연구진이 금융 시계열 생성 시 시그니처 기반 방법의 한계를 극복하기 위해 랜덤 컨볼루션 특징 매칭 방식인 SOCK을 제안했어요. SOCK은 기존 Rocket, Hydra와 같은 랜덤 컨볼루션 특징의 장점을 살리면서도 미분 가능하도록 설계돼 생성 모델 훈련에 적합해요. 실험 결과, SOCK을 활용한 생성 모델은 기존 시그니처, 디퓨전 기반 모델보다 뛰어난 성능을 보였어요.
금융 시계열 데이터셋에서 SOCK은 기존 방법 대비 우수한 성능을 보였으며, 두 샘플 가설 검정 및 시계열 분류 작업에서도 경쟁력 있는 결과를 보여줬어요. 이는 SOCK이 기존 비미분 랜덤 컨볼루션 특징보다 더 풍부한 정보를 담고 있음을 시사해요. 연구진은 SOCK의 표현력을 입증하기 위해 다양한 금융 시계열 데이터셋을 활용했어요.
SOCK은 제한된 데이터 환경에서 금융 시계열을 생성하는 데 효과적인 방법이며, 향후 금융 시장 예측 및 리스크 관리에 활용될 가능성이 높아요. 특히, 데이터 부족 문제를 겪는 금융 분야에서 SOCK의 활용 가치는 더욱 클 것으로 기대돼요.