학습 증강(Learning-Augmented) 주식 거래 알고리즘: 머신러닝 예측을 어떻게 안전하게 활용할 수 있는가?

온라인 주식 거래 환경에서 머신러닝 예측을 안전하게 활용할 수 있는 학습 증강(learning-augmented) 거래 알고리즘을 설계하고, 그 성능을 이론적으로 증명하는 데 있다. 머신러닝 모델은 매수·매도 시점에 유용한 정보를 제공할 수 있지만, 복잡한 모델에서는 예측이 생성된 근거와 오류 발생 시의 행동을 명확히 해석하기 어렵고 개별 예측 자체에도 최악의 경우에 대한 성능 보장이 주어지지 않는다. 이러한 특성은 의사결정의 신뢰성과 손실 통제가 중요한 금융 환경에서 특히 중요하다. 본 연구는 머신러닝의 예측을 deterministic threshold algorithm을 통해 실제 거래 행동으로 변환하고, 예측 오류가 발생하는 경우에도 이론적으로 보장되는 worst-case 성능을 확보하는 것을 목표로 한다. 이를 위해 매수와 매도 각각에 예측을 따르는 advice threshold와 예측과 무관하게 동작하는 safe threshold를 두고, 신뢰도 조절 변수 λ에 따라 두 threshold의 간격을 조절한다. 성능은 예측이 정확할 때의 consistency와 임의의 예측이 주어질 때의 robustness로 평가한다. 현재 가격 범위 [m,M]이 알려진 모델에서는 λ에 따른 consistency와 robustness를 수학적으로 증명한다. 또한 가격 범위의 비율만 알려진 경우와 일별 가격 변동이 제한되고 거래 기간이 알려진 경우까지 동일한 설계 원리를 확장하여 분석한다. 본 연구는 λ를 통해 예측 활용 수준과 안전성 보장을 정량적으로 조절하며, 예측 기반 온라인 의사결정에서 신뢰 가능한 머신러닝 활용 원리를 제시하는 데 의의가 있다.