AI와 금융 이론, 둘이 손을 잡았다

2025년 11월, 금융 AI 연구에서 가장 흥미로운 발견 다섯 가지

매달 arXiv에 올라오는 수백 편의 금융·AI 논문 중에서, 실제 투자에 적용할 수 있는 연구를 골라 쉽고 자세하게 풀어드립니다.

---

들어가며: 요리사가 레시피를 무시하면

맛있는 요리를 만들려면 창의력도 중요하지만, 기본 레시피를 지키는 게 더 중요합니다. 소금을 설탕으로 바꾸면 아무리 솜씨가 좋아도 이상한 맛이 나죠. 금융 AI도 비슷한 상황에 와 있습니다.

2025년 11월 한 달 동안 arXiv에 올라온 금융 관련 논문 466편을 분석했더니, 흥미로운 패턴이 보였습니다. 이번 달에는 "AI에게 자유를 주기보다, 금융 이론의 규칙을 직접 가르치는 게 훨씬 효과적"이라는 연구가 쏟아져 나왔어요.

예를 들어, AI가 옵션 가격을 예측할 때 "차익거래 기회가 생기지 않도록" 학습 과정에 제약을 넣거나, 주문을 실행할 때 "시장에 미치는 충격"을 고려하게 만들거나, 포트폴리오 리스크를 계산할 때 "정규분포 말고 실제 분포"를 쓰자는 거죠.

이 글에서는 466편 중 174편이 우리 평가를 통과했고, 그중 최고 등급(A등급) 17편을 다섯 가지 테마로 묶어 소개합니다. 전문 용어는 가능한 한 일상의 비유로 풀어썼으니, 끝까지 편하게 읽어주세요.

---

테마 1: 옵션 가격의 '완벽한 표면'을 만드는 AI

왜 흥미로운가

중고차 시장에서 비유를 들어볼게요. 같은 차종이라도 연식, 주행거리, 상태에 따라 가격이 다릅니다. 그런데 이 가격들 사이에 모순이 있으면 어떨까요? 예를 들어, 2020년식이 2019년식보다 더 싸면? 그 차이를 이용해 위험 없이 돈을 벌 수 있습니다. 금융에서는 이걸 차익거래(arbitrage)라고 부릅니다.

옵션 시장은 이 문제가 특히 심각합니다. 옵션은 "만기"(언제까지 유효한지), "행사가격"(얼마에 살 수 있는지), "변동성"(가격이 얼마나 흔들리는지) 등 여러 변수가 얽혀 있어서, 이 변수들 전체를 일관된 가격 표면으로 만드는 게 어렵습니다. 조금만 틈이 있으면 차익거래 기회가 생기죠.

문제는, AI(신경망)로 옵션 가격을 예측하면 속도는 빠르지만 이런 규칙을 어길 수 있다는 점입니다. 마치 요리사가 빠르게 요리하면서도 소금과 설탕을 헷갈리는 것과 비슷해요. 이번 달에는 이 문제를 정면으로 다룬 연구가 집중적으로 나왔습니다.

대표 논문: "증명서를 가져다주는 차익거래 없는 옵션 표면"

가장 주목할 만한 논문은 "Proof-Carrying No-Arbitrage Surfaces" (2511.09175, composite 75.0, A등급)입니다.

이 논문의 핵심 아이디어를 비유로 설명하면 이렇습니다. 건축 설계사가 건물을 설계할 때, "이 건물은 안전합니다"라고 말만 하는 게 아니라 공학적 안전 인증서를 같이 내놓는 것과 같아요. 그냥 "안전할 거예요"가 아니라, 구체적인 수치와 함께 "이 기둥이 이 정도 하중을 견딥니다"라고 증명하는 거죠.

이 논문이 제안하는 방법은 세 가지를 한데 묶은 겁니다:

1. PCA-Smolyak 보간: 옵션 표면을 부드럽게 만드는 수학적 방법입니다. 쉽게 말하면, 관찰된 가격들 사이를 부드럽게 연결하되, 불필요한 굴곡은 없애는 거예요. 마치 종이 위에 점들을 찍고, 그 점들을 가장 자연스러운 곡선으로 연결하는 것과 같습니다.

2. 체인 일관성 확산 모델: 서로 다른 만기의 옵션 가격이 모순되지 않도록 훈련 과정에서 바로잡습니다. 비유하면, "1월 만기 옵션"과 "3월 만기 옵션"의 가격이 서로 엇갈리지 않게 조정하는 거예요. 시간이 흐르면서 가격이 자연스럽게 변해야 하는데, 갑자기 뒤집히면 안 되니까요.

3. 마팅게일 조건부 최적수송(c-EMOT): 여러 시점의 확률 분포를 수학적으로 연결하는 기법입니다. 쉽게 말하면, "오늘의 주가 분포"와 "한 달 후의 주가 분포" 사이에 일관성을 보장하는 다리를 놓는 거예요.

가장 인상적인 부분은 "계산 가능한 증명서(computable certificates)"를 제공한다는 점입니다. 그냥 "우리 모델은 차익거래가 없다고 생각해요"가 아니라, 수학적으로 확인할 수 있는 구체적 숫자를 내놓습니다.

어떤 증명서냐 하면:

• KKT 조건(최적화가 잘 됐는지 확인하는 지표)이 0.0377 이하
• 기하적 감쇠율(수렴 속도)이 1.00 이하
• 경험적 Lipschitz 상수(가격 변동의 부드러움 정도)가 1.01 이하

이 숫자들이 모두 관용 밴드 안에 들어가면 "모든 테스트를 통과한 것"입니다. 마치 자동차 검사에서 배출가스, 브레이크, 조향장치가 모두 합격 기준을 충족하는 것과 같아요.

이 논문은 51페이지에 걸쳐 이론부터 수치 실험까지 상세하게 다루고 있으며, 부록도 포함하고 있습니다. 연산 비용이 높아서 실시간 마켓메이킹에 바로 적용하기는 어려울 수 있지만, 실거래용 옵션 표면 보정이나 차익거래 필터링에는 바로 연결될 수 있습니다.

이 테마의 다른 논문들

ARBITER (2511.06451, composite 73.1, A등급)는 좀 다른 접근법을 씁니다. SPX(미국 S&P 500 지수 옵션)와 VIX(변동성 지수)의 기간구조를 하나의 위험중립 신경 연산자로 학습하면서, 차익거래 제약(달력 스프레드·수직 스프레드·버터플라이)을 디코더 구조에 직접 넣었습니다. 쉽게 말하면, "모델이 알아서 차익거래 금지 규칙을 지키게" 만든 거예요. 모델의 출력을 강제로 제약하는 게 아니라, 모델 자체의 구조를 규칙에 맞게 설계한 겁니다.

선택적 망각 (2511.14980, composite 66.7, A등급)은 더 독창적입니다. 옵션 가격을 맞추는 캘리브레이션 과정에서, 오염된 시세 일부만 골라서 지우는 방법을 제안했습니다. 전체를 다시 학습할 필요 없이, 수학적 연산자로 "선택적으로 잊게" 하는 겁니다. 마치 시험 답안지에서 틀린 문제만 지우고 다시 푸는 것과 같아요. 오염된 데이터나 지연된 호가를 효율적으로 제거할 수 있습니다.

확산 모델로 변동성 표면 예측 (2511.07571, composite 65.5, A등급)은 확률적 확산 모델(DDPM)로 하루 앞의 변동성 스마일/표면을 직접 생성합니다. 경로 의존적인 변동성 역학을 포착하면서도 무차익을 보장하는 표면을 만들어내는 게 핵심이에요.

이 테마의 공통 메시지

AI 모델의 출력이 금융 이론의 규칙(차익거래 금지, 마팅게일 조건 등)을 어기지 않도록 모델 구조 자체에 제약을 내장하는 것이, 사후 검증보다 효과적이다.

---

테마 2: AI 애널리스트들의 팀플레이

왜 흥미로운가

최근 ChatGPT 같은 대규모 언어 모델(LLM)이 주식 예측, 뉴스 분석 등에서 뛰어난 성과를 보이면서, "AI가 애널리스트 리포트를 쓸 수 있을까?"라는 질문이 자연스럽게 나왔습니다. 그런데 더 흥미로운 질문은 이겁니다: "AI 여러 명이 팀을 이루면 더 잘할까?"

사람으로 비유하면, 혼자 일하는 천재가 있는가 하면, 여러 사람이 각자의 역할을 분담해서 더 좋은 결과를 내는 팀이 있죠. AI도 마찬가지입니다. 그런데 팀원끼리 어떻게 소통하느냐에 따라 결과가 크게 달라진다는 게 이번 달의 놀라운 발견입니다.

대표 논문: 애널리스트 리포트를 AI가 쓴다면

"FinRpt" (2511.07322, composite 73.7, A등급)는 애널리스트 리포트(Equity Research Report) 생성을 처음으로 정식 과제로 정의한 논문입니다.

우리가 흔히 보는 "OO증권 삼성전자 리포트" 같은 건, 애널리스트가 기업 재무제표, 산업 동향, 시장 데이터 등을 종합 분석해서 작성합니다. 이 논문은 이 작업을 AI에게 시키기 위해 세 가지를 처음으로 만들었습니다:

1. 데이터셋 구축 파이프라인: 7가지 금융 데이터 유형(재무제표, 시장 가격, 뉴스 등)을 자동으로 통합하여 고품질 리포트 데이터셋을 생성하는 방법

2. 평가 시스템: AI가 쓴 리포트의 품질을 11개 지표로 종합 평가하는 체계. "문장이 자연스러운가?", "숫자가 정확한가?", "논리가 일관적인가?" 등을 모두 따지는 거예요

3. 멀티에이전트 프레임워크(FinRpt-Gen): 분석가, 리서처, 편집자 등 역할을 분리한 AI 에이전트 구조. 각 에이전트가 자기 역할에 집중하고, 결과물을 합쳐 최종 리포트를 완성합니다

이 논문의 핵심 발견은, 멀티에이전트 구조가 단일 에이전트보다 리포트 품질에서 우수하다는 실증입니다. 마치 기자, 편집자, 팩트체커가 각자 역할을 하면 더 좋은 기사가 나오는 것과 같아요.

더 흥미로운 발견: 대화 방식이 성과를 바꾼다

"Market-Dependent Communication in Multi-Agent Alpha Generation" (2511.13614, composite 72.6, A등급)은 이 주제를 훨씬 더 깊이 파고든 연구입니다.

이 논문은 5개 LLM 에이전트로 구성된 트레이딩 시스템을 450개 실험, 21개월간의 데이터로 검증했습니다. 5가지 조직 구조를 비교했는데, 결과가 놀라웠습니다:

• 경쟁적 대화(서로의 전략을 비판적으로 검토)는 변동성이 높은 기술주에서 성과가 좋았고
• 협업적 대화(서로 정보를 공유하며 전략을 개선)는 안정적인 일반주에서 우위였으며
• 금융주는 어떤 커뮤니케이션에도 저항했습니다

쉽게 말하면, "격렬하게 토론하는 팀"이 유리할 때가 있고, "조용히 협력하는 팀"이 유리할 때가 있다는 거예요. 그리고 그건 어떤 주식을 다루느냐에 따라 달라집니다.

가장 충격적인 발견은 따로 있습니다. 대화 품질 점수와 수익률 간 상관관계가 0이었다는 점입니다. 즉, "똑똑한 대화"가 "돈 버는 대화"를 보장하지 않는다는 뜻이에요. 회의를 잘한다고 회사가 잘되는 건 아닌 것과 같습니다.

이 테마의 다른 논문들

LiveTradeBench (2511.03628, composite 65.4, A등급)는 실제 시장 데이터로 LLM 트레이딩 에이전트를 평가하는 라이브 환경을 제안합니다. 과거 데이터로 테스트하는 게 아니라, 실시간으로 시장이 움직이는 가운데 AI의 판단을 평가하는 거예요.

LLM Output Drift (2511.07585, composite 65.3, A등급)는 더 미묘한 문제를 짚습니다. 같은 질문을 서로 다른 AI 제공업체에게 하면 답이 달라진다는 거예요. 금융 규제 보고에서 이 문제가 발생하면 치명적일 수 있습니다. "AI가 말한 숫자"가 제공업체에 따라 바뀌면, 그 숫자를 어떻게 신뢰할 수 있겠어요?

이 테마의 공통 메시지

LLM 기반 트레이딩에서 단일 모델의 성능보다 에이전트 간 커뮤니케이션 구조가 더 중요하며, 최적 구조는 시장 국면에 따라 달라진다.

---

테마 3: AI가 주식을 더 잘 사고파는 법

왜 흥미로운가

주식을 대량으로 사거나 팔 때, 시장 가격이 움직여서 예상보다 비싸게 사거나 싸게 팔게 됩니다. 이를 시장 충격(market impact)이라고 부릅니다. 예를 들어, 1만 주를 한꺼번에 시장가로 사면 가격이 올라서, 평균 매입가격이 현재가보다 높아지는 거죠.

이걸 최소화하는 게 "최적 실행" 문제인데, 강화학습(RL)이 좋은 성과를 보인다는 증거가 쌓이고 있습니다. 강화학습이란, AI가 시행착오를 반복하면서 스스로 최적의 행동을 학습하는 방법이에요. 마치 아이가 넘어지면서 자전거를 배우는 것과 같습니다.

그런데 RL 에이전트를 훈련하려면 현실적인 시장 시뮬레이터가 필요합니다. 가상의 시장에서 수없이 연습해야 실제 시장에서도 잘할 수 있거든요. 이번 달에는 이 시뮬레이터의 품질이 크게 좋아졌고, 실제 성과도 확인되었습니다.

대표 논문: 가격이 AI들 사이에서 만들어지는 시뮬레이터

"ABIDES-MARL" (2511.02016, composite 70.3, A등급)은 여러 AI 에이전트가 동시에 학습하고 의사결정하는 지정가 주문장(LOB) 시뮬레이터입니다.

기존 시뮬레이터의 한계를 비유로 설명하면 이렇습니다. 축구 연습을 하는데, 모든 선수가 같은 시간에 움직이지 못하고 한 명씩 돌아가면서 움직이는 것과 같았어요. 현실에서는 모든 선수가 동시에 뛰잖아요. ABIDES-MARL은 이 문제를 해결했습니다. 상태 수집과 커널 인터럽트를 분리해서, 여러 에이전트의 동시 행동을 가능하게 했어요.

이 시뮬레이터에는 다양한 참여자가 등장합니다:

• 정보 트레이더: 내부 정보를 가진 참가자
• 유동성 트레이더: 반드시 거래해야 하는 참가자 (연기금처럼)
• 잡음 트레이더: 랜덤하게 주문하는 참가자
• 경쟁 마켓메이커: 가격을 제시하며 유동성을 공급하는 참가자

핵심은 가격이 외부에서 주어지는 게 아니라 에이전트들의 상호작용에서 만들어진다는 점입니다. 이래야 시장 충격이나 전략적 행동을 현실적으로 실험할 수 있습니다. 마치 실제 시장에서 여러 참가자가 동시에 주문을 넣으면 가격이 형성되는 것처럼요.

실행 성과의 실증: 2시간이면 23bps 이득

"RL-Exec" (2511.07434, composite 67.3, A등급)은 BTC-USD(비트코인-달러) 지정가 주문장 리플레이에서 PPO(강화학습 알고리즘) 에이전트를 훈련해, 기존 TWAP/VWAP 전략을 초과하는 성과를 보여줬습니다.

TWAP과 VWAP은 쉽게 말하면 "정해진 시간에 균등하게 나눠 사는" 전략과 "거래량에 비례해서 사는" 전략입니다. 이 두 가지를 모두 이겼다는 거예요.

구체적인 숫자를 보면:

여기서 bps(basis point)는 0.01%입니다. 23bps면 0.23%인데, 하루에 0.23%면 작아 보이지만 대량 거래에서는 상당한 금액이 됩니다. 예를 들어 $10,000,000(약 130억 원)을 2시간에 걸쳐 매도한다면, 23bps면$23,000(약 3,000만 원)을 절약하는 셈이에요.

실행 지평이 길어질수록 초과 성과가 커진다는 점이 흥미롭습니다. 기회주의적 타이밍의 가치가 시간과 함께 증가한다는 뜻이죠.

이 논문의 한 가지 더 중요한 점은, 체결 충격과 부분체결, 지연까지 모두 반영했다는 겁니다. 현실에서는 주문을 넣으면 바로 체결되지 않고, 원하는 수량만큼 체결되지 않을 수도 있어요. 이런 현실적 제약을 모두 고려한 결과라는 게 신뢰를 높입니다.

이 테마의 다른 논문들

JaxMARL-HFT (2511.02136, composite 65.8, A등급)는 JAX(Google의 고성능 수치계산 라이브러리) 기반 GPU 가속 대규모 멀티에이전트 RL 시뮬레이터입니다. GPU를 쓰면 여러 환경을 병렬로 실행할 수 있어서 훈련 속도가 획기적으로 빨라집니다. 마치 100명의 학생이 동시에 연습하는 것과 1명이 연습하는 것의 차이예요.

이 테마의 공통 메시지

최적 실행 문제에서 현실적 시장 미시구조(동시 행동, 시장 충격, 부분체결)를 반영한 MARL 환경이 단순 시뮬레이터 대비 실전 성과를 크게 향상시킨다.

---

테마 4: 옵션 헤징의 새로운 수학

왜 흥미로운가

옵션을 매수한 후에 가격 변동에 대비해 헤징(위험 회피)을 해야 합니다. 보통은 "델타 헤징"이라고 해서, 기초자산을 조금씩 사고팔면서 옵션 포트폴리오의 위험을 줄입니다. 그런데 이 델타 헤징에는 큰 전제가 있습니다: "주가가 어떤 수학적 분포를 따른다"는 가정이에요. 블랙-숄즈 모델은 로그정규분포를 가정하죠.

문제는 현실의 주가가 그런 깔끔한 분포를 따르지 않는다는 겁니다. 점프가 나기도 하고, 변동성이 갑자기 바뀌기도 해요. 그래서 "모델을 가정하지 않는" 또는 "모델에 덜 민감한" 헤징 방법을 찾는 연구가 이번 달에 집중적으로 나왔습니다.

대표 논문: 경로의존 옵션을 모델 없이 헤징하는 방법

"Signature approach for pricing and hedging path-dependent options" (2511.23295, composite 66.7, A등급)는 경로의존 옵션(배리어 옵션, 아시안 옵션 등)의 헤징에 시그니처(signature)라는 수학적 도구를 적용한 논문입니다.

시그니처가 뭘까요? 비유하면 이렇습니다. 어떤 사람의 걸음걸이를 분석한다고 해볼게요. 키, 몸무게, 속도만 보는 게 아니라, 발을 내딛는 각도, 팔 흔드는 리듬, 균형 잡는 방식 등 걸음의 고유한 특성을 추출하는 거예요. 시그니처는 "경로(pathway)"의 이런 고유한 특성을 수학적으로 추출하는 도구입니다.

이 논문은 경로의존 옵션의 가격결정과 헤징 문제를, 시그니처를 이용해 비선형 제어 문제에서 선형 피드백 문제로 바꿉니다. 비선형 문제를 푸는 건 어렵고 느리지만, 선형 문제는 빠르고 정확하게 풀 수 있거든요.

결과적으로, 마찰(friction)이 있는 현실적 환경에서도 기존 비선형 방법과 비슷한 헤징 오차를 훨씬 빠르게 계산할 수 있었습니다.

이 테마의 다른 논문들

강건한 헤징 (2511.00781, composite 66.6, A등급)은 마팅게일 최적 수송(martingale optimal transport)이라는 도구로, 어떤 확률 분포가 오더라도 하방 리스크를 최소화하는 헤지 포트폴리오를 찾습니다. "최악의 경우를 대비한" 헤징이에요.

시장 충격을 고려한 마켓메이킹 (2511.02518, composite 65.3, A등급)은 더 현실적입니다. 옵션 마켓메이커가 헤징을 할 때, 그 헤징 거래 자체가 기초자산 가격에 영향을 미친다는 걸 고려합니다. "내가 사면 가격이 오른다"는 피드백 루프를 모델에 넣은 거예요.

이 테마의 공통 메시지

옵션 헤징에서 특정 확률 분포를 가정하는 대신, 경로의 특성(시그니처)이나 최악의 경우( min-max)를 직접 다루는 방법이 현실적 마찰과 모델 불확실성에 더 강건하다.

---

테마 5: 정규분포는 위험하다

왜 흥미로운가

금융에서 가장 널리 쓰이는 가정이 있습니다: "주가 수익률은 정규분포(가우시안 분포)를 따른다"는 것. 이 가정 위에 VaR(Value at Risk), 포트폴리오 최적화, 옵션 가격결정 등 거의 모든 금융 이론이 세워져 있습니다.

그런데 문제는, 실제 시장에서는 정규분포보다 훨씬 꼬리가 두꺼운 분포가 나타난다는 거예요. 2008년 금융위기나 2020년 코로나 폭락처럼, "정규분포라면 수백만 년에 한 번 나올" extreme 움직임이 수년마다 나타납니다. 이 문제를 정면으로 다루는 연구가 이번 달에 나왔습니다.

대표 논문: 행동재무와 두꺼운 꼬리를 합치다

"Probability Weighting Meets Heavy Tails" (2511.16563, composite 70.2, A등급)은 두 가지를 결합한 논문입니다.

첫째, 행동재무학의 확률가중 함수. 사람들은 확률을 왜곡해서 인식합니다. 예를 들어, 1% 확률의 사건을 실제보다 훨씬 크게 걱정하고(보험을 과도하게 드는 것), 99% 확률의 사건을 너무 확신합니다(안전벨트를 안 매는 것). 이 논문은 이 심리적 편향을 자산가격결정 모형에 직접 넣었습니다.

둘째, Student-t 분포. 정규분포보다 꼬리가 두꺼운 분포입니다. 쉽게 말하면, "극단적 사건이 정규분포 예상보다 훨씬 자주 일어난다"는 걸 수학적으로 표현한 거예요.

이 두 가지를 결합하니, S&P 500 같은 주요 지수에서 VaR(Value at Risk, "최대 손실 한도") 예측 정확도가 기존 CAPM이나 Fama-French 모형보다 유의미하게 좋아졌습니다. 특히 극단적 하락 구간에서의 설명력이 크게 개선되었어요.

이 테마의 다른 논문들

History Rhymes (2511.09754, composite 63.5, B등급)는 거시경제 맥락을 검색(retrieval)해서 예측에 활용하는 새로운 패러다임을 제안합니다. 현재 시장 상황과 비슷한 과거 시기를 찾아서, 그때의 패턴을 예측에 반영하는 거예요. 분포 외(OOD) 구간, 즉 "전에 본 적 없는 상황"에서 특히 효과적입니다.

레비-안정 스케일링 (2511.07834, composite 65.2, A등급)은 더 근본적입니다. 리스크 지표와 성과 지표를 레비-안정 분포 기반으로 재정의하면, 기존 정규분포 가정 하의 지표들이 실제 리스크를 과소평가하고 있었다는 걸 보여줍니다.

이 테마의 공통 메시지

금융 리스크 관리에서 정규분포 가정은 구조적으로 위험하며, 두꺼운 꼬리와 행동적 편향을 동시에 반영하는 모형이 실전에서 더 정확하다.

---

마무리: 검증 가능한 신뢰성의 시대

2025년 11월 한 달의 연구를 관통하는 키워드는 "검증 가능한 신뢰성"입니다.

• 옵션 표면 연구에서는 "차익거래가 없다는 증명서"를 모델과 함께 제공하고
• LLM 에이전트 연구에서는 "어떤 소통 구조가 효과적인지"를 체계적으로 평가하고
• 실행 연구에서는 "시장 충격까지 고려한" 시뮬레이터로 실증하고
• 헤징 연구에서는 "모델을 가정하지 않는" 강건한 방법을 추구하고
• 리스크 연구에서는 "정규분포 대신 실제 분포"를 사용합니다

공통적으로, "이론적으로 우아한 모델"을 넘어 "실전에서 깨지지 않는 시스템"을 구축하려는 방향으로 학계의 무게추가 이동하고 있습니다.

특히 LLM 기반 트레이딩 에이전트 분야의 성장(17편 A등급 중 4편이 C4 도메인)과 멀티에이전트 RL 환경의 인프라화(ABIDES-MARL, JaxMARL-HFT)는, AI가 금융 이론의 규칙을 직접 학습하는 시대가 이미 시작되었음을 보여줍니다.

---

함께하기

이 글이 유익하셨다면 아래 채널에서 더 많은 금융 AI 연구 분석을 만나보세요.

• 웹사이트: https://ohselab.com
• 구독: 최신 논문 분석을 이메일로 받아보세요
• 상담: AI 기반 투자 전략에 대해

---

더 알아보기

이 글에서 다룬 논문들의 arXiv 링크입니다:

복합점수(composite score)는 참신성(N), 실용성(A), 관련성(R), Rigor(R2), 영향력(I)의 가중 합산입니다. 등급 기준: A >= 65, B >= 55, C >= 45, D < 45.