변동성 예측은 전반적인 수준과 일일 변동이 하류 의사결정에 영향을 미치므로 금융 리스크 관리에서 핵심적인 역할을 한다. 대부분의 연구는 학습 손실을 고정한 채 예측 모델을 비교한다. 그러나 손실은 서로 다른 오차를 강조하고 미래 변동성의 서로 다른 속성을 목표로 할 수 있어, 원시 비교는 지속적인 예측 수준 차이와 일일 예측 변동의 차이를 한데 섞을 수 있다. 이로 인해 손실 선택의 중요성이 주로 목표로 하는 예측 수준에서 비롯되는지, 아니면 수준 조정 이후에도 남는 차이에서 비롯되는지는 해결되지 않은 채로 남는다. 우리는 주요 암호화폐에 걸쳐 일곱 가지 손실과 다섯 가지 모델을 비교하여 이 공백을 다룬다. 검증 기반 정렬은 통계 점수와 1일 VaR(Value-at-Risk)로 원시 및 정렬된 예측을 평가하기 전에 예측 수준을 조정한다. 정렬 이전에는 손실 간 한계 점수 변동이 더 크다. 정렬 이후에는 전체 다섯 모델 비교에서 모델 선택이 변동의 더 큰 원인이 되며, VaR 위반율의 손실 간 차이는 상당히 좁아진다. 우리의 기여는 원시 비교에서 손실이 그렇게 영향력 있게 보일 수 있는 이유와 예측 수준과 하류 리스크를 명시적으로 고려할 때 이러한 해석이 어떻게 달라지는지를 보여 주는 손실 및 모델 선택에 대한 종합적 평가이다.
변동성 예측은 지속성(persistence)과 측정 노이즈(measurement noise)에 의해 지배되어, 비선형 모델이 활용할 수 있는 잔차 구조가 제한적이다. 본 연구에서는 변동성 예측을 위한 reservoir 설계 원칙인 Susceptible Architectures(SUSA)와, 복소값 개방 사슬(open-chain) 및 주기적 reservoir와 국면 조건 전문가(regime-conditioned experts)에 기반한 두 가지 구체적 구현을 제안한다. 이는 평온(calm), 발현(onset), 회복(recovery), 지속적 스트레스(persistent-stress) 상태에 걸친 reservoir 특징을 해석한다. 또한 공통 AR-Ridge 앵커와 QLIKE 하에서 학습된 경계가 있는 잔차 보정을 유지하면서 Qiskit에서 개방계(open-system) $q$-qubit 대응 모델도 구현한다. 16개의 미국 주식 및 상장지수펀드(ETF) 시계열에 대해, 서로 겹치지 않는 세 개의 시간순 학습, 검증, 테스트 폴드, 12관측 입력 윈도우, 5관측 예측 구간(forecast horizon)을 사용하여 모델을 평가한다. 제안 모델은 GARCH와 경쟁력 있는 성능을 보이며, 특정 자산(IWM, XLP)에서 통계적으로 유의한 QLIKE 개선을 달성한다. 또한 모델의 예측은 HARQ 스타일 예측을 보완한다. 스택드 앙상블(stacked ensemble)은 가장 강한 구성 요소 대비 평균 QLIKE를 0.0116만큼 개선하며, 테스트 시나리오의 75%에서 우수한 성능을 보인다.
금융 예측에서 예측 성능은 어떤 모델을 학습하는지뿐 아니라, 학습된 모델을 어떻게 배포하는지에도 달려 있다. 우리는 다중 시점 변동성 예측에서 이 문제를 연구한다. 우리의 출발점은, 학습된 다중 출력(MIMO) 예측기가 단일 배포 가능 예측기를 정의하지 않는다는 것이다. 추론 시점 롤아웃 규칙을 바꾸면, 동일한 학습된 모델이 서로 다른 정확도와 비용 특성을 가진 예측군을 유도한다. 20개 주식 변동성 시계열, 세 가지 예측 시점, 선형 모델부터 PatchTST에 이르는 아키텍처에 걸쳐, 비기본 롤아웃 규칙이 표준 MIMO 배포보다 종종 개선됨을 발견한다. 그러나 최적의 고정 규칙은 아키텍처와 시점에 따라 상당히 달라져, 어떤 단일 정적 대안도 신뢰할 수 없게 만든다. 따라서 우리는 유도된 규칙군에 대해 검증 기반 배포 정책을 평가한다. 주요 MSE 목표 하에서, 검증으로 선택된 단일 규칙은 기본 MIMO 대비 저비용 개선을 제공하며, 소규모 규칙 부분집합은 훨씬 낮은 추론 비용으로 더 큰 앙상블의 이점 대부분을 회복한다. 또한 정책 순위는 지표에 민감함을 발견한다. MSE로 선택된 정책이 금융 표준 변동성 손실인 QLIKE에 고르게 전이되지 않는다. 이 결과는 추론 시점 배포가 금융 예측에서 의미 있는 적응성의 원천임을 보여주며, 학습된 변동성 예측기는 아키텍처뿐 아니라 배포 정책으로도 평가되어야 함을 시사한다.