2023년 7월의 금융 AI: 누구나 금융 LLM을 만들 수 있게 되는 날이 올까?

한 달에 쏟아지는 250편 넘는 논문 중 진짜 읽을 것만 골랐습니다. 이 글은 2023년 7월에 arXiv에 올라온 금융·퀀트 논문 251편을 분석한 월간 종합입니다.

---

들어가며: 두 가지 물음

상상해 보세요. 당신이 작은 투자 스튜디오를 운영하고 있는데, 뉴스와 공시에서 투자 신호를 뽑아내는 AI를 직접 만들고 싶습니다. 그런데 문제는 — 금융에 특화된 AI 모델은 Bloomberg 같은 대기업만 쓸 수 있고, 비용은 천문학적입니다.

2023년 7월, 이 상황을 바꿀 논문 하나가 나왔습니다. 그리고 같은 달, 탈중앙 거래소에서 유동성이 어떻게 움직이는지, 변동성의 숨겨진 구조가 무엇인지, 모델이 틀려도 포트폴리오를 지키는 방법은 무엇인지에 대한 연구도 함께 쏟아졌습니다.

이번 달의 키워드를 세 가지로 정리하면: 접근성(누가 쓸 수 있는가), 분절(유동성은 어디로 흐르는가), 강건함(틀려도 살아남을 수 있는가)입니다.

---

첫 번째 테마: 금융 AI의 문턱을 낮추다

무엇이 문제였나?

2023년 초, Bloomberg는 자사의 금융 특화 대규모 언어 모델인 BloombergGPT를 공개했습니다. 성능은 뛰어났지만, 학습 과정과 데이터는 완전히 비공개였습니다. 마치 비밀 레시피로 만든 요리를 보여주되, 재료와 조리법은 절대 알려주지 않는 것과 같았죠.

일반 기업이나 연구자가 금융 AI를 만들려면 두 가지 벽에 부딪혔습니다:

1. 데이터 벽: 금융에 맞는 텍스트 데이터(뉴스, 공시, 소셜 미디어)를 수집하고 정제하는 파이프라인이 없으면 시작조차 어렵습니다.
2. 비용 벽: 대규모 모델을 처음부터 학습시키는 데 필요한 컴퓨팅 비용은 소규모 팀에게는 감당하기 어렵습니다.

FinGPT가 한 일

FinGPT는 이 두 벽을 동시에 낮추려는 오픈소스 프레임워크입니다(A등급, 복합 점수 76.1).

핵심 아이디어는 세 가지입니다:

첫째, 자동화된 데이터 수집. 34개 인터넷 소스에서 실시간으로 금융 데이터를 긁어오는 파이프라인을 공개했습니다. 뉴스, 공시, 소셜 미디어 등 다양한 소스에서 데이터를 모으고, 금융에 맞게 정제하는 과정이 자동으로 돌아갑니다.

둘째, 경량 미세조정. 거대한 모델을 처음부터 학습시키는 대신, 이미 존재하는 일반 LLM에 LoRA(저순위 적응)라는 기술을 적용해 금융에 특화된 지식만 덧입힙니다. 마치 전문가에게 "금융 공부만 따로 시키는" 것과 비슷합니다. 이 방식이면 일반적인 GPU 몇 대로도 충분합니다.

셋째, RLSP — 주가로 AI를 가르치다. 가장 흥미로운 부분입니다. Reinforcement Learning with Stock Prices의 약자로, 주가 변동 자체를 모델 학습의 피드백 신호로 사용합니다. AI가 뉴스를 읽고 낙관적 예측을 했는데 실제 주가가 떨어졌다면, 그 차이를 보상 신호로 삼아 모델을 개선합니다. 시장이 선생님이 되는 셈입니다.

그래서 뭐가 달라지나?

이 프레임워크의 진짜 가치는 "성능"보다 "접근성"에 있습니다. BloombergGPT에 필적하는 모델을 누구나 만들 수 있게 되었다는 것, 그리고 실시간 데이터로 계속 업데이트할 수 있다는 것이 핵심입니다. 작은 팀도 뉴스 기반 센티먼트 신호를 자체적으로 만들 수 있는 시대가 열리고 있다는 뜻입니다.

---

두 번째 테마: 탈중앙 거래소의 유동성은 어디로 가는가

디파이의 수수료 수수께끼

Uniswap 같은 탈중앙 거래소(DEX)에서는 같은 코인 쌍을 두고 수수료가 다른 여러 풀(pool)이 존재합니다. 예를 들어 ETH/USDC 쌍에 0.05% 수수료 풀과 0.3% 수수료 풀이 동시에 있죠.

그런데 흥미로운 패턴이 나타납니다. 이 논문(A등급, 복합 점수 67.3)이 Uniswap 데이터를 분석한 결과입니다:

• 고수수료 풀은 전체 유동성의 58%를 보유하지만, 실제 거래량은 21%에 불과합니다.
• 저수수료 풀은 거래량의 대부분을 처리하지만, 여기서는 대형 유동성 공급자(LP)가 지배합니다.

왜 이런 일이 생기는 걸까요?

소형 LP의 생존 전략

핵심은 역선택(adverse selection)이라는 개념입니다. 정보를 많이 가진 거래자(예: 내부 정보가 있는 사람이나 고빈도 알고리즘)에게 손해를 보는 위험을 말합니다.

대형 LP는 저수수료 풀에서 활동하면서, 정보 기반 주문 흐름이 감지되면 빠르게 포지션을 조정합니다. 마치 도박판에서 상대의 패를 읽을 수 있는 플레이어처럼요.

반면 소형 LP는 이런 실시간 대응이 어렵습니다. 그래서 차라리 수수료가 높더라도 역선택 위험이 적은 고수수료 풀을 선택합니다. 실행 확률이 낮아도, 한 번 실행되면 더 많은 수수료를 받으니 버틸 수 있는 거죠.

결론: 분절이 오히려 낫다

놀라운 발견은, 유동성이 여러 수수료 풀로 분절되는 것이 단일 수수료 시장보다 낫다는 것입니다. 왜냐하면:

• 더 다양한 LP가 시장에 진입할 수 있고
• 저수수료 풀에서의 LP 간 경쟁이 활성화되어
• 전체적으로 더 효율적인 유동성 공급이 이루어지기 때문입니다.

이것은 전통 금융의 "다크 풀 vs. 리트 풀" 논쟁과도 연결되는 흥미로운 발견입니다.

---

세 번째 테마: 대량 주문을 덜 눈에 띄게 실행하는 법

시장에 충격을 주지 않고 사는 방법

큰돈으로 주식을 사거나 팔 때, 시장 가격을 밀어 올리거나 내리는 문제를 "시장 충격(market impact)"이라고 합니다. 마치 큰 배가 강을 지나갈 때 파도를 일으키는 것과 같습니다.

이 논문(A등급, 복합 점수 67.0)은 시장 상태가 빠르게 변할 때의 최적 실행 전략을 다룹니다.

빠른 평균회귀가 핵심

시장의 유동성과 변동성은 고정되어 있지 않습니다. 때로는 유동성이 풍부했다가 갑자기 마르고, 변동성이 잠잠하다가 폭발합니다. 이 논문은 이런 변화가 "빠른 평균회귀" 패턴을 따른다고 가정합니다 — 즉, 시장이 평소 상태로 빠르게 되돌아온다는 것입니다.

이 가정 하에서, 복잡한 확률적 최적화 문제를 실시간으로 풀 수 있는 근사 공식을 도출했습니다. 특이 섭동(singular perturbation)이라는 수학적 기법을 사용해, 원래는 풀기 어려운 방정식을 단순화한 것입니다.

실무적 가치

이 접근법의 강점은 실시간 계산이 가능하다는 것입니다. 시장이 급변하는 순간에도 빠르게 전략을 조정할 수 있으니, VWAP(거래량 가중 평균 가격) 같은 기존 실행 알고리즘의 적응형 버전으로 활용할 수 있습니다.

---

네 번째 테마: 변동성의 숨겨진 거친 구조

변동성은 매끄럽지 않다

우리가 흔히 "변동성"이라고 하면, 주가가 위아래로 흔들리는 정도를 떠올립니다. 그런데 수학자들의 눈에 변동성은 훨씬 더 복잡한 구조를 가지고 있습니다. 마치 해안선을 멀리서 보면 부드러워 보이지만, 가까이 다가갈수록 점점 더 거친 곡선이 드러나는 것처럼요.

이 논문(A등급, 복합 점수 69.2)은 변동성의 "거칠기"를 직접 관측하지 않고도 추정할 수 있는 새로운 방법을 제시합니다.

핵심 아이디어: 적분분산의 이산 표본만으로

변동성의 거칠기 지수(roughness exponent)를 추정하려면 보통 연속적인 변동성 관측값이 필요합니다. 하지만 현실에서는 변동성을 직접 관측할 수 없고, 주가에서 역산한 "실현분산"이라는 간접적인 측정값만 있습니다.

이 논문의 추정기는 바로 이 실현분산의 이산 표본(예: 5분 간격 데이터)만으로 거칠기를 추정합니다. 그것도 매우 단순한 수식으로, 대규모 데이터셋에서도 빠르게 계산됩니다.

이것이 왜 중요한가?

변동성의 거칠기를 알면:

• rough-vol 모델을 실제 데이터에 맞출 수 있고
• 변동성 예측이 더 정확해지며
• 리스크 모델 선택에 대한 근거가 생깁니다.

더 중요한 것은, 이 추정기가 분포 가정 없이 경로의 성질만으로 작동한다는 것입니다. 모델이 틀려도 추정기는 여전히 유효하다는 뜻입니다.

---

다섯 번째 테마: 모델이 틀려도 살아남는 헤징

딥 헤징의 아킬레스건

최근 몇 년간 "딥 헤징"이라는 기법이 파생상품 분야에서 주목받았습니다. 신경망으로 헤지 전략을 학습하는 방식인데, 전통적인 수학적 방법으로는 다루기 어려운 거래 비용, 시장 마찰 등을 자연스럽게 처리할 수 있습니다.

하지만 치명적인 약점이 있습니다. 딥 헤징은 시장 데이터를 기반으로 학습하는데, 학습에 사용한 시장 모형이 실제와 다르면 헤지 전략이 크게 빗나갈 수 있습니다. 마치 맑은 날씨만 연습한 골퍼가 비오는 날 시합에 나가는 것과 같습니다.

GAN으로 강건하게 만들다

Robust Hedging GANs(A등급, 복합 점수 65.0)은 이 문제를 GAN(생성적 적대 신경망)의 아이디어로 해결합니다.

구조는 세 가지 모듈로 이루어집니다:

1. 헤징 엔진: 헤지 전략을 학습하는 신경망입니다.
2. 시장 생성기: 다양한 시장 시나리오를 만들어내는 모델입니다. 전통적인 모형(예: Heston 모형)이나 ML 기반 생성기 모두 사용할 수 있습니다.
3. 거리 측정기: 시장 예측과 현실 사이의 차이를 측정합니다.

핵심은 헤징 엔진과 시장 생성기가 적대적으로 경쟁한다는 것입니다. 시장 생성기는 헤지 전략이 가장 실패하기 쉬운 시나리오를 찾아내고, 헤징 엔진은 그런 시나리오에서도 버틸 수 있는 전략을 학습합니다. 서로를 더 강하게 만드는 것이죠.

실무적 의미

이 프레임워크의 각 컴포넌트는 이미 실무에서 사용 중인 도구들로 구성되어 있습니다. 기존 파이프라인에 통합하기 수월하다는 뜻입니다. 더 중요한 것은, 모델이 틀릴 가능성을 전제로 설계되었다는 것입니다. 투자에서 "모르는 것을 모른다"는 것을 인정하는 것, 그것이 바로 강건함의 시작입니다.

---

월 전체 Big Picture: 접근성, 분절, 강건함

2023년 7월의 금융 AI 연구를 관통하는 세 가지 키워드를 정리하면:

접근성. FinGPT는 "금융 AI는 대기업만의 것"이라는 전제를 흔들었습니다. 오픈소스, 경량 미세조정, 실시간 데이터 파이프라인 — 이 세 가지가 결합되면 작은 팀도 금융 특화 AI를 만들 수 있습니다.

분절. 탈중앙 거래소에서 유동성이 여러 수수료 풀로 나뉘는 것이 오히려 효율적이라는 발견은, 시장 구조에 대한 우리의 직관을 뒤집습니다. 소형 LP의 "비합리적"으로 보이는 선택이 실은 합리적 생존 전략이었고, 분절이 전체 시장을 더 건강하게 만듭니다.

강건함. 변동성의 거칠기를 추정하는 새로운 도구, 모델 불확실성에 견디는 헤징 프레임워크 — 이 달의 이론적 연구들은 공통적으로 "모델이 현실을 완벽히 설명하지 못한다"는 전제 위에 서 있습니다. 그 한계를 인정하면서도 실용적인 도구를 만들어내는 것이 이 달 연구의 성취입니다.

---

더 알아보기

이 글에서 다룬 논문들의 arXiv 링크입니다:

• FinGPT — 금융 LLM 민주화 프레임워크 (A등급, 76.1점)
• Fragmentation and Optimal Liquidity Supply on DEX — 탈중앙 거래소 유동성 분절 (A등급, 67.3점)
• Approximately Optimal Trade Execution — 빠른 평균회귀 하의 최적 실행 (A등급, 67.0점)
• Estimating Roughness Exponent of Stochastic Volatility — 변동성 거칠기 추정 (A등급, 69.2점)
• Robust Hedging GANs — 강건한 헤징 프레임워크 (A등급, 65.0점)

---

함께하기

• 🌐 ohselab.com
• 📧 뉴스레터 구독으로 매달 금융 AI 연구 동향을 받아보세요
• 🐦 팔로우하고 최신 연구 소식을 놓치지 마세요