를 적용하는 상관 관계 인지 가중치(CAW)를 도입했습니다. 누적 로그 수익률 예측(HS300, S&P500) 및 펀드 판매 예측에 대한 실험 결과, RAVEN은 최첨단 성능을 달성하며, HS300에서 피어슨 상관 계수를 9.2%, S&P500에서 20.2% 향상시키고, 펀드 판매 예측에서 평균 제곱 오차(MSE)를 18.2% 감소시키는 것을 확인했습니다. 또한 네 가지 PEMS 교통 데이터 벤치마크에서 16개 측정 항목 중 14개 항목에서 최상의 결과를 달성했습니다.

Financial time series forecasting presents structural challenges absent from standard benchmarks. Log-returns are non-stationary, exhibit exceptionally low signal-to-noise (SNR) ratios, and are governed by regime-dependent temporal dependencies. We identify a key limitation of state-of-the-art (SOTA) time series models in financial settings. A fixed context window is mismatched to the time-varying optimal look-back of non-stationary price processes. We propose the Regime-Aware Variable-context Expert Network (RAVEN), a Mixture-of-Experts framework designed to adaptively determine the temporal context for each input sample. Instead of relying on a fixed look-back horizon, RAVEN constructs a hierarchy of nested contiguous windows whose lengths are determined by the data itself. Specifically, RAVEN scores patches by learned importance in reverse chronological order and applies the Cumulative Importance Thresholding (CIT) mechanism to derive nested prefix windows, each routed to a scale-specialized expert. A Global Compressed Representation (GCR) branch runs in parallel over the full context, preserving global temporal coherence that local experts cannot guarantee. Because the nested routing induces structured overlap among expert inputs, we introduce a Correlation-Aware Weighting (CAW) to align variable-length expert outputs and penalize pairwise cosine similarity prior to aggregation. Experiments on cumulative log-return prediction (HS300, S&P500) and fund sales forecasting demonstrate that RAVEN achieves SOTA performances, improves Pearson correlation by 9.2% on HS300 and 20.2% on S&P500, and reduces MSE by 18.2% on fund sales forecasting, while achieving the best results in 14 of 16 metrics on four PEMS traffic benchmarks.