PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02608v1cs.AI

시계열 예측 벤치마크에는 시나리오 기반 스트레스 테스트가 필요하다

Time Series Forecasting Benchmarks Need Scenario-Grounded Stress Testing

시계열 예측(Time Series Forecasting, TSF)은 교통, 에너지, 금융, 헬스케어, 인프라 전반의 의사결정을 점점 더 주도하고 있으나, 현재의 평가는 지나치게 협소한 상태에 머물러 있습니다. 표준 벤치마크는 낮은 홀드아웃(held-out) 오차에 보상을 부여하는 반면, 강건성 연구는 일반적으로 실패를 가우시안 노이즈, 무작위 마스킹, 또는 제한된 적대적 섭동으로 단순화합니다. 이는 배포된 예측 시스템의 실제 실패 모드를 가립니다. 입력 측 이상치는 단순히 더 노이즈가 많은 입력에 그치지 않으며, 시계열 역학을 바꾸고, 변수 간 의존성을 깨뜨리며, 체제 변화(regime shift)를 유발하거나 결함이 있는 센서에서 다운스트림 의사결정으로 전파되는 구조화된 이벤트를 반영하는 경우가 많습니다. 이러한 시맨틱, 인과적, 시스템 수준의 실패는 독립동일분포(i.i.d.) 섭동만으로는 충실하게 포착될 수 없습니다. 감사가 불가능한 사전학습 말뭉치로 인해 홀드아웃 일반화의 신뢰성이 점차 떨어지면서, TSF 파운데이션 모델의 등장은 이러한 평가 격차를 더욱 시급한 문제로 만듭니다. 따라서 우리는 시나리오 기반 스트레스 테스트를 제안합니다. 각 테스트 인스턴스는 과거 입력과 미래 타깃뿐만 아니라 시맨틱 시나리오, 명시적인 실패 연산자, 측정 가능한 난이도를 포함해야 합니다. 이러한 변화는 평가를 해석 가능하고, 원인 규명이 가능하며, 배포에 적합하고 친화적으로 만들어, 커뮤니티가 어떤 모델이 정확한지뿐만 아니라 어떤 조건에서 왜 실패하는지까지 질문할 수 있도록 합니다.

arXiv:2607.05484v1q-fin.RM

SHARC: ICAAP 및 CCAR 하의 규제 자본을 위한 머신러닝 리스크 모델의 SHAP 기반 해석가능성

SHARC: SHAP-Based Interpretability in Machine Learning Risk Models for Regulatory Capital under ICAAP and CCAR

규제 자본 추정을 위한 비모수 머신러닝 모델의 도입은 근본적인 거버넌스 과제를 야기한다: 감독 기관이 감사할 수 있는 방식으로 모델 출력을 설명하지 못한다는 점이다. 이 '블랙박스' 문제는 전통적인 모수적 접근법 대비 예측 우위에도 불구하고, ICAAP 및 CCAR 워크플로우에서 가우시안 프로세스 회귀(GPR) 및 관련 머신러닝 아키텍처 도입의 주요 장벽으로 남아 있다. 본 논문은 Hybrid GPR-HS 아키텍처 및 그 스트레스 테스팅 확장을 위한 설명가능성(explainability) 프레임워크인 SHARC(SHAP for Regulatory Capital)를 통해 이 장벽을 해소한다. 협력 게임 이론에서 파생되어 국소 정확도(Local Accuracy), 결측성(Missingness), 일관성(Consistency), 효율성(Efficiency) 속성을 만족하는 SHapley Additive exPlanations(SHAP)를 세 가지 거시 시나리오(서아시아 전쟁, 기후 리스크, AI 버블/규제 부담)하에서의 스트레스 기반 가치 위험도(SVaR) 출력에 적용한다. SHARC는 SVaR를 기준선, 평균 주도, 변동성 주도 구성 요소로 분해하여 시나리오 설계와 자본 결과 간의 투명한 연계를 가능하게 한다. 두 가지 발견이 도출된다. 첫째, SHARC는 비선형 SVaR 출력을 기저 시나리오 입력과 일관되게 연결함으로써 프레임워크의 충실도를 확인하고 자본 동인에 대한 감사 가능한 추적성을 제공한다. 둘째, 스트레스 조건하에서 자본 수준 결정에 있어 평균 수익 구성 요소(방향적 손실 규모)가 분산 구성 요소(변동성 기준선)보다 지배적이며, 이는 자본 한도 설정, 포지션 관리 및 헤징 전략에 시사점을 갖는다. 본 결과는 SHARC를 Hybrid GPR-HS 프레임워크를 완전히 감사 가능하게 하고 FRTB, ICAAP Pillar 2 및 CCAR 투명성 요건과 일치하게 만드는 규제 기관 정합적 설명가능성 층으로 확립한다.