Causal Detection Engine – 인과 탐지 엔진

인과 탐지는 특정 사건이나 조건이 다른 사건에 어떤 영향을 미치는지 파악하는 과정인데, 이는 단순히 사건이 동시에 발생하는 것을 넘어서 원인이 되는 한 사건이 결과가 되는 다른 사건을 직접적으로 일으키는지를 분석하는 것을 의미한다. – 퀀트 대마법사 Chris

시장 예측 알고리즘을 아무리 정교하게 만들어도 상관 관계를 인과 관계와 헤깔릴 수 있다.

이런 헤깔림 또는 혼동을 회피하기 위해 한 사건과 다른 사건 사이에 인과 관계 여부를 확인해야 한다.

먼저 단조 관계 그래프로 시작하면 인과 관계가 존재하는 그래프의 특정 위치에서 영향력을 주는 요소들이 무엇인지 살펴볼 수 있다. 여기에서 인과 관계가 실현되면, 단조 관계 그래프는 인과 관계 그래프로 진화하게 된다. 이 상태에서 시장 예측 알고리즘은 시장 결과로 이어지는 다양한 인과 경로를 매핑하고 서로 다른 변수들이 어떻게 상호 작용하는지 학습할 수 있게 된다.

처음 퀀트 마법사들은 유행병학에서 상대적 차이 방정식을 응용해 단조 관계에서 인과 관계를 구분을 위한 초기 인과 탐지 엔진을 설계했는데, 이 방정식은 인구가 노출 X에 대한 감수성을 측정하는 공식이었다. 감수성은 노출 후 질병에 걸릴 수 있는 충분한 기저 요인을 가진 사람들의 비율을 의미한다.

이 후 이 인과 탐지 엔진 계속 발전하여 인과 AI의 데이타 수집 과정에서 정교한 인과 그래프 생성을 위한 더 많은 데이타 포인트를 추가하는 중요한 역활을 수행하게 되었다.

인과 탐지 엔진에 대해 주식 시장에서 실제 활용 예를 들어볼 수 있다. 주식 시장에서 특정 종목의 인과 그래프는 몇가지 숨겨진 원인들과 인기도 발견 엔진을 통해 연결된 몇몇 종목이 다른 주식 가격에 어떻게 영향을 미치는지 그래프로 보여줄 수 있다. 더 많은 주식 종목들을 추가하고 다른 재무 데이타들 등 더 풍부한 데이타 포인트들을 추가하면 주식 가격 방향성에 대해 SOFR(Secured Overnight Financing Rate) 등이 주요 원인 중 하나가 될 수 있다는 걸 발견할 수 있다.

데이타만으로는 인과 질문에 AI가 대답할 수 없다. 우리가 ChatGPT와 주식 시장에 대해 대화하면서 투자 여부를 물었을 때 나오는 답변들이 대부분 그렇다.

이런 이유로 데이타를 생성하는 과정의 모델을 공식화할 필요가 있었다.

데이타 세트를 추가하고, 관계를 결정하고 인과 관계를 과거 시장 데이타와 현재 시장 데이타 두 곳에서 모두 테스트를 한다. 유의미한 결과가 있을 경우 비로서 새로운 데이타가 인과 탐지 엔진에 추가된다.

굉장히 복잡한 이 과정을 우리는 네트워크 효과를 통해 불필요하거나 중요도가 낮은 요소들을 제외하는 방식으로 우회했다.

글을 정리하다보니 너무 복잡하고 난해하게 적은거 같다.

좀 더 쉬운 버전으로 설명을 한다면, 과학 실험 등을 생각하면 된다. 학창시절 과학 실험을 떠올려보면, 온도나 압력 등에 변화를 중었을 때 나타나는 그 결과가 화학 반응에 미치는 영향을 관찰하는게 인과 탐지라 할 수 있다. 가령 물에 열을 가하자 끓기 시작했다. 같은걸 생각해도 된다.

자본 시장에서의 인과 탐지는 복잡한 공식과 모델이 필요하지만, 생각해보면 우리는 다양한 업무속에서 인과 탐지를 하는 경우가 많다.

가령 마케팅 캠페인에서의 효과 분석을 생각해보자.

아마존에서 물건을 판매하고 있는데, 새로운 PPC 캠페인을 진행했고, 그 후에 제품 판매량이 증가했다면, 인과 탐지는 이 캠페인이 실제로 판매량 증가에 어떻게 기여했는지를 분석하는걸 의미한다.

이러한 분석을 위해 사용되는 공식 중 하나가 회귀 분석 방법이다. 예를 들어, 선형 회귀 모델, Y = a + bX + e를 사용할 수 있다. 여기서 Y는 판매량, X는 마케팅 캠페인에 대한 노출 또는 투자, a와 b는 모델 파라미터, e는 오차 항이 된다. 이 모델은 마케팅 캠페인이 판매량에 미치는 영향의 크기와 방향을 추정할 수 있게 해준다.