FatKat은 1990년대 초 토론토 대학교에서 개발된 인공지능 연구 프로젝트였다. 이 프로젝트는 신경망을 금융 시장 예측과 거래에 적용하도록 설계되었으며, 머신 러닝과 계량 금융을 결합한 최초의 학술적 시도 중 하나를 대표했다. 시스템의 이름인 FatKat은 개발자들이 선택한 내부 코드명으로, 공식적인 약어를 의미하지는 않았다.
이 프로젝트는 대학 내 컴퓨터 과학 부서의 대학원생과 교수진으로 구성된 팀이 주도했으며, 인공지능 연구 그룹의 더 넓은 범위 아래에서 진행되었다. FatKat의 주요 혁신은 역전파로 훈련된 네트워크를 사용하여 과거 가격 데이터의 패턴을 식별한 것으로, 당시 금융 AI를 지배했던 규칙 기반 전문가 시스템에서 벗어난 접근이었다. 이 시스템은 S&P 500과 토론토 증권 거래소 종합 지수를 포함한 주요 주식 지수의 일일 종가를 처리하고, 네트워크 출력에 기반하여 매수 또는 매도 신호를 생성했다.
기술 구조
FatKat의 아키텍처는 20개의 입력 노드, 12개의 은닉 유닛, 단일 출력 노드로 구성된 3계층 순방향 네트워크로 이루어져 있었다. 입력 특징에는 지연된 가격 수익률, 이동 평균, 5일, 10일, 30일 창에 걸쳐 계산된 변동성 추정치가 포함되었다. 네트워크는 1994년 기술 보고서에 문서화된 대로 0.01의 고정 학습률과 0.9의 모멘텀 항을 사용하는 확률적 경사 하강법으로 훈련되었다.
훈련 데이터는 1985년 1월부터 1992년 12월까지의 기간을 포함했으며, 1993년 1월부터 1994년 6월까지의 별도 검증 기간이 과적합을 방지하는 데 사용되었다. 팀은 금융 응용에서 아직 표준이 아니었던 조기 중단과 가중치 감쇠 정규화 기법을 사용했다. FatKat은 Sun SPARCstation 2 워크스테이션에서 실행되었으며, 초당 약 420만 부동소수점 연산을 제공했고, 전체 데이터셋에 대한 단일 훈련 에포크는 약 45분이 걸렸다.
연구 결과
1994년 7월부터 1995년 12월까지 S&P 500에 대한 백테스트에서 FatKat은 연환산 수익률 14.3%를 달성했으며, 같은 기간 매수 후 보유 전략의 9.8%와 비교되었다. 그러나 시스템의 평균 제곱 오차는 표본 외 데이터에서 높은 수준을 유지했고, 거래당 0.5%로 추정된 거래 비용은 순수익률을 연 11.2%로 감소시켰다. 1996년에 발표된 프로젝트의 최종 보고서는 FatKat의 예측 정확도가 높은 시장 변동성 기간, 특히 1994년 채권 시장 위기 동안 크게 저하되었음을 지적했다.
이러한 혼합된 결과에도 불구하고 FatKat은 신경망 접근법이 금융 시계열에서 통계적으로 유의미한 신호를 추출할 수 있음을 입증했다. 프로젝트의 코드와 문서는 이후 대학의 계산 금융 대학원 과정에 통합되었으며, 팀 구성원 중 여러 명은 시카고와 뉴욕의 퀀트 헤지 펀드에서 일하게 되었다.
유산과 영향
FatKat의 영향력은 학계를 넘어 확장되었다. 특히 이동 창 정규화를 사용한 특징 엔지니어링 접근법은 경제 예측을 위한 신경망 방법을 탐구한 벨 연구소 연구자들의 1998년 논문에서 인용되었다. 이 시스템은 또한 시장 시뮬레이션을 위한 생성 모델의 후기 발전을 예견했지만, 2010년대에 등장할 트랜스포머 아키텍처는 갖추지 못했다.
프로젝트는 1997년 주요 교수 자문위원이 스탠포드 대학교로 이동하면서 중단되었다. FatKat의 상용 버전은 출시된 적이 없으며, 소스 코드도 공개되지 않았다. 그러나 1994년 기술 보고서와 1996년 최종 보고서는 대학 도서관 기록 보관소를 통해 여전히 접근 가능하며, 현대의 금융 분야 AI 조사에서 간헐적으로 참조된다.
동시대 시스템과의 비교
FatKat은 일본의 후지쓰가 후원한 유전 알고리즘을 사용한 포트폴리오 최적화 노력과 통화 거래에 퍼지 논리를 적용한 NEC 시스템을 포함한 여러 초기 금융 AI 프로젝트와 동시대에 위치했다. 이러한 규칙 기반 또는 진화적 접근법과 달리, FatKat의 경사 기반 학습 의존성은 변화하는 시장 조건에 더 적응적이게 만들었지만, 과적합에 더 취약하게 만들기도 했다. 단일 워크스테이션에서 실행되는 그 적당한 계산 요구 사항은 현대 거래 시스템에 사용되는 전용 하드웨어와 뚜렷한 대조를 이루었지만, 과거 데이터에서 학습한다는 핵심 원칙은 현대 계량 금융 모델의 기초로 남아 있다.