[금융 AI] 금융 투자 영역에서의 AI(1)

지난번 금융AI의 주요 활용 분야에 대해서 알아보았는데, 그 중 투자와 트레이딩 분야에서 AI가 어떻게 활용되는지 중점적으로 알아보자.

 

금융 투자 방법론

대표적인 금융 투자 방식에는 주식 투자, 채권 투자, 부동산 투자, 원자재 투자, 상호금융 투자 등이 있는데 이 방식들을 아우르는 개념으로 '퀀트 투자'라는 용어를 들어봤을 것이다. 퀀트 투자는 체계적 투자 방법론으로, 전통적으로는 뚜렷한 가정에 기반한 통계 모델을 사용하여 투자 결정을 내린다. 반면 이와 반대되는 개념인 재량적 투자는 기계가 아닌 인간 투자자의 경험과 직관에 따라 투자 결정을 내리는 방식이다. 그러나 최근에는 머신러닝과 딥러닝의 기술이 소위 퀀트 투자에 접목되면서, 이전의 가정 기반 투자 방식에서 벗어나 복잡한 패턴이나 비선형 관계를 탐색하는 새로운 투자 방식으로 발전했다. 

 

퀀트 투자를 이야기할 때 많이 언급되는 알고리즘 트레이딩 은 컴퓨터 기반의 자동화된 트레이딩 시스템을 사용하여 금융 시장에서 자산을 거래하는 방식이다. 이러한 시스템의 장점은 정의된 규칙에 따라 거래 결정을 자동으로 수행하는 정확성이며, 인간의 감정적 판단을 배제하고 일관된 전략에 따라 투자할 수 있다는 점이다. 결론적으로 소개하고자하는 다양한 금융 투자 방법론들은 체계적인 투자 방식에 속한다.

 

현재, 우리는 체계적이든 재량적이든 AI 도구를 활용하는 시대에 위치해 있다. 즉, 체계적인 투자 전략 외에도 재량적 투자 또한 AI를 활용하고 있으며, LLM이 재량적 투자자들에게 금융 정보 분석과 리스크 요인 탐색에 큰 도움을 주고 있는 것도 그 예시 중 하나이다.

 

금융 투자에서 AI와 머신러닝의 중요성

금융 투자 영역에서 AI와 머신러닝이 주목받는 이유는 여러가지가 있다.

1) 머신러닝은 기존의 통계학과 계량 경제학 방법론에 비해 샘플 외 데이터에 대한 예측력에 더욱 초점을 맞춘다. 또한 비선형, 계층적, 고차원의 연속되지 않는 상호작용 효과와 같은 복잡한 문제를 효과적으로 학습할 수 있다. 특히 다중공선성과 같은 문제에 견고한 방법으로 접근한다.

2) 전통적인 투자 금융 영역에서는 선형회귀 모델같은 방법론이 주로 사용되었으나, 현실 세계의 복잡한 문제를 모델링하기 위해서는 머신러닝의 비선형 관계를 찾는 능력이 필요하다.

3) 데이터의 증가와 다양성은 AI의 중요성을 더욱 부각시키고 있다. 정형 데이터 뿐만 아니라 텍스트, 이미지, 음성과 같은 비정형 데이터도 투자 의사결정에 큰 영향을 미치게 되었다. 이런 다양한 형태의 데이터를 효율적으로 분석하고 활용하기 위해서는 딥러닝 및 LLM 기술이 필수적으로 요구된다.

 

금융 투자 데이터 유형

 

1) 마켓 데이터 : 주식, 채권, 파생상품 등의 현재 및 과거 가격, 거래량, 매매-호가 스프레드, 거래 시간 등의 정보

2) 핀더멘털 데이터 : 손익 계산서, 재무 상태표, 현금 흐름표 등의 재무 보고서와 수익성, 성장성, 재무 안전성과 같은 재무 비율 정보

3) 대체 데이터 : 미디어에서의 감정 분석, 인터넷 검색 트렌드, 신용카드 거래 데이터 등

 

데이터 소스 선택

데이터 소스 선택은 금융 분야에서 종사하는 전문가나 투자자에게 중요한 결정 중 하나다. 전문적으로 투자 활동을 하는 퀀트 투자자들은 종종 볼룸버그나 로이터 같은 유료 데이터 벤더의 서비스를 이용하지만, 연구 목적의 경우 오픈 소스 데이터를 활용하는 것이 현명할 수 있다.

출처	시장 데이터 속성	기본 데이터 속성	빈도
investing	시가, 고가, 저가, 종가, 거래량	매출, 주당 이익, 시가총액, 배당금, 평균 거래량, 비율, 베타, 주식 수, 다음 이익 발표일	일간, 주간, 월간
y-finance	시가, 고가, 저가, 종가, 거래량	주요 보유자, 기관 보유자, 상호 기금 보유자, 배당금, 분할, 행동, 달력, 이익, 분기별 이익, 재무제표, 분기별 재무제표, 대차대조표, 분기별 대차대조표, 현금 흐름, 분기별 현금 흐름, 지속 가능성, 발생 주식 수	1분, 2분, 5분, 15분, 30분, 60분, 90분, 1시간, 1일, 5일, 1주, 1개월, 3개월
taifex	시가 입찰, 고가 입찰, 저가 입찰, 최종 입찰, 거래량, 최상 입찰, 최상 요청, 역사적 최고가, 역사적 최저가	해당 없음	일간
kaggle	시가, 고가, 저가, 종가, 거래량	해당 없음	일간
tushare	시가, 고가, 저가, 종가, 거래량	매출채권 회전일, 매출채권 회전율, 영업 수익, 유동자산 일수, 유동 자산 회전율, 주당 이익, 전년 대비 주당 이익, 고정 자산, 매출 총이익률, 재고 일수, 재고 회전율, 유동 자산, 순이익률, 순이익, 발행 주식 수, 전년 대비 이익, 보고일, 예비, 주당 예비, 자본수익률, 상장일, 총 자산	일간
etsin	시가, 고가, 저가, 종가, 거래량	해당 없음	일간

 

전통적인 퀀트 투자 vs AI 기반 계량 투자

전통적인 퀀트 투자와 머신러닝/딥러닝을 활용한 계량 투자는 몇 가지 중요한 차이점을 지닌다.

구분	퀀트 투자	AI 계량 투자
접근 방식	통계적 방법 기반	모델 스스로 학습
사용 데이터	마켓 데이터, 핀더멘털 데이터 등 구조화 데이터에 의존	비정형 데이터를 포함한 다양한 데이터 소스 활용
모델 구축	사전 정의된 규칙 및 가정 기반	모델 직접 학습으로 복잡한 관계 발견
예측 방법	선형 모델과 시계열 분석 의존	다양한 알고리즘 사용
해석 가능성	상대적으로 간단하고 해석하기 쉬움	종종 해석하기 어려운 결정
복잡한 패턴 인식	복잡한 패턴 인식에는 한계	복잡한 패턴 인식에 유리
데이터 처리	제한된 양의 구조화 데이터 처리	대규모 데이터를 효율적으로 처리
시장 변동 대응	시장 변동에 빠르게 대응하는데 제한	시장 변화에 빠르고 유연

 

전통적인 퀀트 투자 전략

평균 회귀 전략

- 특징 : 가격이 평균으로 돌아가려는 경향을 이용한 전략. 과대평가된 자산은 팔고, 과소평가된 자산은 산다.

- 유명 전략 예시 : 볼린저 밴드 전략은 주가의 상대적 위치를 파악하여 과매수 및 과매도 상태를 식별하는데 사용된다. 

 

추세 추종 전략

- 특징 : 기존의 추세를 따라가는 전략으로, 가격이 상승 추세에 있을 때 매수하고 하락 추세에 있을 때 매도한다.

- 유명 전략 예시 : 듀얼 모멘텀 전략은 상대적 모멘텀과 절대적 모멘텀을 모두 사용하여 추세의 힘을 이용한다.

 

페어 트레이딩

- 특징 : 상관관계가 높은 두 자산의 가격 차이가 일시적으로 벌어졌을 때, 과소평가된 자산을 매수하고 과대평가된 자산을 매도한다.

- 유명 전략 예시 : ETF 페어 트레이딩 전략은 유사한 시장 섹터의 두 ETF 간의 가격 차이를 활용한다.

 

요인 모델

- 특징 : 여러 가지 시장 요인들이 자산 가격에 미치는 영향을 분석하는 모델이다.

- 유명 전략 예시 : Fama-French 3 factors 모델은 시장, 회사 규모, 가치 요인을 사용하여 자산 수익률을 설명한다.

 

이벤트 기반 전략

- 특징 : 기업의 중대한 사건(인수합병, 주주 활동 등)을 기반으로 자산을 거래하는 전략이다.

- 유명 전략 예시 : 인수합병 아비트라지는 인수 대상 기업의 주가와 인수 제안 가격 간의 차이를 활용한다.

 

AI 기반 투자 전략

포트폴리오 최적화

자산의 선택과 관리를 포함하여 장기적인 이익을 추구한다. AI는 다양한 시장 조건에서 최적의 수익률과 리스크의 균형을 찾는데 도움을 줄 수 있다. 스톡 셀렉션 전략을 포함하여, 미래의 수익률을 예측하고 이를 바탕으로 포트폴리오를 구성한다.

 

시장 동향 예측

특정 주식이나 금융 자산의 미래 가치를 예측한다. AI는 대규모 데이터 분석을 통해 미래의 가격 변동을 예측하고, 이 정보를 바탕으로 구매 또는 판매 결정을 내릴 수 있다.

 

신호 기반 트레이딩

알고리즘적으로 생성된 방법이나 절차를 사용하여 주식 시장에서 구매 및 판매 결정을 내린다. AI는 시장 데이터를 분석하여 거래 신호를 생성하고, 이를 기반으로 트레이딩 전략을 수행한다.

 

텍스트 마이닝

뉴스 기사나 소셜 미디어 게시물에서 정보를 추출하여 시장 동향을 분석하거나, 특정 이벤트가 주가에 미치는 영향을 예측한다.

 

거래 전략 학습

다양한 시뮬레이션과 가상 시나리오를 통해 시장 데이터를 생성하고, 이를 바탕으로 거래 전략을 학습하거나 개선한다.

 

리스크 관리

트레이딩에 관련된 리스크를 평가하고, 수익률을 극대화하기 위한 전략을 수립한다. 이는 헤징 전략을 포함하여, 다른 자산에 대한 반대 투자 위치를 취함으로써 한 자산에 투자하는 리스크를 완화한다.