신경망의 층을 더 쌓으면 항상 더 나은 표현이 생기는가? 이 연구는 feedforward와 residual network에 같은 데이터·전처리·학습·평가를 적용하고 443개 월별 forecast origin을 표본외로 비교했다. 잔차연결은 이전 층의 표현을 그대로 통과시키면서 새 층이 보정항만 배우게 해 깊이가 늘 때 정보가 소실될 위험을 줄인다.
깊은 맞춤형 ResNet의 가치가중 long-short 연환산 샤프는 2.07이었고 같은 깊이의 feedforward는 0.89였다. 얕은 ResNet의 1.92보다도 높아, 깊이 자체보다 이전 표현을 보존하는 경로가 결과 차이를 만들었다는 해석과 맞는다. 채권의 희소거래·종목교체 환경에서도 복잡도보다 이런 구조적 안정성을 먼저 확인할 이유가 있다.
그러나 포트폴리오는 미국 주식의 예측순위로 구성됐고 보고된 수치는 모의 long-short 성과다. 채권의 비동시 거래, RFQ 미응답, 시장충격과 재고제약이 반영된 실거래 결과가 아니다. 국내 적용에서는 동일 폭·동일 재학습 예산을 고정하고 깊이가 늘 때 예측상관과 calibration이 유지되는지를 비용차감 성과보다 먼저 점검해야 한다.
SCOPE미국 주식의 모의 자산가격 실험이다. 샤프는 실제 주문집행·대차·시장충격을 모두 재현하지 않으며 채권으로의 이전은 검증되지 않았다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
깊이는 잔차경로가 있을 때만 자산이 된다3 primary · 0 archived +
표본외 평가는 443개 월별 forecast origin을 포함한다.
ORIGINAL PASSAGE443 forecast originsarXiv 2610.09613v1, Section 3.2, 7 October 2026, accessed 2026-10-24깊은 맞춤형 비교에서 ResNet+ 샤프는 2.07, NN+는 0.89였다.
ORIGINAL PASSAGE2.07 for ResNet+ and 0.89 for NN+arXiv 2610.09613v1, Section 4.1, 7 October 2026, accessed 2026-10-24얕은 맞춤형 비교에서 ResNet+ 샤프는 1.92, NN+는 1.84였다.
ORIGINAL PASSAGE1.92 for ResNet+ and 1.84 for NN+arXiv 2610.09613v1, Section 4.1, 7 October 2026, accessed 2026-10-24Show the original briefing text
구분: 자산가격 예측·잔차신경망 표본외 비교
발표일: 2026년 10월 7일
핵심 요약
이 연구는 동일한 데이터·전처리·학습·평가 조건에서 feedforward 신경망과 residual network를 비교하고, 443개 월별 forecast origin을 표본외로 평가한다. 맞춤형 깊은 ResNet의 가치가중 long-short 연환산 샤프는 2.07로 같은 깊이의 feedforward 0.89보다 높았고, 얕은 ResNet의 1.92도 웃돌았다. 다만 미국 주식의 모의 long-short 결과여서 채권수익률이나 실제 주문집행 성과로 해석할 수 없다. 논문 원문
채권 트레이딩·리스크관리·시장미시구조 관점 실무 시사점
깊이를 늘리면 항상 정보가 늘어나는 것이 아니라 기존 표현이 소실돼 예측이 무너질 수 있다. 잔차연결은 얕은 모델의 표현을 보존한 채 보정항을 학습하게 해, 깊은 구조가 최소한 기준표현을 통과시키는 경로를 만든다. 채권의 희소거래·종목교체 환경에서는 이 구조적 안정성이 복잡도 자체보다 중요하지만, 보고된 샤프는 거래비용·대차·시장충격을 완전히 재현한 실거래 수치가 아니다.
한국 시장 복제 아이디어
국고채·통안채·회사채의 다음 거래 OAS 변화 또는 국채선물 30분 수익률을 목표로 동일 폭의 feedforward와 residual 모델을 비교한다. 확장창 재학습에서 얕은 모델과 깊은 모델의 예측상관, 레짐별 calibration, 비용차감 샤프와 회전율을 추적해 깊이가 늘 때 성능이 무너지는지 확인한다.