우선 연구를 진행하기 위해 직접 dataset을 수집했다. 기존의 benchmark dataset이 아니라 한국의 특정 대기업들에 대한 주가와, 미국과 한국의 금리 추종 상품들, VIX와 같은 공포 지수에 대한 정보를 2021-01-01~2025-06-30의 기간에 대하여 수집했다.
이후 해당 data들을 Timeseries forecasting에서 자주 사용하는 model들인 Transformer, iTrnasformer, PatchTST, FEDformer를 이용하여 forecasting 하였고, MSE MAE등의 metric으로 평가했다. 이때, short term forecasting의 기간은 약 20일, long term forecasting의 기간은 약 50일 임을 밝힌다. 이때, 가장 안정적인 graph 형태를 보였던 Itrnasformer를 backbone model로 설정하고, embedding 하기 이전에 FFT(Fourier transform)하여 주파수 단위로 분리한 후 주파수 도메인에서 partial Sparse-masking을 사용한 후 IFFT를 진행하여 data의 noise를 줄여주었다. 또한 High frequency data를 학습하는 Itransformer model과 Low frequency data를 학습하는 Itransformer model을 분리함으로써 각각의 경향성을 더더욱 깊이 학습하게 하고자 하였다. 이를 기반으로 다시 MSE와 MAE의 metric으로 평가했고 기존의 모델들에 비해서 더 뛰어난 성능을 가지고 있음을 증명했다.
Stock price를 예측하는 model이기 때문에 수익성이 MSE, MAE보다 중요하다고 생각했다. 이 때문에 새로운 평가 metric을 만들었다. 예측한 날짜들의 평균 가격을 기반으로 지금 상태에서 Long position을 잡을 지, Short position을 잡을 지 결정, 이후 예측한 거래일 내 판매하는 형식으로 수익률을 계산했다. 직접 제작한 Our model은 이때 연 평균 18% 정도의 수익률을 냈고, 다른 모델들이 매우 미비하거나 대부분 음수의 수익률을 내는 것으로 고려하면 이는 우수한 성과임을 밝힌다.