IPO Adjustment Risk Prediction

Cross-Attention 기반 병렬 Multi-Task Learning을 활용한
IPO 상장 초기 가격 발견 완료 시점(T=22) 이후 시장 대비 성과 방향 예측

조영서 · 이경민

DB Insurance & Finance Contest

Overview

국내 IPO 시장에서 상장 초기 과열 이후 발생하는 단기 가격 조정 위험을 규명하고, 가격 발견 완료 시점 이후 시장 대비 성과 방향을 예측하기 위해 Cross-Attention 기반 병렬 Multi-Task Learning 모형을 제안한다.

2009년 6월부터 2025년까지 KOSPI 및 KOSDAQ 시장에 신규 상장된 923개 기업의 BHAR(누적보유초과수익률)을 분석한 결과, 평균 BHAR 변화율이 안정화되는 상장 후 약 22거래일을 가격 발견 완료 시점으로 식별하였다.

Key Idea

IPO 성과는 초기 수요 충격 → 단기 조정 → 수급 변화에 따른 재평가로 이어지는 비선형 가격 동학을 보이지만, 이를 유발하는 수요 강도와 기업 특성이라는 근본 요인은 시점 간 공유된다. 이 구조를 활용하기 위해 서로 다른 시점의 성과를 보조 과제(Source Task)로 설정하고, Cross-Attention을 통해 시점 간 정보를 적응적으로 전이하는 병렬 MTL 구조를 설계하였다.

Source Task Selection

Information Gain 기반 Greedy Selection과 베이지안 최적화를 통해 다음 세 시점을 보조 과제로 선정하였다:

Source Task	시점	경제적 의미
T=1	상장일	초기 수요 충격 (투자 심리, 수급 불균형)
T=68	약 3개월	보호예수 해제에 따른 수급 전환 및 가격 재평가
T=149	약 7개월	락업 영향 소화 후 중기 가격 정착

Model Architecture

기존 MTL 구조인 MMoE와 PLE는 입력 의존적 게이팅을 통한 간접적 정보 병합에 의존하며, AITM은 순차적 제약이 IPO의 비단조적 가격 경로와 충돌하는 한계가 있다. 제안 모델은 이러한 제약을 배제하고, Cross-Attention 기반의 병렬적 정보 전이(Parallel Transfer) 구조를 설계하여 과제 간 직접적인 상호 참조와 선택적 정보 결합을 가능하게 하였다.

각 Task의 고유 표현(Bottom MLP 출력)이 Query가 되고, 자신을 제외한 나머지 전체 Task의 표현이 Key/Value가 되어 Multi-Head Cross-Attention을 수행한다. Attention 출력은 Residual Connection을 통해 원본 표현과 합산된 후 Layer Normalization을 거쳐 최종 Task Representation을 생성하며, 각 Tower MLP를 통해 예측 확률을 산출한다.

Results

Benchmark Comparison (5-Seed Average)

MTL	Model	Accuracy	Precision	Recall	F1	AUC
✓	Ours	65.42	47.92	54.21	50.85	59.21
✓	PLE	64.21	46.85	51.20	48.92	57.80
✓	MMoE	63.42	46.99	42.19	38.42	51.82
✓	AITM	57.02	39.70	55.78	40.96	51.88
	XGBoost	49.86	37.65	81.41	49.93	54.97
	CatBoost	53.44	37.88	67.52	46.68	52.54
	Logistic Reg.	56.47	36.40	59.31	44.73	53.94
	SingleTask	63.47	45.66	38.75	35.61	51.40

Statistical Significance (McNemar's Test)

vs Model	χ² (p-value)	Significance
AITM	9.452 (0.002)	★★★
XGBoost	9.124 (0.003)	★★★
SingleTask	6.210 (0.013)	★★
PLE	4.125 (0.042)	★★

Project Structure

ipo/
├── main.py                    # 통합 실행 스크립트
├── scripts/
│   ├── crawl.py               # IPO 크롤링
│   ├── bhar_trend.py          # BHAR 추세 계산
│   ├── preprocess.py          # 데이터 전처리
│   ├── source_tasks.py        # Source Task 최적화 + 선정
│   ├── shap_analysis.py       # SHAP 기반 피처 선택 (RFE)
│   ├── optuna_search.py       # Optuna 하이퍼파라미터 탐색
│   ├── train_evaluate.py      # 모델 학습 및 벤치마크
│   └── attention_analysis.py  # Attention 전이 메커니즘 분석
├── src/
│   ├── config.py              # 전역 설정
│   ├── utils.py               # 유틸리티
│   ├── data_pipeline.py       # 데이터 로드/분할/전처리 파이프라인
│   ├── source_selection.py    # Source Task 선정 로직
│   ├── models/
│   │   ├── aitm.py            # Cross-Attention 병렬 MTL (제안 모델)
│   │   ├── mmoe.py            # MMoE
│   │   ├── ple.py             # PLE
│   │   ├── singletask.py      # SingleTask
│   │   └── ml_baselines.py    # XGBoost, CatBoost, Logistic Regression
│   └── crawlers/              # 데이터 수집 모듈
├── data/                      # 원본 데이터
└── output/                    # 실행 결과물 (모델, 시각화 등)

Getting Started

pip install -r requirements.txt

단계	명령어	설명
1	python main.py crawl	IPO 크롤링 (OpenDART)
2	python main.py bhar	BHAR 추세 계산
3	python main.py preprocess	데이터 전처리
4	python main.py source_task	Source Task 최적화 + 선정
5	python main.py shap	SHAP 기반 피처 선택 (RFE)
6	python main.py optuna	하이퍼파라미터 탐색
7	python main.py benchmark	모델 학습 및 벤치마크

Configuration

모든 실험 설정은 src/config.py에서 관리된다.

항목	설정값	설명
PREDICTION_HORIZON	22	가격 발견 완료 시점 (거래일)
MTL_MANUAL_SOURCE_TASKS	[1, 68, 149]	Source Task 시점
SCALER	'standard'	StandardScaler 적용