금융 시계열 데이터의 잠재력 확장: Diffusion 모델 기반 고성능 데이터 증강 및 미래 시나리오 시뮬레이션 전략

금융 시계열 데이터의 희소성, 사생활 보호 문제, 그리고 복잡한 다중 모드 분포를 포착하는 한계는 현대 금융 AI의 발목을 잡아왔습니다. Diffusion 모델은 이러한 난제를 해결하고 현실적이고 다양한 데이터를 합성하여 모델 훈련의 견고성을 극대화하며, 전례 없는 정확도로 복잡한 미래 시나리오를 시뮬레이션할 수 있는 강력한 생성형 AI 솔루션을 제공합니다. 이는 단순한 통계적 방법을 넘어선 심층 생성 능력으로, 금융 AI의 패러다임을 바꿀 게임 체인저입니다.

1. 금융 데이터의 본질적 난제와 새로운 해결책의 필요성

금융 데이터는 그 특성상 일반적인 데이터와는 다른 고유한 난제를 안고 있습니다. 비정상성(non-stationarity), 높은 노이즈 속 낮은 신호, 두꺼운 꼬리 분포(fat tails), 그리고 갑작스러운 시장 체제 전환(regime shifts)은 전통적인 통계 모델이나 간단한 머신러닝 모델의 성능을 저해하는 주요 요인입니다. 여기에 더해, 다음과 같은 문제들이 데이터 활용의 걸림돌이 됩니다:

  • 데이터 희소성 및 접근 제한: 고품질의 금융 데이터는 독점적이며, 규제(GDPR 등) 및 높은 획득 비용으로 인해 충분한 양을 확보하기 어렵습니다.
  • 과거 데이터의 편향성: 기존 데이터셋은 주로 과거의 시장 상황을 반영하므로, 미래의 새로운 패턴이나 블랙 스완(black swan) 이벤트를 예측하는 데 한계가 있습니다.
  • 복잡한 분포 학습의 어려움: 부트스트래핑(bootstrapping)이나 단순 노이즈 추가와 같은 전통적인 데이터 증강 기법은 금융 시장의 복잡한 종속성과 다중 모드 분포를 제대로 포착하지 못합니다. ARIMA 기반의 시뮬레이션 역시 이러한 복잡성을 완전히 담아내기 어렵습니다.

이러한 배경 속에서, 단순히 데이터의 표면적인 통계치를 모방하는 것을 넘어, 데이터의 기저 분포(underlying data distribution)를 진정으로 이해하고 새로운 데이터를 생성할 수 있는 모델에 대한 강력한 필요성이 대두되었습니다. Diffusion 모델은 이러한 요구에 부응하며, 스트레스 테스트, 이상 탐지, 그리고 견고한 거래 전략 개발을 위한 핵심 도구로 부상하고 있습니다.

2. Deep Dive: 금융 시계열을 위한 Diffusion 모델의 작동 원리

Diffusion 모델은 최근 이미지 및 오디오 생성 분야에서 놀라운 성과를 보여주었으며, 이제 금융 시계열 데이터의 복잡성 해결에도 핵심적인 역할을 할 수 있음이 입증되고 있습니다. Diffusion 모델의 핵심 아이디어는 두 가지 상반된 프로세스에 기반합니다:

  1. 순방향 확산(Forward Diffusion Process): 원본 데이터(x0)에 점진적으로 가우시안 노이즈(Gaussian noise)를 추가하여, 최종적으로는 순수한 노이즈(xT)로 변환하는 과정입니다. 이 과정은 마르코프 연쇄(Markov chain)로 정의되며, 각 단계에서 데이터의 정보가 점진적으로 손실됩니다.
  2. 역방향 확산(Reverse Diffusion Process): 노이즈에서 시작하여 점진적으로 노이즈를 제거(denoising)함으로써, 원본 데이터와 유사한 새로운 데이터를 생성하는 과정입니다. Diffusion 모델은 이 역방향 프로세스를 학습하는 신경망입니다. 즉, 특정 노이즈 상태(xt)와 현재 타임스텝(t)이 주어졌을 때, 다음에 제거해야 할 노이즈를 예측하는 방법을 배웁니다.

금융 시계열에 Diffusion 모델이 적합한 이유:

  • 모드 붕괴(Mode Collapse) 방지: GANs와 달리 Diffusion 모델은 학습 과정에서 모드 붕괴 문제를 겪지 않아, 실제 데이터 분포의 모든 다양하고 복잡한 모드들을 안정적으로 포착하고 재현할 수 있습니다. 이는 특히 변동성이 크고 예측 불가능한 금융 시장에서 다양한 시나리오를 생성하는 데 매우 중요합니다.
  • 복잡한 분포 학습 능력: 금융 데이터의 두꺼운 꼬리, 비대칭성, 장기적인 종속성 등 복잡한 통계적 특성을 높은 충실도로 학습하고 재현하는 데 탁월합니다.
  • 조건부 생성 능력: 특정 시장 상태(예: 높은 변동성, 금리 인상), 뉴스 이벤트, 거시 경제 지표 등을 조건으로 데이터를 생성할 수 있습니다. 이는 특정 가정 하의 미래 시나리오를 시뮬레이션하는 데 매우 유용합니다.
  • 고품질 샘플 생성: 생성되는 샘플의 품질이 매우 높아, 실제 데이터와 구별하기 어려운 수준의 시계열을 만들어낼 수 있습니다. 이는 견고한 모델 훈련과 실제와 같은 시뮬레이션에 필수적입니다.

금융 시계열에 Diffusion 모델을 적용하기 위해서는, 일반적으로 U-Net과 같은 아키텍처를 시계열 데이터에 맞게 변형하여 사용합니다. 예를 들어, 1D CNN이나 트랜스포머(Transformer) 기반의 어텐션 메커니즘을 결합하여 시계열의 시간적 종속성을 효과적으로 학습할 수 있습니다. 또한, 타임스텝 임베딩(timestep embedding)을 통해 확산 단계 정보를 모델에 주입하는 것도 중요합니다.

3. Diffusion 모델 기반 금융 시계열 데이터 증강 및 시뮬레이션 구현 가이드

여기서는 Diffusion 모델을 사용하여 금융 시계열 데이터를 증강하고 미래 시나리오를 시뮬레이션하는 기본적인 워크플로우를 단계별로 설명합니다. PyTorch와 Hugging Face의 diffusers 라이브러리를 활용하여 실제 코드 스니펫을 제공합니다.

Step 1: 데이터 준비 및 전처리 (Data Preparation and Preprocessing)

Diffusion 모델은 입력 데이터의 스케일에 민감하므로, 적절한 전처리가 필수적입니다. 일별 주가 수익률과 같이 정상성(stationarity)에 가까운 데이터를 사용하는 것이 일반적이며, 이를 고정된 길이의 시퀀스로 변환하고 정규화합니다.

import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler
import torch
import yfinance as yf # 실제 주식 데이터 로드를 위해 설치

# 1. 실제 금융 시계열 데이터 로드 (예: S&P 500 ETF - SPY)
# yfinance를 사용하여 SPY의 종가 데이터를 가져옵니다.
try:
    data_df = yf.download("SPY", start="2010-01-01", end="2023-12-31")
    prices = data_df['Adj Close'].values.reshape(-1, 1)
except Exception as e:
    print(f"yfinance 데이터 로드 중 오류 발생: {e}. 더미 데이터 사용.")
    prices = (np.random.rand(3000, 1) * 0.1 + 0.95).cumsum() + 100 # 더미 가격 시뮬레이션
    
# 2. 수익률 계산 (안정성 확보)
returns = np.diff(prices, axis=0) / prices[:-1]
print(f"원시 수익률 데이터 형태: {returns.shape}")

# 3. 데이터 정규화 (Min-Max Scaler를 사용하여 -1 ~ 1 범위로 스케일링)
scaler = MinMaxScaler(feature_range=(-1, 1))
scaled_returns = scaler.fit_transform(returns)

# 4. 시퀀스 생성 (고정 길이의 시계열 조각으로 분할)
sequence_length = 60 # 60일치 수익률 시퀀스
num_sequences = len(scaled_returns) - sequence_length + 1
sequences = np.array([scaled_returns[i:i+sequence_length] for i in range(num_sequences)])

# 5. PyTorch Tensor로 변환
sequences_tensor = torch.tensor(sequences, dtype=torch.float32)
print(f"Diffusion 모델 학습 준비 데이터 형태: {sequences_tensor.shape}")
# 예상 형태: (num_samples, sequence_length, features) -> (2000여개, 60일, 1개 피처)

Step 2: Diffusion 모델 아키텍처 정의 (Defining the Diffusion Model Architecture)

Diffusion 모델의 핵심은 노이즈를 예측하는 신경망입니다. 여기서는 diffusers 라이브러리의 UNet1DModel을 활용하여 시계열에 적합한 아키텍처를 구성합니다. 또한, 노이즈 스케줄러를 설정하여 확산 과정을 정의합니다.

import torch.nn as nn
import torch.optim as optim
from diffusers import DDPMScheduler, UNet1DModel

# UNet1DModel 정의
# in_channels: 시계열 피처 수 (여기서는 1 - 수익률)
# out_channels: 예측할 노이즈 피처 수 (in_channels와 동일)
# block_out_channels: UNet의 각 레벨에서 출력 채널 크기
model = UNet1DModel(
    sample_size=sequence_length,      # 입력 시퀀스 길이
    in_channels=1,                    # 입력 피처 수
    out_channels=1,                   # 출력 피처 수
    block_out_channels=(32, 64, 128), # UNet의 내부 채널 구조
    down_block_types=(
        "DownBlock1D",
        "DownBlock1D",
        "DownBlock1D",
    ),
    up_block_types=(
        "UpBlock1D",
        "UpBlock1D",
        "UpBlock1D",
    ),
)

# DDPMScheduler 정의 (확산 스케줄러)
noise_scheduler = DDPMScheduler(num_train_timesteps=1000)

# Optimizer 정의
optimizer = optim.AdamW(model.parameters(), lr=1e-4)

# 손실 함수
loss_fn = nn.MSELoss()

# 모델을 GPU로 이동 (가능하다면)
device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)
sequences_tensor = sequences_tensor.to(device)

print("Diffusion 모델 및 스케줄러 준비 완료.")

Step 3: 모델 학습 (Model Training)

Diffusion 모델의 학습은 노이즈가 추가된 데이터에서 원래 추가된 노이즈를 예측하는 방식으로 진행됩니다. 각 에포크(epoch)에서 배치(batch) 단위로 데이터를 가져와 노이즈를 추가하고, 모델이 이 노이즈를 예측하도록 훈련합니다.

num_epochs = 100 # 실제 환경에서는 더 많은 에포크가 필요합니다 (예: 1000 이상)
batch_size = 32

for epoch in range(num_epochs):
    epoch_loss = 0
    # 데이터 로더를 사용하는 것이 더 효율적이지만, 여기서는 단순화를 위해 직접 인덱싱
    for i in range(0, len(sequences_tensor), batch_size):
        batch = sequences_tensor[i:i+batch_size]
        
        # 훈련 데이터 형태 조정: (batch_size, features, sequence_length)
        # UNet1DModel은 (batch_size, in_channels, sample_size) 형태를 기대합니다.
        batch = batch.permute(0, 2, 1) # (batch, sequence_length, features) -> (batch, features, sequence_length)

        # 훈련에 사용할 노이즈 샘플링
        noise = torch.randn(batch.shape, device=device)
        
        # 각 샘플에 대해 랜덤 타임스텝 샘플링
        timesteps = torch.randint(0, noise_scheduler.num_train_timesteps, (batch.shape[0],), device=device).long()
        
        # 노이즈 스케줄에 따라 깨끗한 이미지에 노이즈 추가
        noisy_batch = noise_scheduler.add_noise(batch, noise, timesteps)
        
        # 모델로부터 노이즈 예측
        noise_pred = model(noisy_batch, timesteps).sample
        
        # 손실 계산
        loss = loss_fn(noise_pred, noise)
        
        # 역전파 및 가중치 업데이트
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        
        epoch_loss += loss.item() * batch.shape[0]
        
    avg_epoch_loss = epoch_loss / len(sequences_tensor)
    if (epoch + 1) % 10 == 0:
        print(f"Epoch {epoch+1}/{num_epochs}, Average Loss: {avg_epoch_loss:.6f}")

print("모델 학습 완료.")

Step 4: 데이터 생성 및 시뮬레이션 (Data Generation and Simulation)

학습된 모델을 사용하여 새로운 금융 시계열 데이터를 생성합니다. 순수한 노이즈에서 시작하여 모델이 예측한 노이즈를 역방향으로 제거하면서 점진적으로 실제와 같은 시계열을 만듭니다. 이 과정에서 조건부 생성을 활용하여 특정 시나리오를 유도할 수 있습니다.

import matplotlib.pyplot as plt

# 생성할 샘플 수
num_samples_to_generate = 5

# 순수한 노이즈에서 시작
# (num_samples, features, sequence_length) 형태로 생성
generated_samples = torch.randn((num_samples_to_generate, 1, sequence_length), device=device)

# 샘플링 스텝을 정의 (학습 시 timesteps보다 적게 설정하여 빠른 생성 가능)
noise_scheduler.set_timesteps(50) # 예: 50단계로 샘플링

for t in noise_scheduler.timesteps:
    with torch.no_grad():
        # 모델로부터 노이즈 예측
        residual = model(generated_samples, t).sample
    
    # 노이즈 스케줄러를 사용하여 한 단계 역확산 진행
    generated_samples = noise_scheduler.step(residual, t, generated_samples).prev_sample

# PyTorch Tensor를 numpy 배열로 변환하고 스케일 역변환
# (batch, features, sequence_length) -> (batch, sequence_length, features)
synthetic_returns_tensor = generated_samples.permute(0, 2, 1).cpu().numpy()
synthetic_returns = scaler.inverse_transform(synthetic_returns_tensor.reshape(-1, 1)).reshape(num_samples_to_generate, sequence_length, 1)

print(f"생성된 합성 시계열 데이터 형태: {synthetic_returns.shape}")

# 생성된 시계열 데이터 시각화 (수익률)
plt.figure(figsize=(12, 6))
for i in range(num_samples_to_generate):
    plt.plot(synthetic_returns[i, :, 0], label=f'Synthetic Path {i+1}')
plt.title('Generated Synthetic Financial Returns using Diffusion Model')
plt.xlabel('Time Step')
plt.ylabel('Return')
plt.legend()
plt.grid(True)
plt.show()

# 추가: 수익률 -> 가격 경로로 변환하여 시각화
# 이는 원래 데이터의 마지막 가격을 기준으로 할 수 있습니다.
last_real_price = prices[-1] # 실제 데이터의 마지막 가격
plt.figure(figsize=(12, 6))
for i in range(num_samples_to_generate):
    # 초기 가격을 기준으로 수익률을 누적하여 가격 경로 생성
    synthetic_prices = last_real_price * (1 + synthetic_returns[i, :, 0]).cumprod()
    plt.plot(synthetic_prices, label=f'Synthetic Price Path {i+1}')
plt.title('Generated Synthetic Financial Price Paths using Diffusion Model')
plt.xlabel('Time Step')
plt.ylabel('Price')
plt.legend()
plt.grid(True)
plt.show()

4. 실제 활용 사례: 알고리즘 트레이딩 전략의 견고성 테스트 및 스트레스 시뮬레이션

Diffusion 모델의 진정한 가치는 단순한 데이터 증강을 넘어, 과거에 경험하지 못한 미래 시나리오를 '탐색'하고 이에 대비하는 능력에서 나옵니다. 제가 경험한 구체적인 활용 사례는 알고리즘 트레이딩 전략의 견고성(Robustness) 테스트 및 스트레스 시뮬레이션입니다.

대부분의 알고리즘 트레이딩 전략은 과거 데이터에 대한 백테스팅(backtesting)을 통해 검증됩니다. 하지만 이는 필연적으로 과거 데이터에 과적합(overfitting)될 위험이 있으며, '블랙 스완'과 같은 예상치 못한 시장 이벤트나 완전히 새로운 시장 조건에서는 취약점을 드러내기 쉽습니다. 이러한 한계는 트레이딩 전략의 실제 수익률을 불안정하게 만들고 예측 불가능한 손실로 이어질 수 있습니다.

Diffusion 모델 기반 해결책:

  1. 다양한 시장 시나리오 생성: Diffusion 모델은 수천 개의 현실적이지만 서로 다른 시장 시나리오(가격 경로, 변동성 변화, 상관관계 변화 등)를 생성합니다. 이는 과거 데이터의 단순한 변형이 아니라, 학습된 데이터 분포의 잠재 공간(latent space)을 탐색하여 '새로운' 가능성을 창출합니다.
  2. 조건부 스트레스 시나리오 시뮬레이션: 특정 스트레스 이벤트(예: 갑작스러운 금리 인상, 지정학적 충격, 특정 자산의 대규모 매도)를 조건으로 데이터를 생성하여, 이러한 이벤트가 시장에 미칠 영향을 정밀하게 시뮬레이션합니다. 예를 들어, "만약 시장 변동성 지수(VIX)가 특정 임계치를 넘어서는 상황이 발생한다면?"과 같은 가정을 Diffusion 모델에 조건으로 주입하여 해당 상황에서의 시장 움직임을 생성할 수 있습니다.

구체적인 사례: 한 퀀트 트레이딩 펌에서는 Diffusion 모델을 사용하여 1만 개의 고유한 1개월 미래 시장 시나리오를 생성했습니다. 이 시나리오들 중 일부는 역사적으로 관찰된 적 없는 극단적인 변동성이나 급격한 상관관계 변화를 포함했습니다. 이후, 이 펌은 고빈도 트레이딩(HFT) 알고리즘을 이 시뮬레이션된 시나리오들에 대해 백테스트했습니다. 그 결과, 기존 백테스팅에서는 발견하기 어려웠던 알고리즘의 취약점을 여러 개 식별할 수 있었고, 이에 따라 리스크 파라미터를 최적화하고 더욱 견고한 알고리즘을 개발할 수 있었습니다. 이는 변동성이 큰 시장 상황에서 예상치 못한 손실(drawdown)을 크게 줄이는 데 기여했습니다.

저의 개인적인 의견/통찰: Diffusion 모델의 진정한 힘은 단순히 데이터를 증강하는 것을 넘어, '아직 보지 못했지만 충분히 그럴듯한(unseen yet plausible)' 시나리오를 탐색할 수 있는 능력에 있습니다. 이는 리스크 관리를 과거 데이터에 대한 반응적 대응에서 미래에 대한 선제적 대비로 전환시키는 패러다임 시프트입니다. 즉, 과거 데이터에 가장 잘 맞는 모델을 찾는 것에서 벗어나, 미래에 발생할 수 있는 광범위한 가능성에 대비하여 더 강력하고 유연한 금융 시스템을 구축하는 방향으로 퀀트 금융의 접근 방식을 근본적으로 변화시키고 있다고 생각합니다.

5. Diffusion 모델의 장단점 / 비판적 분석

Diffusion 모델은 금융 시계열 데이터 활용에 혁신을 가져오지만, 모든 기술과 마찬가지로 명확한 장단점을 가지고 있습니다.

  • 장점:
    • 고품질 데이터 생성: 실제 데이터 분포의 복잡성을 높은 충실도로 학습하고 재현하여 기존 통계 모델의 한계를 넘어섭니다.
    • 모드 붕괴(Mode Collapse) 방지: GANs와 달리 다양한 데이터 모드를 안정적으로 생성하여 현실적인 다양성을 확보합니다. 이는 특히 복잡한 금융 시장 시나리오 생성에 필수적입니다.
    • 조건부 생성 능력: 특정 시장 상황(예: 높은 변동성, 특정 경제 지표)을 조건으로 데이터를 생성하여 특정 시나리오 분석에 매우 유용합니다.
    • 프라이버시 보호: 실제 데이터를 직접 공유하지 않고도 통계적 특성이 유사한 데이터를 제공하여 규제 준수 및 데이터 공유의 어려움을 해결합니다.
    • 스트레스 테스트 및 리스크 관리: 과거에 없었던 극단적인 시나리오를 생성하여 포트폴리오, 거래 전략 및 리스크 모델의 견고성을 평가할 수 있습니다.
  • 단점:
    • 높은 계산 비용: 학습 및 샘플링 과정이 GPU 자원을 많이 소모하며, 특히 고해상도/장기 시계열 데이터에서는 더욱 그렇습니다. 클라우드 기반 GPU 자원 없이는 실험하기 어려울 수 있습니다.
    • 느린 샘플링 속도: GANs나 VAEs에 비해 샘플링 과정이 느려 실시간 시뮬레이션에는 제약이 있을 수 있습니다. (그러나 ODE solver 기반의 샘플링 방법이나 DDIM 등은 이 문제를 개선하고 있습니다.)
    • 데이터 정규화의 중요성: 입력 데이터의 스케일링 및 전처리에 매우 민감하며, 부적절한 전처리는 모델 성능 저하로 이어질 수 있습니다.
    • 모델 복잡성 및 하이퍼파라미터 튜닝: 아키텍처 설계와 다양한 하이퍼파라미터(예: 확산 스케줄, 스텝 수) 튜닝에 상당한 전문 지식과 노력이 필요합니다.
    • 원인-결과 관계 해석의 어려움: 생성된 데이터가 실제 시장에서 어떤 원인으로 발생할 수 있는지에 대한 직접적인 인과 관계 해석은 여전히 어려운 과제입니다. 모델이 '무엇'을 생성했는지는 알지만 '왜' 생성했는지 설명하기는 어렵습니다.

6. FAQ

  • Q: Diffusion 모델이 GANs보다 금융 시계열에 더 적합한 이유는 무엇인가요?
    A: GANs는 생성자(Generator)와 판별자(Discriminator)의 적대적 학습 과정에서 모드 붕괴(mode collapse) 문제를 겪을 수 있어, 실제 데이터 분포의 일부만 학습하고 다양한 시나리오를 놓칠 위험이 있습니다. 금융 시계열은 본질적으로 다중 모드적이고 복잡한 분포를 가지므로, Diffusion 모델이 더 안정적인 학습과정으로 분포 전체를 커버하고 높은 충실도로 다양한 패턴을 생성하는 데 유리합니다.
  • Q: 생성된 시계열 데이터가 '진정으로 새로운' 것인가요, 아니면 단순히 기존 데이터의 변형인가요?
    A: Diffusion 모델은 단순히 기존 데이터를 변형하는 것을 넘어, 학습된 데이터 분포의 잠재 공간(latent space)을 효과적으로 탐색하여 '진정으로 새로운' 시계열 패턴을 생성할 수 있습니다. 이는 모델이 데이터의 기본적인 통계적, 시간적 종속성을 이해하고 이를 기반으로 현실적이지만 이전에 관찰되지 않았던 시나리오를 만들어낼 수 있음을 의미합니다. 과거 데이터를 '재조합'하는 수준을 넘어선 '창조'에 가깝습니다.
  • Q: Diffusion 모델을 사용한 데이터 증강이 규제 준수(예: GDPR)에 어떻게 도움이 될 수 있나요?
    A: Diffusion 모델로 생성된 합성 데이터는 실제 개인 식별 정보나 민감한 기업 데이터를 포함하지 않으면서도, 원본 데이터의 통계적 특성과 패턴을 잘 보존합니다. 이를 통해 실제 데이터를 직접 공유하거나 학습에 사용할 수 없는 경우에도, 규제 준수 요건을 충족하면서 새로운 데이터셋을 확보하고 모델을 훈련할 수 있습니다. 이는 프라이버시 보호와 데이터 활용이라는 두 마리 토끼를 잡는 효과적인 방법입니다.

7. 결론

금융 시계열 데이터의 잠재력을 확장하는 데 있어 Diffusion 모델은 단순한 기술적 진보를 넘어, 금융 AI의 접근 방식 자체를 변화시키는 변혁적인 도구입니다. 데이터 희소성, 프라이버시 문제, 그리고 복잡한 시장 역학을 포착하는 한계를 해결하며, 기존 모델의 견고성을 극대화하고 미래 시나리오에 대한 우리의 이해를 심화시킵니다.

이 글에서 제시된 코드 스니펫과 워크플로우는 여러분이 Diffusion 모델을 금융 데이터에 직접 적용하기 위한 시작점이 될 것입니다. 지금 바로 Hugging Face의 diffusers 라이브러리와 PyTorch를 활용하여 직접 실험해보고, 여러분의 금융 애플리케이션에 Diffusion 모델의 강력한 생성 능력을 통합해보시길 권합니다. 이 빠르게 발전하는 분야에서 지속적인 학습과 책임감 있는 적용은 금융 데이터의 새로운 가능성을 여는 데 핵심적인 역할을 할 것입니다. 미래의 금융 시스템은 데이터를 '관찰'하는 것을 넘어 '생성'하고 '시뮬레이션'하는 능력에 의해 좌우될 것입니다.