[논문 리뷰] ReLaMix: Residual Latency-Aware Mixing for Delay-Robust Financial Time-Series Forecasting

Tianyou Lai, Wentao Yue외 6명|arXiv (Cornell University)|2026. 03. 21.

Stock Market Forecasting Methods인용 수 0

한 줄 요약

ReLaMix는 제로 차수 홀드(ZOH) 지연하에서 깨끗한 고주파 금융 신호를 회복하는 가벼운 잔차 지연 인식 혼합 네트워크로, 기본 모델보다 훨씬 적은 매개변수로 state-of-the-art 정확도를 달성하고 자산 간 일반화가 가능하다.

ABSTRACT

Financial time-series forecasting in real-world high-frequency markets is often hindered by delayed or partially stale observations caused by asynchronous data acquisition and transmission latency. To better reflect such practical conditions, we investigate a simulated delay setting where a portion of historical signals is corrupted by a Zero-Order Hold (ZOH) mechanism, significantly increasing forecasting difficulty through stepwise stagnation artifacts. In this paper, we propose ReLaMix (Residual Latency-Aware Mixing Network), a lightweight extension of TimeMixer that integrates learnable bottleneck compression with residual refinement for robust signal recovery under delayed observations. ReLaMix explicitly suppresses redundancy from repeated stale values while preserving informative market dynamics via residual mixing enhancement. Experiments on a large-scale second-resolution PAXGUSDT benchmark demonstrate that ReLaMix consistently achieves state-of-the-art accuracy across multiple delay ratios and prediction horizons, outperforming strong mixer and Transformer baselines with substantially fewer parameters. Moreover, additional evaluations on BTCUSDT confirm the cross-asset generalization ability of the proposed framework. These results highlight the effectiveness of residual bottleneck mixing for high-frequency financial forecasting under realistic latency-induced staleness.

연구 동기 및 목표

• 제로 차수 홀드(ZOH) 정체화 하에서 고주파 예측을 형식화하고 기존 모델의 실패 모드를 식별한다.
• 지연으로 인한 중복성을 억제하면서 비선형 시장 동학을 보존하는 병목 기반 잔차 혼합 프레임워크인 ReLaMix를 제안한다.
• 실시간 배치를 위한 소형 모델로 최첨단 정확도와 자산 간 일반화를 입증한다.

제안 방법

• 입력 D_in을 작은 잠재 차원 d_b로 압축하기 위한 정보 병목 스타일 병목 투영을 적용한다.
• 지연-인식 잔차 혼합 블록을 두 개의 하위 모듈로 활용한다: 시간 혼합(Time Mixing, 잔차가 있는 시간적 선형 혼합) 및 Expand–Compress Feature Mixing(병목 확장 및 축소).
• 레이어 간 기울기 흐름과 정보 전달을 개선하기 위한 다계층 건너뛰기 연결을 incorporated한다.
• ZOH로 손상된 이력으로부터 미래의 깨끗한 역학을 복구하기 위해 MSE 손실로 엔드투엔드 학습한다.
• 시뮬레이션된 ZOH 지연이 있는 두 번째 해상도 PAXGUSDT에서 평가하고 BTCUSDT로 일반화한다.

실험 결과

연구 질문

• RQ1 ZOH 손상에 의한 지연으로 인한 대기 현상이 고주파 예측 모델에 어떤 영향을 미치는가?
• RQ2 경량 병목 및 잔차 혼합 아키텍처가 지연된 관찰하에서 기존의 믹서/트랜스포머 기반보다 진정한 시장 역학을 더 효과적으로 회복하는가?
• RQ3 ReLaMix가 더 적은 매개변수로 정확도를 유지하고 실시간 배치를 가능하게 하며 자산 간 일반화를 달성하는가?
• RQ4 병목 압축 및 잔차 정제가 ZOH 지연 하의 성능에 어떤 기여를 하는가?
• RQ5 이 접근법이 PAXGUSDT에서 BTCUSDT로 이점을 이전할 수 있는가?

주요 결과

• ReLaMix는 두 번째 해상도 PAXGUSDT 벤치마크에서 지연 비율(15%, 25%, 35%) 및 horizon(k=1,5,7,10)에서 최첨단 예측 정확도를 달성한다.
• 15% 지연 및 horizon k=1에서 ReLaMix는 MSE 0.02928, MAE 0.06109, R2 0.99103을 13.93K 매개변수로 달성하며 TimeMixer 및 기타 기본 모델을 능가한다.
• 지연 전반에 걸쳐 ReLaMix는 TimeMixer(~41K), PatchTST(~102K), TimesNet(~229K)보다 작은 매개변수 풋프린트를 유지한다(약 13.9K–15.4K).
• 병목 압축이 ZOH 중복 제거에 결정적이며 잔차 정제가 예측 역학 보존에 필수적임을 보인다; 어느 하나를 제거하면 성능이 크게 저하된다.
• ReLaMix는 BTCUSDT로 일반화되며 25% 및 35% 지연에서 k=5 또는 k=10으로 최고의 지표를 달성한다(MSE 0.0328/0.0302, MAE 0.0226/0.0293, R2 0.7727/0.7865).
• 다계층 건너뛰기 연결은 학습 안정성 및 정보 흐름을 개선하여 지연으로 손상된 입력 하에서도 수렴을 돕는다.