예비 대학원생의 논문 리뷰 뽀개기

보호되어 있는 글입니다.

Chevyrev, Ilya, Andrey Kormilitzin. A Primer on the Signature Method in Machine Learning. 2026. https://doi.org/10.1007/978-3-031-97239-3_1.Intro풀고 싶은 문제시계열(path) 데이터를 “형태(shape)”까지 보존하면서, 수학적으로 다루기 좋은 벡터(특징)로 바꾸는 것이다.논문은 time-ordered data를 path \(X:I\to\mathcal{X}\)로 보고, 특히 \(X:[a,b]\to\mathbb{R}^d\) 형태를 주로 다룬다.기존에 쓰이던 방식들시간 무시 요약평균/분산/최대/최소, 히스토그램/분포 추정저차 통계량자기상관/공분산, 일부 lag만 고려모델 가정 기반ARIMA, ..

❣️지난 주까지 한 일1주차: Signature가 무엇인가?👉 논문 “A Primer on the Signature Method in Machine Learning”을 읽음.→ Signatrue의 정의와 기본적인 성질들을 다룸.👉논문 “Extracting information from the signature of a financial data stream”을 읽음→ Signature + lasso regression을 사용해서 financial data stream을 분석하는 논문.→ 원유 선물거래 데이터를 (1) 시간대별 분류 (2) 거래 알고리즘별 분류해보고, Signature를 설명변수로 이용한 lasso regression을 실시2주차 Signature + lasso regression의 C..

문제 설정과 연구 동기해결하고자 하는 문제freight transportation marketplace rate(운송 시장 요율)의 중·단기 시계열 예측 문제를 다룬다.특히 non-stationary, regime switching, strong seasonality, 외생 충격(COVID-19, Ukraine conflict 등)이 존재하는 환경에서의 예측 정확도와 해석가능성을 동시에 확보하는 것이 목표이다.선행연구의 한계Classical time series modelsARIMA, Exponential Smoothingstationarity 가정이 필요하며 abrupt change, long-term trend, regime switching에 취약Deep learning 기반 모델LSTM, GRU ..

SigFormer: Signature Transformers for Deep HedgingAnh Tong, Thanh Nguyen-Tang, Dongeun Lee, Toan Tran, and Jaesik Choi. 2023. SigFormer: Signature Transformers for Deep Hedging. In 4th ACM International Conference on AI in Finance (ICAIF ’23), November 27–29, 2023, Brooklyn, NY, USA. ACM, New York, NY, USA, 9 pages. https://doi.org/10. 1145/3604237.36268411. 연구 문제 (Problem Statement)이 논문은 deep h..

Barancikova, Barbora, Zhuoyue Huang와/과Cristopher Salvi. “SigDiffusions: Score-Based Diffusion Models for Time Series via Log-Signature Embeddings”. Conference paper presented at The Thirteenth International Conference on Learning Representations. 2024년. https://openreview.net/forum?id=Y8KK9kjgIK1. 문제 설정 (Problem)목표는 긴 길이(long-horizon)·다변량(multivariate) time series를 고품질로 생성하는 generative model을 설계..

서명환 교수님 고급 계량 경제학 교재(2025-2) 참고함!0. 문제의식: 시계열에서 인과효과란 무엇인가이 장은 다음 질문에서 출발한다.“시계열 데이터에서 X가 Y에 미치는 시간에 따라 분포된 인과효과를 어떻게 정의하고 추정할 수 있는가?”직관적 의미어떤 충격이나 정책이 발생했을 때 그 영향이 한 시점에서 끝나는 것이 아니라, 이후 여러 시점에 걸쳐 어떻게 나타나는지를 묻는다.이상적인 기준 (benchmark)무작위 대조실험 (Randomized Controlled Trial)독립적인 여러 개체처치 이후 여러 시점의 결과 관측\(k\)기 후 인과효과를 직접 비교 가능직관적 의미여러 개체가 있고 처치가 무작위라면, 시간별 평균 비교를 통해 자연스럽게 동적 인과효과를 추적할 수 있다.시계열의 근본적 문제개체..

Kidger, Patrick, Patric Bonnier, Imanol Perez Arribas, Cristopher Salvi, Terry Lyons. “Deep Signature Transforms”. Advances in Neural Information Processing Systems 32 (2019년). https://papers.nips.cc/paper_files/paper/2019/hash/d2cdf047a6674cef251d56544a3cf029-Abstract.html.Deep Signature Transforms연구 목표 개요이 논문의 목표는 Signature Transform을기존처럼 고정된 전처리(feature transformation)로 사용하는 방식에서 벗어나,이를 Neura..

1) 문제 설정: “시그니처 + Lasso”에서 무엇이 어려운가시그니처란?시그니처(Signature transform)는 연속 시간 경로 \(X_t\)로부터 반복 적분(iterated integrals)을 만들어내는 특징 벡터로 정의한다.✏️NoteDefinition 1 (Signature)연속시간 \(d\)-차원 process \(X = (X^1, \dots, X^d)\)가 \([0,T]\)에서 정의되어 있다고 하자.\(k \ge 1\)이고 \((i_1,\dots,i_k) \in \{1,2,\dots,d\}^k\)일 때, time \(0\)부터 \(t\)까지의 \(k\)-차 Signature component는 다음과 같이 정의한다. \[S(X)^{i_1,\dots,i_k}_t = \int_{00차 S..

Product Measure와 Cavalieri’s Principle고차원 적분을 정당화하는 측도론적 틀곱측도(product measure)와 카발리에리의 원리(Cavalieri’s principle)는 두 개의 측도공간을 결합해 고차원 공간에서 넓이·부피를 정의하고, 이를 단면과 적분으로 계산할 수 있게 하는 핵심 이론이다.이는 \(\mathbb{R}^2, \mathbb{R}^3\)에서 사용하는 이중적분·삼중적분의 이론적 근거를 제공한다.왜 이 주제가 중요한가고차원 적분에서 “먼저 한 변수에 대해 적분하고, 다음 변수에 대해 적분한다”는 절차는 직관적으로는 자연스럽지만, 항상 성립하는 것은 아니다.곱측도는 고차원 공간에서의 ‘부피’ 개념을 엄밀하게 정의하고, 카발리에리의 원리는 그 부피를 단면 적분으로..