2021년 8월 AI 금융 연구 요약 — 예측이 아닌 '의사결정'에 집중한 한 달

주식이 오를지 내릴지를 맞히는 건 투자의 전부가 아닙니다. 2021년 8월에 발표된 논문들은 한 가지 공통된 메시지를 전합니다: "예측을 잘하는 것"과 "투자를 잘하는 것"은 다른 문제라는 것이죠. 이 달에는 어떤 흥미로운 연구들이 나왔을까요? 어렵지 않게 풀어보겠습니다.

---

1. AI가 만드는 '합리적인' 옵션 가격표

왜 흥미로운가?

option(옵션)을 거래하려면 "변동성 표면"이라는 게 필요합니다. 쉽게 말해, "이 옵션의 만기와 행사가격에 따라 시장이 기대하는 변동성이 얼마인가"를 한눈에 보여주는 3차원 지도예요. 문제는 이 지도를 그리려면 시장 데이터가 많이 필요한데, 이국적인(exotic) 옵션은 데이터가 턱없이 부족합니다.

논문이 한 일

이 연구는 VAE(변분 오토인코더)라는 AI 기술과 전통적인 수학 모델(SDE, 확률 미분방정식)을 결합했습니다. 핵심 아이디어는 이겁니다:

1. 역사적 변동성 표면 데이터를 수학 모델의 "매개변수"로 변환합니다
2. 이 매개변수 분포 위에 VAE를 학습시킵니다
3. VAE에서 새 매개변수를 뽑아 → 수학 모델로 변환 → 무차익(arbitrage-free) 변동성 표면을 생성합니다

"무차익"이 뭐냐고요? option 가격에 숨겨진 비용 구조에서 이론적으로 불가능한 이익 기회(차익)가 없어야 한다는 뜻입니다. AI가 멋대로 만들어낸 가격표에는 이런 구조적 오류가 있을 수 있는데, 이 연구는 수학 모델을中间에 두어 이를 방지합니다.

실전에서는?

FX(외환)나 주가지수 옵션 시장에서 데이터가 부족한 구간의 변동성 표면을 합성 데이터로 보완할 수 있습니다. 스트레스 테스트 시나리오를 만들거나, 이국적 옵션 가격 모델을 학습시킬 때 유용하겠죠.

📄 논문 보기 | A등급 (종합 74.6점)

---

2. 뉴스 속 기업 관계 지도 — 숨겨진 알파의 지도

왜 흥미로운가?

"A 회사에 나쁜 뉴스가 나오면 B 회사 주가도 영향을 받는다" — 이런 건 경험적으로 알고 있었지만, 전체 시장 차원에서 어떤 기업이 누구에게 영향을 주는지를 체계적으로 그린 연구는 드뭅니다.

논문이 한 일

100만 건이 넘는 인터넷 뉴스 기사를 분석해서 S&P 500 기업 간의 방향성 네트워크를 만들었습니다. 뉴스에서 "A 기업이 B 기업의 실적에 영향을 줄 수 있다"는 맥락을 찾아내서 화살표로 연결한 거예요. 그리고 이 네트워크의 "관심도(network degree)" — 몇 개 기업과 연결되어 있는지 — 가 주가 예측에 유용한지 확인했습니다.

핵심 발견

• 뉴스로 연결된 기업들의 주가는 같은 방향으로 움직이는 경향이 강합니다
• "리더" 역할 기업의 주가 변동은 "팔로워" 기업에 하루 뒤 반대 방향으로 되돌아옵니다(역전 효과)
• 가장 예측력이 높은 연결은 같은 업종 내, 대형주가 리더, 유동성이 낮은 기업이 리더인 경우입니다

실전에서는?

실시간 뉴스를 읽으면서 기업 간 연결 네트워크를 업데이트하면, 롱-숏 포트폴리오의 종목 선정이나 이벤트 리스크 모니터링에 바로 쓸 수 있습니다.

📄 논문 보기 | A등급 (종합 73.5점)

---

3. "어떻게 예측할까"보다 "어떻게 투자할까" — 손실함수의 비밀

왜 흥미로운가?

machine learning으로 주식 수익률을 예측할 때, 보통 "실제 수익률과 예측 수익률의 차이(평균제곱오차, MSE)"를 최소화합니다. 하지만 이 연구는 "예측이 틀렸을 때 포트폴리오에 얼마나 큰 손해가 나는가"를 직접 최소화하는 게 낫다고 말합니다.

논문이 한 일

같은 모델(그래디언트 부스팅, 랜덤 포레스트, 신경망), 같은 데이터에서 손실함수만 바꾸는 통제실험을 했습니다:

• 회귀(regression): "이 주식의 수익률은 3.2%일 것이다" → MSE 최소화
• 분류(classification): "이 주식은 상위 20%에 속할 확률이 높다" → 분류 오차 최소화

결과

동일한 모델 구조에서 손실함수만 바꿨을 뿐인데, 샤프 비율이 65%나 높아졌습니다. 분류는 수익률을 구간으로 나누기 때문에, 상위/하위 그룹의 차이를 더 선명하게 포착합니다.

실전에서는?

종목선정 파이프라인에서 "수익률을 직접 예측"하는 대신 "상위 20% vs 하위 20%로 분류"하는 것으로 전환하면, 같은 모델·같은 데이터에서도 더 나은 투자 성과를 기대할 수 있습니다. 간단한 변경인데 효과가 크죠.

📄 논문 보기 | A등급 (종합 72.9점)

---

4. 암호자산의 숨겨진 지도 — 커뮤니티가 리스크를 말한다

왜 흥미로운가?

비트코인, 이더리움, 솔라나... 수천 개의 암호자산이 있지만, 서로 어떤 관계인지 한눈에 보기 어렵습니다. 이 연구는 "기술적으로 비슷한 코인끼리 묶고, 묶음 간에 리스크가 어떻게 퍼지는지"를 시간에 따라 추적합니다.

논문이 한 일

두 가지 정보를 결합했습니다:

1. 수익률 교차 예측성: A 코인의 가격이 B 코인의 미래 가격을 예측하는 정도
2. 기술적 유사성: 같은 블록체인 프로토콜, 같은 스마트 컨트랙트 기반 등

이 두 정보를 동적으로 결합해서 암호자산 간 시간 가변적 네트워크를 만들고, 스펙트럴 클러스터링으로 커뮤니티를 찾았습니다.

핵심 발견

• 암호자산은 시간에 따라 변하는 동적 커뮤니티를 형성합니다
• 서로 다른 커뮤니티에 투자하면 리스크 분산이 더 잘 됩니다
• 커뮤니티 기반 모멘텀 전략은 일일 1.08% 수익률을 달성했습니다

실전에서는?

DeFi(탈중앙 금융)에서 같은 AMM 프로토콜을 쓰는 토큰끼리 리스크가 전염될 수 있으니, 커뮤니티 간 분산이 리스크 관리의 핵심입니다.

📄 논문 보기 | A등급 (종합 72.0점)

---

5. 강화학습의 "진짜 수학" — 마팅게일로 되돌아보다

왜 흥미로운가?

강화학습(RL)은 게임에서 인간을 이기는 걸로 유명하지만, 금융에 적용할 때는 "이 알고리즘이 왜 이론적으로 옳은가?"라는 질문에 답하기 어렵습니다. 이 연구는 연속시간 수학(마팅게일 이론)으로 RL의 핵심 알고리즘을 재해석합니다.

논문이 한 일

RL에서 정책을 평가할 때 쓰는 TD(시차) 학습의 목적함수에 근본적인 문제가 있다는 걸 발견했습니다:

• 평균 제곱 TD 오차는 가치함수를 학습하는 게 아니라, 마팅게일의 이차변동(quadratic variation)을 최소화하고 있었다
• 따라서 TD 오차를 직접 최소화하는 건 좋은 가치함수를 보장하지 않는다

대신 마팅게일 손실함수나 직교조건을 사용하면, TD(λ), LSTD, GTD 등 고전 알고리즘이 자연스럽게 유도되고, 참 가치함수에 대한 수렴 보장을 얻을 수 있습니다.

실전에서는?

초고頻 거래나 연속시간 실행 문제에서 actor-critic 평가기를 설계할 때, 마팅게일 기반 목적함수가 이론적 근거를 제공합니다. 실전에서는 이산 시간 간격에서의 수렴 보장을 통해 RL 하이퍼파라미터를 더 안정적으로 튜닝할 수 있습니다.

📄 논문 보기 | A등급 (종합 71.0점)

---

2021년 8월의 큰 그림

이 달의 논문들을 관통하는 하나의 메시지가 있습니다: "좋은 예측 ≠ 좋은 투자."

분류 vs 회귀 손실함수 비교(2108.02283), 목적정렬 손실의 regret 보증(2108.08887), 강건 포트폴리오의 분포 불확실성(2108.02633)은 모두 "예측 이후의 의사결정 단계"를 정밀하게 설계해야 한다고 말합니다. 한편, 뉴스 네트워크(2108.05721), 암호자산 네트워크(2108.11921), 비트코인 미시구조(2108.09750)는 텍스트·네트워크·미시구조 데이터가 가격 데이터만으로는 보이지 않는 알파를 제공한다는 걸 보여줍니다. 마지막으로, 연속시간 마팅게일 프레임워크(2108.06655)와 VAE-IV 생성(2108.04941)은 수학적 구조를 보장하는 AI라는 새로운 패러다임을 제시합니다.

---

함께하기

이 글이 유익했다면 아래 채널에서 더 많은 AI 금융 연구 소식을 받아보세요:

• 🌐 ohselab.com
• 📬 뉴스레터 구독
• 🐦 팔로우

---

더 알아보기

이 글에서 다룬 논문들의 상세 분석은 2108 월간 리포트에서 확인할 수 있습니다. 각 논문의 5차원 점수(참신성·적용성·엄밀성·재현성·통찰)와 테마별 공통 인사이트도 정리되어 있습니다.