arXiv:2609.27764v1 cs.LG

기호적 실패 탐지 학습: 머신러닝과 블랙-숄즈 모형의 한계

Learning to Detect Symbolic Failure: Machine Learning and the Limits of Black-Scholes

Juli Huang, Jake Cheng, Rupert Lu

제출 2026-09-24

한국어 초록

우리는 옵션 가격 결정을 표현(representation) 문제로 다룬다. 즉, 260만 건의 실제 옵션 계약을 사용하여 머신러닝이 블랙-숄즈(Black-Scholes)로부터의 체계적인 편차를 탐지할 수 있는가? 우리는 세 가지 방식을 비교한다. 학습된 추상 임베딩(커널 PCA), 보존된 도메인 구조(트리 기반 앙상블), 그리고 신경망 검증이다. 트리 기반 방법은 커널 차원 축소보다 21.5%p 높은 성능(93.8% 대 72.3%)을 보였으며, 도메인 전문가가 설계한 특징(그릭스, 머니니스)은 엔지니어링된 특징보다 더 우수한 성능을 보였다. 신경망 기반 편차 레이블과 BS 기반 편차 레이블은 99.9974%의 비율로 일치하며, 이는 편차가 모델의 인위적 결과물이 아니라 시장 구조를 반영함을 시사한다. 우리는 전문가가 설계한 기호적 특징이 존재하는 도메인에서는 추상화를 학습하는 것보다 구조를 보존하는 것이 더 낫다고 결론짓는다. 우리는 활용 가능한 오가격(mispricing)이 존재한다고 주장하지 않는다.

원문 초록

We treat options pricing as a representation problem: can machine learning detect systematic deviations from Black-Scholes using 2.6M real option contracts? We compare three regimes: learned abstract embeddings (Kernel PCA), preserved domain structure (tree-based ensembles), and neural network validation. Tree-based methods outperform kernel dimensionality reduction by 21.5 percentage points (93.8% vs 72.3%), and domain-expert features (Greeks, moneyness) outperform engineered features. NN-based and BS-based deviation labels agree 99.9974% of the time, suggesting deviations reflect market structure rather than model artifact. We conclude that in domains with expert-designed symbolic features, preserving structure beats learning abstractions. We make no claim of exploitable mispricings.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.27764v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.27936v1cs.LG공통 태그 Anomaly Detection, Feature Engineering, Binary Classification

양보다 질: 특징 엔지니어링을 통한 불법 비트코인 흐름의 반지도 학습 탐지

Quality over Quantity: Semi-Supervised Detection of Illicit Bitcoin Flows via Feature Engineering

불법 암호화폐 거래 탐지는 극심한 클래스 불균형, 적대적 난독화, 신뢰할 수 있는 라벨의 부족으로 어렵다. 반지도 학습(SSL)은 비라벨 데이터를 활용해 유망한 해결책을 제공하지만, 우리는 그 성공이 데이터 양만으로 보장되지 않으며 데이터 품질에 달려 있음을 보인다. 우리는 Shared Send Mixers(SSM) 거래에서 불법 비트코인 흐름을 탐지하기 위한 SSL 프레임워크를 제안하며, 이는 1억 6,300만 건의 거래로 구성된 포괄적 역사적 데이터셋 위에 구축되었다. 핵심 결론은 SSL의 성공이 데이터 양이 아니라 품질에 달려 있다는 것이다: KeyLinker 주소 클러스터링 및 Shared Send Untangling(SSU) 복잡도 지표와 같은 고충실도 특징은 비라벨 데이터에서 F1 점수 0.84를 달성한다. 마지막으로, One-Time Change(OTC)와 같은 흔한 휴리스틱은 풍부하지만 노이즈를 유입시키는 반면, KeyLinker와 같은 고충실도 특징에 대한 전략적 의존이 필수적임을 실증적으로 보인다. 본 연구는 블록체인 포렌식에서 더 나은 성능으로 가는 길이 더 큰 데이터셋만이 아니라, 데이터 품질을 위한 더 스마트한 특징 엔지니어링에 있음을 확립한다.

arXiv:2610.13808v2quant-ph공통 태그 Binary Classification, Ensemble Learning

조합 융합을 통한 양자-고전 모델의 다양성 인지 앙상블

Diversity-Aware Ensemble of Quantum-Classical Models via Combinatorial Fusion

변분 양자 회로(VQC)는 회로 구조에 매우 민감하지만, 대부분의 양자 머신러닝 파이프라인은 단 하나의 최적 설계를 선택하고 나머지 후보는 폐기합니다. 본 논문에서는 양자 회로 탐색 공간 전반의 구조적 다양성을 활용하여 모델 융합(model fusion)을 통해 더 강력한 예측을 생성할 수 있는지 다룹니다. 순위-점수 함수(RSF)와 인지적 다양성(CD)을 활용해 여러 점수 산정 시스템을 선택하고 결합하는 모델 융합 프레임워크인 조합 융합 분석(CFA)을 구조적으로 다양한 29개의 고전 모델 및 양자 회로 풀에 적용합니다. 다양성 인지 모델 선택 방법을 사용하여 최대의 다양성을 지닌 모델 서브셋을 식별하고, 이를 점수 및 순위 결합 방식 모두로 결합합니다. 서로 다른 도메인을 포괄하는 4개의 이진 분류 벤치마크에 대한 실험 결과, CFA 기반의 하이브리드 고전-양자 융합은 고려된 모든 데이터셋에서 최고 성능의 개별 모델보다 일관되게 우수한 성능을 보였으며 정확도가 최대 6.03% 향상되었습니다. 관련 문헌과의 비교에서도 CFA 프레임워크는 4개 데이터셋 전반에서 더욱 우수한 성능을 달성합니다.

arXiv:2608.24631v2quant-ph공통 태그 Anomaly Detection, Binary Classification

유사도가 상호작용에 의해 결정될 때: 체제 민감 학습을 위한 양자 커널

When Similarity Is Interaction-Driven: Quantum Kernels for Regime-Sensitive Learning

많은 의사결정 시스템에서 유사도는 거리만으로 결정되는 것이 아니라 변수들 간의 상호작용에 의해 좌우된다. 사기 탐지 및 이상 탐지(anomaly detection)에서는, 국소적인 작은 교란(perturbation)이 주변 거리는 거의 변화시키지 않으면서도 상호작용에 민감한 결정 경계(decision boundary)를 넘어설 수 있다. 이러한 상황에 착안하여, 우리는 박층(thin-slab) 상호작용 모델과, 얽힌(entangled) 파울리 문자열(Pauli-string) 특징 맵으로 구성된 상호작용 기반 양자 커널(quantum kernel)을 제안한다. 이 특징 맵은 희소한 고차 블록 상호작용(sparse high-order block interactions)을 명시적으로 인코딩한다. 우리는 그 결과로 얻어지는 충실도 커널(fidelity kernel)이 양의 준정부호(positive semidefinite)이며, 정확한 블록 분해(block-factorized) 형태로 표현 가능하고, 상호작용 체제(interaction regime)의 변화에 민감한 기하 구조를 유도함을 보인다. 3차, 4차, 6차, 8차 상호작용을 포괄하는 균형 및 불균형 합성 실험 전반에서, 제안된 커널은 선형 커널, 방사 기저 함수(RBF) 커널, 라플라시안(Laplacian) 커널, 다항(polynomial) 커널은 물론, 심어진(planted) 블록 곱을 제공받은 조작된 상호작용 선형 기준선(baseline)보다도 일관되게 더 우수한 성능을 보인다. 실제 사기 탐지 벤치마크에서는, Credit Card Fraud Detection 데이터셋에서 가장 높은 평균 정확도와 F1 점수를 달성하며, IEEE-CIS Fraud Detection에서는 2위를 기록한다. 156큐비트(qubit) IBM Quantum 프로세서에서 4차 설정으로 실행한 결과, 하드웨어로 추정한 커널은 시드 간 변동성(seed-to-seed variability) 범위 내에서 노이즈 없는 시뮬레이터와 일치하며, 기준선들에 대한 우위를 그대로 유지한다. 이러한 결과는 양자 커널의 성능이 힐베르트 공간(Hilbert space)의 차원만이 아니라, 특징 맵의 기하 구조와 기저의 예측 구조 사이의 정합(alignment) 여부에 좌우됨을 보여준다. 제안된 블록 분해 커널은 고전 컴퓨터에서도 정확하게 계산될 수 있으므로, 본 연구의 결과는 계산적인 양자 가속(quantum speedup)이 아니라 예측적 및 표현적 가치를 입증하는 것이다.

arXiv:2610.01079v1cs.CR공통 태그 Anomaly Detection, Binary Classification

Jev-IDS: 네트워크 침입 탐지를 위한 시스템 1 모델

Jev-IDS: System One Models for Network Intrusion Detection

머신러닝 기반 네트워크 침입 탐지 시스템(IDS)은 대규모 레이블링된 데이터셋과 태스크 특화 학습(training)에 의존하는 반면, 대규모 언어 모델(LLM) 기반 탐지는 플로우 기록을 직접 분석할 수 있으나 더 높은 추론(inference) 비용과 지연 시간, 그리고 덜 제한된 출력을 수반합니다. 본 논문에서는 레이블 부족 상황에서 제로데이 침입을 탐지하기 위해 Jev 시스템 1 모델(SOM)을 기반으로 한 공개 실험용 범용 NIDS인 JEV-IDS를 제시합니다. JEV-IDS는 요청당 하나의 플로우를 직렬화하고 JEV에게 이진 공격 확률과 유한 선택 트래픽 카테고리라는 두 가지 질문을 던집니다. 실험 결과에 따르면 k=1일 때 JEV는 GPT-5.6 Luna보다 4.8배 빠르고 3.8배 저렴하면서도 신종 공격 재현율(recall)이 1.5배 더 높았으며, 데이터가 적은 환경의 Random Forest보다 오경보를 15배 적게 생성했습니다. 300개 플로우로 구성된 NSL-KDD 파일럿 분할에 대한 5,400회의 결정 전반에서 JEV는 F1-Score 0.859, 정밀도(precision) 0.941, 재현율 0.790, 신종 공격 재현율 0.838을 달성했습니다. k를 2로 증가시키면 F1-Score는 0.839로 감소했습니다.

arXiv:2608.00045v4cs.CL공통 태그 Feature Engineering, Binary Classification

텍스트 기술어로부터 스타트업 엑시트 예측 - 전산언어학적 프레임워크

Predicting Startup Exit from Textual Descriptors - A Computational Linguistics Framework

본 연구는 맥락, 재무 또는 인적 자본 변수에 의존하지 않고도 텍스트 기술어(textual descriptor)만으로 엑시트(Exit)로 정의되는 초기 단계 스타트업의 성공을 예측할 수 있음을 보여준다. 20년에 걸쳐 7,419개 스타트업을 포괄하는 벤처 캐피털 큐레이션 데이터셋을 활용하여, 본 연구는 텍스트 기반 프레이밍 변수를 분리하고 스타트업 내러티브 매핑을 통해 850개의 특징(feature)을 엔지니어링한다. 데이터 하위 집합과 벡터 임베딩(embedding)의 통계적 유의성을 평가한 후, 6개 모델에 걸쳐 지도 머신러닝 실험을 수행한다. 로지스틱 회귀(Logistic Regression)를 사용한 이진 엑시트 예측은 임베딩을 제외한 모든 특징을 사용했을 때 0.55의 재현율(recall)과 0.48의 F1 점수를 달성하며, 임베딩을 포함한 텍스트 기술어만을 사용했을 때는 0.59의 재현율과 0.26의 F1 점수를 달성한다. 특징 분석 결과에 따르면 형용사, 전문 용어(jargon), 유행어(buzzwords)와 같은 과장 마커(hyping marker)의 최적화된 밀도는 더 높은 엑시트 확률과 연관되어 있는 반면, 과도한 설명문이나 사명(name) 길이는 더 낮은 확률과 연관되어 있음을 나타낸다. 또한 본 연구는 벤처 심사(venture screening)에 잠재적으로 적용할 수 있는 정량화 가능한 Hyping Score를 도입한다. 이러한 결과는 정보 비대칭성이 높은 투자 환경에서 스타트업의 프레이밍이 경제적 성과의 독립적인 예측 요인으로 기능할 수 있음을 시사한다.

arXiv:2609.26848v1cs.LG공통 태그 Binary Classification, Ensemble Learning

수술 초기 급성 신장 손상 예측을 위한 누출 인식 다중 모달 평가 프레임워크

A Leakage-Aware Multimodal Evaluation Framework for Early Intraoperative Acute Kidney Injury Prediction

주요 비심장 수술 후 수술 후 급성 신장 손상(acute kidney injury, AKI)은 상당한 이환율을 수반하지만, 수술 중 초기 위험 계층화는 여전히 어렵다. 본 후향적 코호트 연구에서 우리는 SynerT를 제안한다. SynerT는 인과적 dilated TCN과 dilated recurrent layer 계층을 결합한 파형 전용 하이브리드 temporal backbone으로, AKI 위험 예측을 위해 수술 중 초기 생리 궤적을 인코딩한다. SynerT를 기반으로 백본을 구조화된 임상 맥락으로 확장한 두 가지 모델 변형을 추가로 설계한다. SynerT-MM은 혈역학적 부담 요약과 수술 전 공변량을 통합하는 late-fusion 다중 모달 확장이고, SynerTStack은 메타 학습 단계에서 SynerT-MM의 교차 검증 예측과 강력한 테이블형 베이스라인을 결합하는 누출 안전 stacked 앙상블이다. 모든 모델은 고해상도 주변 수술(perioperative) 데이터베이스 VitalDB에서 엄격한 누출 인식 프레임워크 하에 평가되며, 예측은 수술 중 첫 60분 이내에 이용 가능한 정보로 제한된다. 파형 이용 가능 사례 2,413건(AKI 양성 180건, 유병률 7.46%) 중 SynerT는 강력한 구조화 데이터 베이스라인보다 훨씬 낮은 성능을 보여, 엄격한 초기 제약 하에서 파형만의 temporal modeling은 불충분함을 보였다. SynerT-MM은 혈역학적 부담 요약과 수술 전 공변량을 통합하여 판별력을 회복했고, SynerT-Stack은 AUROC, AUPRC, F1-max 전반에서 최고의 종합 성능을 달성했다. 교차 적합 Platt 재보정은 두 다중 모달 변형 모두에서 보정(calibration) 결함을 상당히 교정했으며, decision-curve 분석은 재보정된 stacked 모델이 낮은~중간 임계값 구간에서 가장 큰 순 임상적 이익을 제공함을 확인했다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.