미래 예측 기반 소프트 콘트라스트 학습을 통한 교차 단면 자산 검색

Cross-Sectional Asset Retrieval via Future-Aligned Soft Contrastive Learning

자산 검색은 금융 시장에서 유사한 자산을 찾아내는 핵심적인 과정이며, 이는 양적 투자 의사 결정에 매우 중요합니다. 기존의 접근 방식은 주로 과거 가격 패턴이나 산업 분류를 통해 유사성을 정의하지만, 이러한 과거 지향적인 기준은 미래의 행동을 보장하지 못합니다. 본 연구에서는 효과적인 자산 검색은 미래 예측에 기반해야 하며, 검색된 자산은 가장 높은 상관 관계를 가질 가능성이 있는 미래 수익을 보이는 자산이어야 한다고 주장합니다. 이를 위해, 우리는 미래 예측을 반영한 소프트 콘트라스트 학습(Future-Aligned Soft Contrastive Learning, FASCL)이라는 표현 학습 프레임워크를 제안합니다. FASCL은 쌍별 미래 수익 상관 관계를 연속적인 감독 신호로 사용하는 소프트 콘트라스트 손실 함수를 활용합니다. 또한, 검색된 자산이 유사한 미래 경로를 공유하는지 직접적으로 평가하기 위한 평가 프로토콜을 도입했습니다. 4,229개의 미국 주식 데이터를 사용하여 수행한 실험 결과, FASCL은 모든 미래 행동 관련 지표에서 13개의 기준 모델보다 일관되게 우수한 성능을 보였습니다. 소스 코드는 곧 공개될 예정입니다.

Asset retrieval--finding similar assets in a financial universe--is central to quantitative investment decision-making. Existing approaches define similarity through historical price patterns or sector classifications, but such backward-looking criteria provide no guarantee about future behavior. We argue that effective asset retrieval should be future-aligned: the retrieved assets should be those most likely to exhibit correlated future returns. To this end, we propose Future-Aligned Soft Contrastive Learning (FASCL), a representation learning framework whose soft contrastive loss uses pairwise future return correlations as continuous supervision targets. We further introduce an evaluation protocol designed to directly assess whether retrieved assets share similar future trajectories. Experiments on 4,229 US equities demonstrate that FASCL consistently outperforms 13 baselines across all future-behavior metrics. The source code will be available soon.