AI 주가 예측 완전 해부: GAN, LSTM, 강화학습, BERT를 결합한 Goldman Sachs 주가 예측 시스템

들어가며

주가 예측은 머신러닝에서 가장 도전적인 문제 중 하나다. 단일 모델로는 시장의 복잡성을 포착하기 어렵기 때문에, 실무에서는 여러 기법을 파이프라인으로 결합한다.

Boris Banushev의 오픈소스 프로젝트 stockpredictionai는 Goldman Sachs(GS) 주가 예측 을 목표로, GAN(Generative Adversarial Network), LSTM, CNN, 강화학습, BERT NLP, 푸리에 변환, ARIMA, Stacked Autoencoder, XGBoost, PCA까지 — 현대 딥러닝과 전통 통계 기법을 하나의 시스템으로 통합한 프로젝트다. GitHub 스타 5,500개 이상을 받은 이 프로젝트의 전체 아키텍처를 해부한다.

원본 소스: borisbanushev/stockpredictionai

시스템 전체 아키텍처

이 프로젝트의 핵심 구조는 크게 세 단계로 나뉜다: 데이터 수집 및 피처 엔지니어링, GAN 기반 예측 모델, 강화학습 기반 하이퍼파라미터 최적화.

flowchart TD
    subgraph DataCollection["1단계: 데이터 수집"]
        A["Goldman Sachs 일별 주가
2010.01 ~ 2018.12"]
        B["72개 상관 자산
지수, 통화, 원자재"]
        C["일별 GS 뉴스
BERT 감성 분석"]
    end

    subgraph FeatureEng["2단계: 피처 엔지니어링"]
        D["12개 기술적 지표
MA, MACD, BB"]
        E["푸리에 변환
노이즈 제거"]
        F["ARIMA 예측값
피처로 활용"]
        G["Stacked Autoencoder
잠재 피처 추출"]
        H["XGBoost
피처 중요도 분석"]
    end

    subgraph Model["3단계: GAN 예측 모델"]
        I["Generator
LSTM 112→500→1"]
        J["Discriminator
CNN Conv1D×3"]
    end

    subgraph Optimize["4단계: 최적화"]
        K["Rainbow DQN + PPO
강화학습"]
        L["베이지안 최적화
가우시안 프로세스"]
    end

    A --> D
    B --> D
    C --> D
    D --> E
    E --> F
    F --> G
    G --> H
    H --> I
    I <--> J
    J --> K
    K --> L
    L -->|"하이퍼파라미터 갱신"| I

    classDef data fill:#4A90D9,stroke:#2C6FB5,color:#FFFFFF
    classDef feature fill:#7BC67E,stroke:#4FA853,color:#1A1A1A
    classDef model fill:#F5A623,stroke:#D4881C,color:#1A1A1A
    classDef optim fill:#D0021B,stroke:#A8011A,color:#FFFFFF

    class A,B,C data
    class D,E,F,G,H feature
    class I,J model
    class K,L optim

데이터 수집과 전처리

기본 데이터 구성

예측 대상은 Goldman Sachs(GS) 의 NYSE 일별 종가다. 데이터 기간은 2010년 1월부터 2018년 12월까지 총 2,265 거래일 이며, 70/30 비율로 분할했다 — 학습 1,585일, 테스트 680일, 분할 기준일은 약 2016년 4월 20일이다.

72개 상관 자산

GS 단독 가격만으로는 시장 맥락이 빠진다. 프로젝트는 72개 상관 자산 을 함께 입력한다:

이 데이터는 매크로 환경이 개별 종목 가격에 미치는 영향을 모델에 전달하는 역할을 한다.

통계적 품질 검증

피처를 모델에 넣기 전에 세 가지 통계 검정을 수행했다:

• 이분산성(Heteroskedasticity) 검정 — 잔차 분산이 시간에 따라 변하는지 확인
• 다중공선성(Multicollinearity) 검정 — 독립 변수 간 과도한 상관 확인
• 계열 상관(Serial Correlation) 검정 — 잔차 간 자기상관 확인

데이터는 세 가지 검정을 모두 통과했다.

피처 엔지니어링 파이프라인

총 112개 입력 피처 가 최종 GAN 모델에 투입된다. 이 피처들은 여러 기법을 통해 단계적으로 구성된다.

flowchart LR
    subgraph Raw["원시 데이터"]
        A1["GS 가격 데이터"]
        A2["72개 상관 자산"]
    end

    subgraph Technical["기술적 지표 (12개)"]
        B1["MA7, MA21"]
        B2["EMA"]
        B3["MACD"]
        B4["Bollinger Bands
upper/lower, 20sd"]
        B5["Momentum
log_momentum"]
    end

    subgraph NLP["자연어 처리"]
        C1["일별 GS 뉴스"]
        C2["BERT 감성 분석"]
        C3["감성 점수 0~1"]
    end

    subgraph Signal["신호 처리"]
        D1["푸리에 변환
3, 6, 9 components"]
        D2["ARIMA(5,1,0)
MSE=10.151"]
    end

    subgraph Feature["피처 선택"]
        E1["XGBoost
피처 중요도"]
    end

    Raw --> Technical
    Raw --> NLP
    Raw --> Signal
    Technical --> Feature
    NLP --> Feature
    Signal --> Feature

    classDef raw fill:#E8E8E8,stroke:#999999,color:#333333
    classDef tech fill:#5B9BD5,stroke:#3A7BBF,color:#FFFFFF
    classDef nlp fill:#A855F7,stroke:#7C3AED,color:#FFFFFF
    classDef sig fill:#10B981,stroke:#059669,color:#FFFFFF
    classDef feat fill:#F59E0B,stroke:#D97706,color:#1A1A1A

    class A1,A2 raw
    class B1,B2,B3,B4,B5 tech
    class C1,C2,C3 nlp
    class D1,D2 sig
    class E1 feat

기술적 지표

12개 기술적 지표를 계산했다:

• 이동평균: 7일(MA7), 21일(MA21) 단순 이동평균 + 지수 이동평균(EMA)
• MACD: 12일과 26일 EMA의 차이로 추세 전환 신호 포착
• 볼린저 밴드: 20일 이동평균 ± 2σ (상한/하한) — 가격의 과매수/과매도 판단
• 모멘텀: 가격 변화율과 log 모멘텀

XGBoost 피처 중요도 분석 결과, MA7, MACD, 볼린저 밴드 가 예측에 가장 큰 기여를 했다.

BERT 감성 분석

매일의 Goldman Sachs 관련 뉴스를 수집하고, BERT(Bidirectional Encoder Representations from Transformers) 로 감성 점수를 추출했다. 출력은 sigmoid 함수를 거쳐 0(부정)~1(긍정) 사이 값으로 변환된다.

flowchart LR
    A["일별 GS 뉴스
수집"] --> B["BERT
사전학습 모델"]
    B --> C["금융 도메인
파인튜닝"]
    C --> D["Sigmoid
출력"]
    D --> E["감성 점수
0.0 ~ 1.0"]

    classDef process fill:#A855F7,stroke:#7C3AED,color:#FFFFFF
    class A,B,C,D,E process

BERT의 핵심은 전이 학습(Transfer Learning) 이다. 대규모 텍스트로 사전학습된 언어 모델을 금융 뉴스 도메인에 파인튜닝하면, 적은 레이블 데이터로도 높은 정확도의 감성 분류가 가능하다. 최근 연구에 따르면, FinBERT 기반 접근은 전통 ML 대비 F1-score 17~20% 향상 을 보인다.

푸리에 변환을 이용한 노이즈 제거

주가 데이터에는 일상적 변동(noise)과 실제 추세(signal)가 섞여 있다. 푸리에 변환(Fourier Transform) 은 시계열을 주파수 영역으로 분해하여 고주파 노이즈를 제거한다.

프로젝트에서는 3, 6, 9개 주파수 성분 을 유지하는 실험을 수행했다. 웨이블릿(wavelet) 변환도 시도했으나, 결과가 유사해 푸리에를 최종 채택했다.

flowchart LR
    A["원시 주가
시계열"] --> B["FFT
주파수 분해"]
    B --> C["저주파 성분 유지
3/6/9 components"]
    C --> D["IFFT
역변환"]
    D --> E["디노이즈된
주가 시계열"]

    classDef signal fill:#10B981,stroke:#059669,color:#FFFFFF
    class A,B,C,D,E signal

핵심 원리: FFT는 시계열을 구성 주파수로 분해한다. 시장 노이즈는 주로 고주파 성분으로 나타나고, 실제 추세는 저주파에 집중된다. 특정 cutoff 이상의 주파수를 제거한 뒤 IFFT로 복원하면 더 깨끗한 신호를 얻는다.

ARIMA — 전통 시계열 예측

ARIMA(5,1,0) 모델을 학습하여 테스트 MSE 10.151 을 달성했다. 이 프로젝트에서 ARIMA는 최종 예측기가 아니라, 예측값을 추가 피처로 GAN에 공급하는 역할을 한다.

Stacked Autoencoder (VAE)

Stacked Autoencoder 는 입력 데이터의 잠재 표현을 학습하여 새로운 피처를 생성한다.

flowchart LR
    subgraph Encoder["인코더"]
        E1["입력: 112 피처"] --> E2["Dense 400
GELU"]
        E2 --> E3["Dense 400
GELU"]
        E3 --> E4["Dense 400
GELU"]
    end

    subgraph Bottleneck["보틀넥"]
        E4 --> BN["잠재 표현"]
    end

    subgraph Decoder["디코더"]
        BN --> D1["Dense 400
GELU"]
        D1 --> D2["Dense 400
GELU"]
        D2 --> D3["Dense 400
GELU"]
        D3 --> D4["출력: 112 피처
복원"]
    end

    classDef enc fill:#3B82F6,stroke:#2563EB,color:#FFFFFF
    classDef bn fill:#EF4444,stroke:#DC2626,color:#FFFFFF
    classDef dec fill:#22C55E,stroke:#16A34A,color:#FFFFFF

    class E1,E2,E3,E4 enc
    class BN bn
    class D1,D2,D3,D4 dec

구성 세부사항:

• 구조: 인코더/디코더 각 3개 레이어, 레이어당 400 뉴런
• 활성화 함수: GELU — 0.5 * x * (1 + tanh(sqrt(2/π) * (x + 0.044715 * x³)))
• 학습: 150 에포크, 총 62초 소요
• 결과: 112개 원본 피처에서 112개 추가 잠재 피처 생성

다만, PCA 분석 결과 80% 분산을 설명하는 데 84개 주성분 이 필요해 차원 축소 효과가 미미하여, 오토인코더 피처는 최종 모델에 포함되지 않았다.

왜 Stacked 구조인가: 각 레이어가 점진적으로 더 추상적인 시장 패턴을 포착한다. 압축(bottleneck)은 네트워크가 노이즈보다 신호를 학습하도록 강제하며, 비지도 사전학습은 레이블 없는 대량의 시장 데이터를 활용할 수 있게 한다.

XGBoost 피처 중요도

모든 피처를 구성한 뒤, XGBoost 로 피처 중요도를 분석했다. 결과적으로 MA7, MACD, 볼린저 밴드 가 상위에 위치하며, 이는 기술적 지표의 예측력이 가장 강함을 확인해준다.

GAN 기반 주가 예측 모델

프로젝트의 핵심 모델은 GAN(Generative Adversarial Network) 이다. Generator가 미래 주가를 생성하고, Discriminator가 실제 주가와 생성된 주가를 구분하려 시도하며, 이 적대적 학습을 통해 Generator의 예측 정확도가 올라간다.

GAN 학습 원리

GAN의 손실 함수는 minimax 게임 으로 정의된다:

L(D,G) = E[log D(x)] + E[log(1 - D(G(z)))]

flowchart LR
    subgraph Generator["Generator (LSTM)"]
        Z["입력: 112 피처
시퀀스 17일"] --> G["LSTM
500 hidden units"]
        G --> GP["Dense(1)
예측 주가"]
    end

    subgraph Discriminator["Discriminator (CNN)"]
        R["실제 주가"] --> D["CNN
Conv1D × 3"]
        GP -->|"생성 주가"| D
        D --> DO["판별 결과
Real / Fake"]
    end

    DO -->|"손실 역전파"| G

    classDef gen fill:#3B82F6,stroke:#2563EB,color:#FFFFFF
    classDef disc fill:#EF4444,stroke:#DC2626,color:#FFFFFF

    class Z,G,GP gen
    class R,D,DO disc

Generator — LSTM 아키텍처

Generator는 LSTM(Long Short-Term Memory) 으로 구성된다. LSTM은 시계열 데이터에서 장기 의존성을 학습하는 데 특화된 RNN 변형이다.

flowchart TD
    subgraph LSTMCell["LSTM 셀 내부 구조"]
        I["입력 게이트
i_t = σ(W_i · [h_t-1, x_t] + b_i)"]
        F["망각 게이트
f_t = σ(W_f · [h_t-1, x_t] + b_f)"]
        O["출력 게이트
o_t = σ(W_o · [h_t-1, x_t] + b_o)"]
        C["셀 상태 갱신
C_t = f_t * C_t-1 + i_t * tanh(...)"]
        H["은닉 상태
h_t = o_t * tanh(C_t)"]
    end

    I --> C
    F --> C
    C --> H
    O --> H

    classDef gate fill:#F59E0B,stroke:#D97706,color:#1A1A1A
    classDef state fill:#6366F1,stroke:#4F46E5,color:#FFFFFF

    class I,F,O gate
    class C,H state

Generator 구성 상세:

LSTM이 GRU 대신 선택된 이유: LSTM은 별도의 셀 상태(cell state)를 유지하여 장기 의존성 보존에 유리 하고, GRU는 파라미터가 적어 빠르지만 복잡한 시계열에서는 LSTM이 더 나은 성능을 보인다.

Discriminator — CNN 아키텍처

Discriminator는 CNN(Convolutional Neural Network) 으로 구성된다. 시계열 데이터에 대해 1D 합성곱 으로 국소 패턴을 감지한다.

flowchart TD
    IN["입력 시퀀스"] --> C1["Conv1D 32 filters
kernel=5, stride=2
LeakyReLU(0.01)"]
    C1 --> BN1["BatchNorm"]
    BN1 --> C2["Conv1D 64 filters
kernel=5, stride=2
LeakyReLU(0.01)"]
    C2 --> BN2["BatchNorm"]
    BN2 --> C3["Conv1D 128 filters
kernel=5, stride=2
LeakyReLU(0.01)"]
    C3 --> BN3["BatchNorm"]
    BN3 --> D1["Dense 220
LeakyReLU"]
    D1 --> D2["Dense 220
LeakyReLU"]
    D2 --> OUT["Dense 1
Real / Fake"]

    classDef conv fill:#EF4444,stroke:#DC2626,color:#FFFFFF
    classDef dense fill:#F97316,stroke:#EA580C,color:#FFFFFF
    classDef output fill:#991B1B,stroke:#7F1D1D,color:#FFFFFF

    class C1,BN1,C2,BN2,C3,BN3 conv
    class D1,D2 dense
    class IN,OUT output

왜 시계열에 CNN인가: RNN과 달리 CNN은 국소 패턴(local pattern)을 병렬로 감지할 수 있어, 특정 시간 윈도우 내의 가격 패턴(상승 추세, 하락 추세, 횡보)을 효과적으로 포착한다. Generator가 LSTM으로 순차적 의존성을 학습하는 동안, Discriminator의 CNN은 국소적 진위 판별에 집중한다.

Wasserstein GAN (WGAN)

표준 GAN은 학습이 불안정하다. Generator와 Discriminator의 균형이 무너지면 mode collapse 나 vanishing gradient 가 발생한다. 이를 해결하기 위해 Wasserstein GAN 을 채택했다.

flowchart TD
    subgraph VanillaGAN["표준 GAN 문제"]
        V1["KL/JS Divergence"] --> V2["분포 겹침 없으면
그래디언트 소실"]
        V2 --> V3["학습 불안정"]
    end

    subgraph WGAN["Wasserstein GAN 해결"]
        W1["Earth Mover's Distance
Wasserstein 거리"] --> W2["분포 간 거리에 비례한
매끄러운 그래디언트"]
        W2 --> W3["안정적 학습"]
    end

    V3 -->|"개선"| W1

    classDef problem fill:#FCA5A5,stroke:#EF4444,color:#7F1D1D
    classDef solution fill:#86EFAC,stroke:#22C55E,color:#14532D

    class V1,V2,V3 problem
    class W1,W2,W3 solution

Wasserstein 거리 는 두 확률 분포 사이의 “지구를 옮기는 비용(Earth Mover’s Distance)“으로, KL/JS Divergence와 달리 분포가 겹치지 않아도 의미 있는 그래디언트를 제공한다. 이것이 WGAN의 핵심 이점이다.

Metropolis-Hastings GAN (MHGAN)

Uber에서 제안한 MHGAN 은 MCMC(Markov Chain Monte Carlo) 기반 샘플링을 GAN에 도입한다. Generator에서 K개의 후보 샘플 을 생성한 뒤, Discriminator의 판별 확률을 기반으로 Metropolis-Hastings 수락 규칙 에 따라 최적 샘플을 선택한다.

프로젝트는 WGAN + MHGAN을 결합 하여 사용했으며, 구현에 3일이 소요됐다고 기록되어 있다.

학습 안정화 기법

Learning Rate 스케줄러

Triangular + Cyclical Learning Rate 방식을 채택했다:

학습률을 주기적으로 올렸다 내리면 지역 최솟값(local minima)을 탈출 하는 데 효과적이다.

과적합 방지

다섯 가지 기법을 동시에 적용했다:

1. L1 정규화 — 가중치의 절대값 합을 페널티로 추가, 희소한(sparse) 모델 유도
2. Dropout — 학습 중 랜덤하게 뉴런을 비활성화
3. Dense-Sparse-Dense(DSD) 학습 — 밀집 학습 → 가중치 pruning → 희소 학습 → 다시 밀집 학습의 3단계
4. 조기 종료(Early Stopping) — 검증 손실이 개선되지 않으면 학습 중단
5. 데이터 품질 검증 — 이분산성, 다중공선성, 계열 상관 검정

flowchart LR
    A["모델 학습"] --> B["L1 정규화"]
    A --> C["Dropout"]
    A --> D["DSD 학습
Dense→Sparse→Dense"]
    A --> E["조기 종료"]
    A --> F["데이터 품질
검증"]
    B & C & D & E & F --> G["과적합 방지된
최종 모델"]

    classDef method fill:#8B5CF6,stroke:#7C3AED,color:#FFFFFF
    classDef result fill:#10B981,stroke:#059669,color:#FFFFFF

    class B,C,D,E,F method
    class A,G result

강화학습 기반 하이퍼파라미터 최적화

GAN 학습에서 가장 까다로운 부분은 하이퍼파라미터 튜닝 이다. 이 프로젝트는 수동 탐색 대신 강화학습(RL) 으로 자동화했다.

최적화 대상 하이퍼파라미터

RL 환경 설계

flowchart TD
    subgraph Environment["환경 = GAN"]
        GAN["GAN 모델
200 에포크 학습"]
    end

    subgraph Agent["에이전트 = RL"]
        RL["Rainbow DQN
또는 PPO"]
    end

    subgraph Reward["보상 함수"]
        R["R = 2 × loss_G + loss_D
+ accuracy_G"]
    end

    RL -->|"액션: 하이퍼파라미터 변경"| GAN
    GAN -->|"상태: 손실값, 정확도"| Reward
    Reward -->|"보상 신호"| RL

    classDef env fill:#3B82F6,stroke:#2563EB,color:#FFFFFF
    classDef agent fill:#EF4444,stroke:#DC2626,color:#FFFFFF
    classDef reward fill:#F59E0B,stroke:#D97706,color:#1A1A1A

    class GAN env
    class RL agent
    class R reward

핵심 설계:

• 환경(Environment) = GAN 모델 자체 (1 에피소드 = 200 에포크 GAN 학습)
• 액션(Action) = 하이퍼파라미터 변경
• 보상(Reward) = R = 2 × loss_G + loss_D + accuracy_G
• 총 10 에피소드 실행 (각 에피소드에서 200 에포크 GAN을 처음부터 학습)

Rainbow DQN — 7개 알고리즘의 통합

Rainbow DQN 은 Deep Q-Network의 6가지 핵심 개선을 하나로 통합한 알고리즘이다:

flowchart TD
    DQN["기본 DQN"] --> R["Rainbow DQN"]

    DDQN["1. Double DQN
과대추정 편향 감소"] --> R
    PER["2. Prioritized Replay
중요 경험 우선 학습"] --> R
    DUEL["3. Dueling Networks
상태가치 + 행동이점 분리"] --> R
    MULTI["4. Multi-step Learning
n-step 리턴으로 빠른 전파"] --> R
    DIST["5. Distributional RL
리턴 분포 전체 모델링"] --> R
    NOISY["6. Noisy Nets
학습된 노이즈로 탐색"] --> R

    classDef base fill:#6B7280,stroke:#4B5563,color:#FFFFFF
    classDef improve fill:#3B82F6,stroke:#2563EB,color:#FFFFFF
    classDef rainbow fill:#8B5CF6,stroke:#7C3AED,color:#FFFFFF

    class DQN base
    class DDQN,PER,DUEL,MULTI,DIST,NOISY improve
    class R rainbow

각 구성 요소의 역할:

Ablation 연구에서 Distributional RL 과 Prioritized Replay 가 가장 큰 성능 향상을 제공했다.

PPO — 안정적 정책 최적화

PPO(Proximal Policy Optimization) 는 OpenAI가 제안한 정책 경사(policy gradient) 알고리즘으로, 연속 행동 공간에서 동작한다.

핵심 메커니즘은 Clipped Surrogate Objective 이다:

L^CLIP(θ) = E[min(r(θ) × A, clip(r(θ), 1-ε, 1+ε) × A)]

여기서 r(θ) = π_new(a|s) / π_old(a|s) 는 정책 비율, A는 어드밴티지 추정치, ε는 클리핑 범위(보통 0.2)다.

왜 PPO가 안정적인가: 정책 업데이트의 크기를 [1-ε, 1+ε] 범위로 제한하여, 한 번의 업데이트로 정책이 급격히 변하는 것을 방지한다. 이는 하이퍼파라미터 탐색에서 탐색(exploration) vs 활용(exploitation) 균형 을 유지하는 데 효과적이다.

베이지안 최적화

RL 외에도 가우시안 프로세스(Gaussian Process) 기반 베이지안 최적화 를 추가로 적용했다:

• 라이브러리: bayes_opt (BayesianOptimization)
• Utility 함수: UCB (Upper Confidence Bound), kappa=2.5, xi=0.0
• 원리: 이전 평가 결과를 기반으로 다음 탐색 지점을 지능적으로 선택 — 무작위 탐색보다 훨씬 효율적

flowchart LR
    A["초기 랜덤
하이퍼파라미터"] --> B["GAN 학습
성능 평가"]
    B --> C["가우시안 프로세스
사후 분포 갱신"]
    C --> D["UCB 기반
다음 탐색점 선택"]
    D --> B

    classDef bo fill:#14B8A6,stroke:#0D9488,color:#FFFFFF
    class A,B,C,D bo

프레임워크와 학습 환경

• 딥러닝 프레임워크: MXNet + Gluon API
• GPU 지원: 다중 GPU 학습 가능 (노트북에서는 mx.cpu() 사용)
• GAN 학습: 에포크당 200회, 총 10 RL 에피소드
• GAN 구현 참고: soumith/ganhacks — GAN 학습 안정화 팁 모음

실험 결과

프로젝트는 4단계에 걸친 예측 결과를 시각적으로 보여준다:

프로젝트 README에는 최종 수치 정확도(RMSE, MAE 등)가 명시적으로 보고되지 않았으며, 4개의 시각적 예측 그래프만 제공된다.

⚠️ 주의: 이 프로젝트는 교육 및 연구 목적이다. README에도 명시된 대로, 실제 투자 결정에 사용해서는 안 된다 — “The content of this notebook is not an investment advice and is for informational purpose only.”

핵심 요약

flowchart TD
    subgraph Core["핵심 구성 요소"]
        A["72개 상관 자산 +
12개 기술적 지표"]
        B["BERT NLP
감성 점수"]
        C["푸리에/ARIMA
노이즈 제거 + 예측 피처"]
        D["Stacked Autoencoder
잠재 피처 추출"]
    end

    subgraph Model["GAN 모델"]
        E["Generator: LSTM
112→500→1"]
        F["Discriminator: CNN
Conv1D×3 → Dense×2"]
    end

    subgraph Opt["최적화"]
        G["Rainbow DQN
7개 알고리즘 통합"]
        H["PPO
Clipped Surrogate"]
        I["베이지안 최적화
가우시안 프로세스"]
    end

    A & B & C & D --> E
    E <--> F
    F --> G & H & I
    G & H & I -->|"하이퍼파라미터
최적화"| E

    classDef core fill:#3B82F6,stroke:#2563EB,color:#FFFFFF
    classDef model fill:#F59E0B,stroke:#D97706,color:#1A1A1A
    classDef opt fill:#EF4444,stroke:#DC2626,color:#FFFFFF

    class A,B,C,D core
    class E,F model
    class G,H,I opt

결론

이 프로젝트는 단일 모델의 한계를 인정하고, 각 기법이 고유한 역할을 수행하는 파이프라인 을 설계했다는 점에서 가치가 있다:

• 데이터 레이어: 상관 자산 + NLP 감성 + 기술적 지표로 다차원 시장 맥락 구성
• 신호 처리 레이어: 푸리에 변환으로 노이즈 제거, ARIMA 예측을 보조 피처로 활용
• 생성 모델 레이어: LSTM Generator + CNN Discriminator의 적대적 학습 (WGAN + MHGAN으로 안정화)
• 최적화 레이어: Rainbow DQN + PPO로 하이퍼파라미터 자동 탐색, 베이지안 최적화로 보완

주가 예측 자체의 실용성에 대한 논쟁은 별도로, 이 프로젝트는 현대 딥러닝 기법들이 하나의 시스템에서 어떻게 조합되는지 를 보여주는 훌륭한 교육 자료다. GAN, LSTM, CNN, RL, NLP, 신호 처리, 전통 통계가 각각의 강점을 발휘하는 구조를 직접 따라가 보는 것만으로도 상당한 학습이 된다.

참고 자료:

• stockpredictionai GitHub
• BERT 논문
• WGAN 논문
• Rainbow DQN 논문
• PPO 논문
• MHGAN (Uber)
• GAN 학습 팁
• BayesianOptimization 라이브러리