연준의 말이 시장을 움직일 때 — 2023년 5월 AI 금융 연구 리뷰

오세에이아이연구소·2023년 6월 1일·17분 읽기

#금융 AI #NLP #센티먼트 분석 #포트폴리오 최적화 #시장 미시구조 #FOMC #교차 충격 #온라인 포트폴리오

연준의 말이 시장을 움직일 때 — 2023년 5월 AI 금융 연구 리뷰

"미국 연준 위원들이 한 마디 할 때마다 시장이 출렁인다면, 그 말 속에 숨은 뉘앙스를 읽을 수 있다면?"

2023년 5월, arXiv에는 흥미로운 금융 AI 연구들이 쏟아져 나왔습니다. 연준 관리들의 연설 톤을 자동으로 분류하는 데이터셋, 서로 다른 자산 사이의 가격 충격이 어떻게 전파되는지, 그리고 포트폴리오를 짜는 수학적 이론이 어떻게 진화하고 있는지까지. 이번 글에서는 그 달의 주목할 논문들을 다섯 가지 테마로 묶어 살펴보겠습니다.

테마 1: 금융 뉴스의 감성을 읽다 — NLP가 금융에 들어오다

문제: 뉴스 헤드라인 속에 숨은 의미

하루에도 수천 건의 금융 뉴스가 쏟아집니다. "삼성전자 실적 호조, SK하이닉스는 부진"이라는 헤드라인 하나 안에도 두 기업의 서로 다른 감성이 공존합니다. 기존의 감성 분석 모델은 이런 다중 엔티티 상황을 제대로 처리하지 못했습니다.

Trillion Dollar Words: 연준의 말을 데이터로 만들다

이 논문의 연구팀은 미국 연방공개시장위원회(FOMC)의 연설, 회의록, 기자회견 전문을 대규모로 모아 토큰화하고 주석을 단 데이터셋을 만들었습니다. 그리고 여기서 매파적(hawkish)/비둘기파적(dovish) 분류라는 새로운 자연어 처리 과제를 제안했습니다.

쉽게 말하면, 연준 위원들이 "금리를 더 올려야 한다"는 뉘앙스인지, "경제가 아직 약하니 기다리자"는 뉘앙스인지를 컴퓨터가 자동으로 판별하게 한 것입니다.

그림: 연준 정책 스탠스 지표를 활용한 투자 전략의 성과. 100달러로 시작한 포트폴리오가 Buy & Hold 전략 대비 더 안정적으로 우상향하는 모습을 보여준다.

최적 모델로 선정된 RoBERTa-large는 기존 모델들보다 뛰어난 분류 성능을 보였고, 이렇게 만든 정책 스탠스 지표는 국채 시장, 주식 시장, 거시경제 지표에 실제로 영향을 미치는 것으로 확인되었습니다. 데이터셋과 코드는 Huggingface와 GitHub에 공개되어 있어 바로 사용해볼 수 있습니다.

SEntFiN 1.0: 한 헤드라인에 두 기업, 감성도 따로 분리

SEntFiN은 10,753개의 금융 뉴스 헤드라인에 기업별 감성 라벨을 단 데이터셋입니다. 그 중 2,847개는 여러 기업이 등장하면서 감성까지 엇갈리는 복잡한 경우입니다. RoBERTa와 FinBERT가 평균 정확도 94.29%, F1-score 93.27%를 기록했습니다.

흥미로운 점은, 사전 기반의 n-gram 앙상블 모델이 GloVe 같은 사전학습 임베딩보다 경쟁력 있는 성능을 냈다는 것입니다. 금융 도메인에서는 단순한 단어 조합이 생각보다 강력한 신호가 될 수 있음을 시사합니다.

공통 인사이트

이 두 논문이 함께 말하는 것이 있습니다: 금융 텍스트에서 감성을 추출하는 것은 단순한 긍/부정 분류가 아니라, 누구의 말인지(연준 위원 vs 기업 CEO), 어떤 대상에 대한 것인지(금리 vs 실적)를 구분해야 실용적인 신호가 된다는 것입니다.

테마 2: 자산 간 가격 충격의 비밀 — 교차 충격이란 무엇인가

문제: A를 사면 B의 가격도 움직인다

주식을 매수하면 그 주식의 가격이 오릅니다. 당연하죠. 그런데 놀랍게도, 다른 관련 주식의 가격도 같이 움직이는 경우가 있습니다. 이를 '교차 충격(cross impact)'이라고 부릅니다.

When is cross impact relevant?

이 논문은 미국 500개 자산의 5년치 틱(tick) 데이터를 분석해 교차 충격이 언제, 왜 발생하는지를 체계적으로 밝혀냈습니다.

핵심 발견은 놀랍도록 명확합니다:

가격 형성은 고유동성 자산 내부에서 내생적으로 일어납니다. 거래가 활발한 대형주에서 가격 정보가 먼저 결정됩니다.
이후 고유동성 자산의 거래가 저유동성 상관자산의 가격에 영향을 미칩니다. 예를 들어, 삼성전자가 크게 움직이면 관련 반도체 중소형주도 따라 움직입니다.
영향의 속도는 저유동성 자산의 최소 거래 빈도에 의해 제한됩니다.

그림: 교차 충격의 구조를 보여주는 분석 결과. 고유동성 자산에서 저유동성 자산으로의 일방향적 가격 영향 관계가 시각화되어 있다.

연구팀은 이 프레임워크를 금리 시장에 적용했는데, 10년물 국채 선물이 주요 유동성 저수지 역할을 하며 현물 채권과 다른 만물 선물 가격에 영향을 미친다는 것을 발견했습니다. 이는 "장기 금리는 미래 단기 금리에 대한 기대"라는 기존 금융이론에 도전하는 실증 결과입니다.

실무적으로 보면, 고유동성 선도자산의 주문 흐름을 관찰하면 저유동성 상관자산의 단기 가격 반응을 예측할 수 있다는 의미입니다.

테마 3: 포트폴리오를 짜는 새로운 수학

문제: "계란을 여러 바구니에 나눠 담아라" — 그게 다가 아니다

포트폴리오 최적화는 투자의 기본 중 기본입니다. 하지만 현실에서는 "비중을 60:40으로 배분하세요" 이상의 복잡한 문제가 기다리고 있습니다. 시장이 변하면 리밸런싱해야 하고, 거래 비용이 발생하고, 리스크 측정 방식도 시간에 따라 달라져야 합니다.

데이터에 적응하는 온라인 포트폴리오

이 논문은 NeurIPS 2023에 채택된 연구로, 온라인 포트폴리오 선택 문제에서 데이터 적응형 성능 보장을 처음으로 제시합니다.

기존 이론은 최악의 경우(worst case)만 고려합니다. "시장이 아무리 나빠져도 이 정도 손실은 넘지 않는다"는 보장이죠. 하지만 실제로는 시장이 쉬운 구간(변동성이 낮고 예측 가능한 시기)과 어려운 구간이 있습니다.

이 연구의 핵심 아이디어는, 데이터가 '쉬우면' 성능 보장도 훨씬 타이트해진다는 것입니다. 수학적으로 말하면, worst-case에서는 sublinear regret을 보장하면서도, 쉬운 데이터 구간에서는 로그 수준의 후회(logarithmic regret)를 달성합니다.

그림: 온라인 포트폴리오 선택 알고리즘의 regret bound 비교. 데이터 난이도에 따라 성능 보장이 적응적으로 변하는 모습.

이론적이지만 실용적 시사점이 있습니다: 시장 변동성과 손실 난이도에 따라 더 타이트한 리밸런싱 보장을 제공하므로, 대규모 자산 유니버스를 다루는 적응형 포트폴리오 엔진의 이론적 기반이 될 수 있습니다.

동적 위험예산 배분

다른 한편으로, 위험예산(risk budgeting) — "각 자산이 전체 위험에 기여하는 비중을 미리 정해두는 전략" — 을 시간 일관적인 동적 위험측도 환경으로 확장한 연구도 있습니다. 기존의 정적 Euler 위험기여도 개념을 다기간 설정으로 일반화하고, Actor-Critic 딥러닝으로 풀이한 점이 특징입니다.

공통 인사이트

포트폴리오 이론이 진화하는 방향은 분명합니다: 1회성 정적 배분 → 다기간 시간 일관적 최적화. 거래 비용, 리스크 측정의 시간 변화, 데이터 난이도의 적응적 반영이 핵심 과제입니다.

테마 4: 시계열 계량경제학의 다양한 도전

변동성의 변동성을 옵션에서 읽다

주식의 변동성(volatility)은 시간에 따라 변합니다. 그런데 그 변동성 자체도 변동성을 가집니다 — 이를 '변동성의 변동성(vol-of-vol)'이라고 부릅니다. 이 논문은 단기 옵션의 고빈도 정보를 이용해 이 vol-of-vol과 레버리지 효과(가격이 하락하면 변동성이 커지는 현상)를 직접 추정하는 비모수적 방법을 제시합니다.

기존에는 주로 주식 가격이나 수익률 데이터에서만 이런 것을 추정했지만, 옵션 가격에 포함된 정보가 훨씬 풍부하다는 점을 활용한 것입니다.

그 외 주목할 논문들

계층적 예측: 전력 경매의 수급 곡선 전체를 계층적으로 조정해 예측 정확도를 높이는 프레임워크
선행-후행 관계 탐지: 다변량 팩터 시스템에서 자산 간 리드-래그 관계를 클러스터링으로 찾는 방법
공급망 전염: 기업 간 공급망 충격이 금융기관의 거래상대방 부도로 전파되는 경로를 정량화
암호화폐 성숙도: 암호화폐 시장이 전통시장과 유사한 스타일화된 사실을 언제부터 갖추었는지 분석

테마 5: 미래의 씨앗 — LLM 에이전트와 생성 모델

2023년 5월은 ChatGPT가 등장한 지 약 6개월 된 시점입니다. 금융 분야에서 LLM과 생성 모델의 역할은 아직 태동기이지만, 두 가지 방향의 씨앗이 뿌려지고 있었습니다.

이 논문은 GAN(Generative Adversarial Network) 없이 경로 서명 커널(path signature kernel) 기반 점수 규칙으로 Neural SDE(신경 확률 미분방정식)를 학습하는 방법을 제안합니다. 금융 시계열은 불규칙하고 결측이 많아서 기존 생성 모델로 합성 데이터를 만들기 어려웠는데, 이 접근은 그런 특성에 더 적합합니다.

스트레스 테스트, 시나리오 분석, 합성 데이터 생성 등에 활용 가능할 것으로 기대됩니다.

LLM의 금융 추론 능력

"Beyond Classification"이라는 제목의 이 논문은 GPT급 대규모 언어 모델이 금융 문제를 단순 분류가 아닌 다단계 추론으로 풀 수 있는지를 체계적으로 평가한 초기 연구입니다. 아직 성능은 제한적이지만, 이후 수많은 금융 LLM 연구의 방향을 예고하는 작업이었습니다.

2023년 5월의 큰 그림

이 달의 연구를 관통하는 메시지는 하나입니다: 금융 데이터를 다루는 도구가 정교해지고, 그 도구가 실제 시장의 복잡성을 더 잘 반영하는 방향으로 진화하고 있다.

연준의 말 한 마디에 시장이 출렁인다면, 그 말의 뉘앙스를 자동으로 읽는 기술은 투자자에게 단순한 편의를 넘어 실시간 매크로 신호가 됩니다. 자산 간 가격 충격의 내생적 구조를 이해하면, 선도자산의 움직임만으로 후행자산을 예측할 수 있습니다. 포트폴리오 이론은 정적인 배분에서 벗어나 시장 상태에 적응하는 동적 최적화로 나아가고 있습니다.

그리고 아직 씨앗 단계이지만, LLM과 생성 모델이 금융에 들어오는 문이 열리고 있습니다. ChatGPT 등장 6개월 만에 이미 금융 추론 평가와 Neural SDE 연구가 시작된 것을 보면, 이 분야의 속도를 실감할 수 있습니다.