과적합 현상은 금융 시계열 자료 예측 작업을 수행하기 위해 신경망 모형을 활용할 때 발생하는 주요 문제 중 하나이다. 금융 시계열 자료는 다른 분야에 비해 상대적으로 자료 개수가 적어 과적합 특징이 두드러지는 경향이 있다. 우리는 본연구를 통해 제시한 임의 증강 기법 알고리즘으로 신경망 기반 시계열 자료 예측 작업에서 과적합을 완화하는 방법을 제안하고자 한다. 본 연구의 신경망은 LSTM 순환 신경망 구조를 가지며, 제안 방법은 학습 과정에서 단계적으로 학습 기울기를 감소시키면서, 학습자료를 확률적으로 증강하는 방식을 따른다. 제안한 알고리즘의 성능을 검증하기 위해 가장 유명한 변동성 지수인 VIX 지수 시계열을 네 개의 구간으로 나누어 교차 검증을 진행하였다. 본 연구에서 진행한 실험 결과에 따르면 학습자료 증강 과정에서 임의선택영역 비중이 증가할수록 모형의 예측 성능이 향상되는 경향을 보이며, 알고리즘이 적용되지 않은 보편적인 LSTM 신경망과 비교하였을 때 네 개의 교차 검증 데이터에서 RMSE 수치가 각각 23%, 34%, 32%, 34% 감소하여 과적합 현상 완화에 효과적임을 확인하였다.