3.4 데이터 모양과 용도에 맞춰 생성 모델 고르기

하락 여부를 맞히는 모델과 하락 경로를 만드는 모델

지우는 다음 주 큰 하락이 올 가능성을 추정하는 모델을 만들었다. 이 모델의 출력은 확률이다. 위험 한도를 시험하려면 국내와 해외 시장이 며칠에 걸쳐 얼마나 움직이는지 보여 주는 경로가 추가로 필요하다.

가령 한 모델이 ‘다음 주에 계좌가 5% 이상 떨어질 확률은 20%’라고 답한다. 지금 보이는 정보에서 정해진 결과의 확률을 구하는 방식이 Discriminative Model(판별 모델)이다. 이 값만으로는 월요일과 화요일에 각 시장이 어떻게 움직였는지 알 수 없다.

Generative Model(생성 모델)은 ‘월요일에 국내 −3%, 해외 −2%가 나왔고 화요일에 두 시장이 다시 떨어졌다’처럼 여러 값이 담긴 표본을 만든다. 두 시장의 수익률과 날짜 사이의 움직임이 어떤 조합으로 얼마나 자주 나타나는지를 Joint Distribution(결합분포)이라고 한다. 지우는 이 관계를 담은 모델에서 새 경로를 뽑아 투자 규칙을 실행한다.

‘움직임이 큰 시기’라고 지정해 해당하는 경로를 뽑는 방식이 Conditional Generation(조건부 생성)이다. 지우가 고변동 경로를 100개 뽑았다는 사실은 그런 시기가 실제 시장에서 얼마나 자주 오는지 알려 주지 않는다.

예측현재 가격과 변동 자료 → 다음 주 큰 손실이 날 가능성.

조건부 생성고변동 상태와 무작위 입력 → 두 시장의 새 일별 수익률 경로.

네 생성 방식이 무엇을 배우는지 비교한다

지우가 원하는 표본은 두 시장의 일별 경로다. 반면 대출 신청 자료가 필요한 연구자는 수익률 순서보다 한 행 안에서 소득과 부채가 어떻게 함께 나타나는지에 관심이 있다. 아래 네 방식은 어떤 자료를 받아 무엇을 배우는지가 다르다. 예를 들어 압축과 복원을 쓰는 모델은 여러 날의 움직임을 몇 개 숫자로 요약한 뒤 그 숫자들로 전체 경로를 다시 만드는 연습을 한다. 흔한 움직임은 잘 복원해도 드문 급락을 요약에서 놓칠 수 있다.

Variational Autoencoder(변분 오토인코더, VAE)자료를 압축하고 복원하며 압축된 표현의 분포를 정돈한다. 안정적인 기준이 될 수 있지만 복원이 매끈해져 드문 범주나 극단값이 줄 수 있다.

Generative Adversarial Network(생성적 적대 신경망, GAN)생성기와 판별기가 경쟁하면서 실제와 비슷한 표본을 만든다. 복잡한 관계를 표현할 수 있지만 특정 국면만 반복할 수 있다.

Diffusion Model(확산 모델)잡음을 여러 단계에 걸쳐 제거하는 방법을 학습한다. 조건을 주기 편하지만 경로를 하나 뽑을 때 계산이 여러 번 필요하다.

Large Language Model(대규모 언어 모델, LLM)표의 열과 값을 문장으로 바꾸어 다음 조각을 생성한다. 수치와 범주가 섞인 행에 적용할 수 있고 열의 형식과 관계를 다시 검사해야 한다.

생성 목적을 바꾸면 기준도 바뀐다

위험 한도 시험에서는 큰 손실이 몰리는 장면이 우선이다. 순서에 따라 대금이 달라지는 상품의 평가라면 시작과 끝 사이에 어떤 가격을 지났는지가 중요하다. 지우는 두 경우에 같은 모델을 후보에 두더라도, 앞의 경우에는 꼬리 손실을, 뒤의 경우에는 경로 모양을 검증한다. 어떤 방식이든 단순 기준선을 함께 두면 추가 계산이 실제로 도움이 되는지 확인할 수 있다.