연구진이 변환기 기반 주식 지수 예측 모델을 개발했어요. 시프트 데이터 증강(SDA) 기법을 통해 예측 정확도와 안정성을 높였어요. VN30과 S&P 500 데이터셋에서 SDA가 모델 복잡도 증가보다 더 효과적이라는 결과가 나왔어요.
코사인 어닐링과 워밍업 학습률 스케줄링이 기존 방식보다 예측 정확도를 개선했어요. SDA는 예측 오류를 줄이고 하이퍼파라미터 선택에 따른 변동성을 낮춰주었어요.
본 연구는 노이즈가 많은 금융 환경에서 주식 지수를 예측하는 실용적이고 효율적인 방법을 제시해요.