Reasoning on Time-Series for Financial Technical Analysis

이 논문은 주식 시계열 데이터의 해석 가능한 예측을 위해 텍스트 주석과 역 MSE 보상을 활용한 추론, 그리고 시계열 백본 모델의 조건부 출력을 결합한 '구두 기술적 분석 (VTA)' 프레임워크를 제안하며, 다양한 시장의 실험을 통해 높은 예측 정확도와 전문가 평가를 입증했습니다.

핵심

이 논문은 **"주식 차트 분석을 AI 가 사람처럼 '말'로 설명하면서 예측하는 방법"**을 소개합니다.

기존의 AI 는 주식 차트 (숫자) 를 보고 "내일 주가가 오를 것"이라고만 말했거나, 뉴스 기사 (글) 를 읽고 감정을 분석했습니다. 하지만 이 논문은 "숫자 데이터를 보고, 그 이유를 글로 설명한 뒤, 그 설명을 바탕으로 다시 숫자 (주가) 를 예측하는" 새로운 방식인 **VTA(Verbal Technical Analysis, 말로 하는 기술적 분석)**를 제안합니다.

이 복잡한 개념을 쉽게 이해할 수 있도록 세 가지 비유로 설명해 드리겠습니다.

---

1. 핵심 아이디어: "수학 천재"와 "해설가"의 팀워크

이 모델은 두 명의 전문가가 팀을 이루어 일합니다.

• 팀원 A (잠재적 사고, Latent Thinking): 숫자만 보고 패턴을 찾는 **'수학 천재'**입니다. 차트의 미세한 움직임, 평균선, 거래량 등을 눈치채지만, 왜 그런지 말로 설명하는 건 서툴러요.
• 팀원 B (언어적 추론, Verbal Reasoning): 주식 전문가처럼 차트를 보고 **"RSI 지수가 과매수 구간이라서 조정이 올 것 같아"**라고 **글로 설명하는 '해설가'**입니다.

기존 방식의 문제점:

• 수학 천재만 있으면 예측은 정확할지 몰라도, "왜 오를까?"라는 질문에 답을 못 합니다. (블랙박스)
• 해설가만 있으면 설명은 잘하지만, 숫자 예측은 빗나갈 수 있습니다.

VTA 의 해결책:
이 두 팀원이 함께 일합니다. 해설가가 먼저 차트를 분석하고 **"주가가 떨어질 것 같은 이유는 이동평균선이 아래로 꺾였기 때문이야"**라고 글로 설명합니다. 그 설명을 수학 천재에게 주면, 천재는 그 설명을 참고해서 **"아, 이동평균선이 꺾였구나. 그럼 주가는 떨어지겠지"**라고 더 정확한 숫자 예측을 합니다.

2. 훈련 과정: "시험지 채점"과 "오답 노트"

이 AI 를 가르치는 과정은 마치 수험생이 시험을 보는 과정과 같습니다.

1. 문제 풀이 (추론): AI 가 차트 데이터를 보고 "내일 주가는 이렇게 변할 거야"라고 추리 과정을 글로 씁니다.
2. 채점 (보상): AI 가 쓴 글과 예측한 주가가 실제 주가와 얼마나 가까운지 점수를 매깁니다. (오차가 작을수록 점수 높음)
3. 오답 노트 (Time-GRPO): 만약 예측이 빗나갔다면, AI 는 "아, 내가 이동평균선을 잘못 해석했구나"라고 글로 된 이유를 다시 생각합니다. 그리고 실수한 글은 버리고, 성공한 글만 모아 다시 학습합니다.
   • 비유: "내가 틀린 이유는 A 를 B 로 착각했기 때문이야"라고 스스로 분석하고, 그 분석이 맞았을 때만 칭찬을 받으며 학습합니다.

3. 결과: "예측 정확도"와 "이해 가능성"을 동시에 잡다

이 모델을 다양한 주식 시장 (미국, 중국, 유럽) 에서 테스트한 결과, 놀라운 성과가 나왔습니다.

• 정확도: 다른 최신 AI 들보다 주가 예측 오차가 더 적었습니다. (수학 천재의 실력)
• 해석력: 전문가들이 AI 가 쓴 설명을 보고 "이건 진짜 전문가가 쓴 말 같아"라고 평가했습니다. (해설가의 실력)
• 실전 투자: 이 AI 의 예측을 바탕으로 포트폴리오를 짰을 때, 위험 대비 수익률 (샤프 지수) 이 가장 높았습니다. 즉, 돈을 더 잘 벌 수 있는 AI라는 뜻입니다.

4. 왜 이것이 중요한가요? (일상적인 비유)

• 기존 AI: "내일 비가 올 확률 80% 입니다." (정답은 맞지만, 왜 비가 오는지 모릅니다.)
• VTA (이 논문): "구름이 많이 끼고 습도가 높아서 내일 비가 올 확률 80% 입니다. 우산을 챙기세요." (정답도 맞고, 이유도 알려주어 신뢰할 수 있습니다.)

요약

이 논문은 **"AI 가 주식 차트를 볼 때, 단순히 숫자만 맞추는 게 아니라, 인간처럼 '왜' 그런지 글로 설명하고, 그 설명을 바탕으로 더 정확한 예측을 한다"**는 것을 증명했습니다.

앞으로 금융 시장에서 AI 는 단순히 "매수/매도" 신호만 주는 도구가 아니라, **투자자의 의사결정을 도와주는 '현명한 파트너'**가 될 수 있다는 희망을 보여줍니다.

기술 요약

1. 문제 정의 (Problem Definition)

대형 언어 모델 (LLM) 이 금융 분석에 적용되면서 주식 예측 분야에서 주목받고 있지만, 기존 연구들은 주로 재무 보고서나 뉴스와 같은 텍스트 데이터에 집중하고 있습니다. 반면, 실제 금융 전문가들이 사용하는 **기술적 분석 (Technical Analysis)**은 과거 주가 데이터 (시계열) 를 기반으로 합니다.

이 작업은 다음과 같은 세 가지 주요 도전 과제를 안고 있습니다:

1. 도메인 간 전환의 어려움: 입력 (주가 시계열) 과 출력 (주가 시계열) 은 수치 도메인이지만, 추론 과정은 자연어 도메이어야 합니다.
2. LLM 의 시계열 추론 한계: 기존 LLM 은 원시 시계열 데이터를 직접 추론하는 데서 성능이 떨어지며, 시계열 전용 모델 (Time-Series LLM) 은 임베딩 공간을 수정하여 추론 능력을 희생합니다.
3. 해석 가능성 (Interpretability) 과 정확도의 상충: 정확한 예측을 위해 시계열 모델을 사용하되, 그 예측 근거를 인간이 이해할 수 있는 자연어로 설명하는 것이 어렵습니다.

2. 제안된 방법론: Verbal Technical Analysis (VTA)

저자들은 **Verbal Technical Analysis (VTA)**라는 새로운 프레임워크를 제안합니다. 이는 "잠재적 사고 (Latent Thinking, 시계열 모델)"와 "구술적 추론 (Verbal Reasoning, LLM)"을 결합하여 정확하면서도 해석 가능한 주가 예측을 수행합니다.

핵심 구성 요소

1. 텍스트 주석 생성 (Textual Annotation):
   • 원시 주가 데이터를 통계치 (최대/최소/평균) 와 금융 기술적 지표 (이동평균, 모멘텀, RSI, MACD 등) 로 변환하여 텍스트 주석으로 만듭니다.
2. Time-GRPO (Time-Series Group Relative Policy Optimization):
   • LLM 이 시계열 데이터를 기반으로 추론할 수 있도록 학습시키는 강화학습 (RL) 파이프라인입니다.
   • 3 단계 학습 프로세스:
     1. Cold-start: 초기 학습 데이터 생성.
     2. SFT for Reasoning: MSE(평균 제곱 오차) 가 낮은 예측을 유도하는 추론 궤적 (Reasoning Trace) 만을 선별하여 감독 학습 (SFT) 수행.
     3. RL for Reasoning: 역 MSE (Inverse MSE) 를 보상 함수로 사용하여 예측 정확도를 극대화하는 추론 정책을 최적화합니다.
3. 조건부 시계열 예측 (Joint Conditional Training):
   • LLM 이 생성한 추론 결과 (기술적 지표 기반의 속성) 를 조건 (Condition) 으로 사용하여 시계열 백본 모델 (GPT-2 기반) 을 학습시킵니다.
   • 조건부 (Conditional) 및 무조건부 (Unconditional) 예측을 동시에 학습하여, 추론의 해석 가능성과 예측의 정확성을 모두 유지합니다.
   • 추론 단계에서 생성된 속성 (예: "상승 추세", "과매수") 을 시계열 모델의 입력에 주입하여 예측을 조정합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 프레임워크 (VTA): 시계열 데이터의 패턴 인식 능력 (Latent) 과 LLM 의 추론 능력 (Verbal) 을 결합하여, 정확하면서도 인간이 이해할 수 있는 기술적 분석 기반 주가 예측을 가능하게 함.
2. Time-GRPO 알고리즘: 시계열 예측의 정확도 (MSE) 를 직접 보상 신호로 활용하여 LLM 의 추론 과정을 최적화하는 새로운 강화학습 기법 제안.
3. 해석 가능한 예측 생성: 단순히 숫자만 예측하는 것이 아니라, "왜 이 주가가 오를 것이다"라는 논리적 근거 (기술적 지표 분석) 를 함께 생성하여 금융 전문가의 신뢰를 확보.

4. 실험 결과 (Results)

• 데이터셋: 미국 (StockNet, Dow Jones), 중국 (FTSE China A50), 유럽 (EURO STOXX 50) 시장의 다양한 주식 데이터.
• 예측 정확도:
  • VTA 는 Transformer, Autoformer, TimeLLM 등 기존 최첨단 (SOTA) 시계열 모델 및 LLM 기반 모델 (GPT-4.1, DeepSeek-R1) 보다 MSE 와 MAE 기준에서 가장 낮은 오차를 기록하며 SOTA 성능을 달성했습니다.
  • 특히, 추론 단계에서 생성된 기술적 지표가 예측 정확도 향상에 기여함이 입증되었습니다.
• 추론 품질 평가:
  • JPMorgan, UBS 등 금융 업계 전문가 25 명을 대상으로 한 평가에서 VTA 는 Depth(심도), Accuracy(정확도), Relevance(관련성) 항목에서 다른 LLM 들보다 압도적으로 높은 점수를 받았습니다.
  • 일반 LLM 은 텍스트 흐름은 좋으나 금융 지표 활용도가 낮았으나, VTA 는 실제 기술적 분석에 부합하는 논리를 생성했습니다.
• 포트폴리오 최적화:
  • VTA 예측을 기반으로 마코위츠 (Markowitz) 포트폴리오를 구성한 결과, **샤프 비율 (Sharpe Ratio)**이 모든 비교 모델 중 가장 높게 나타나 위험 조정 수익률 측면에서도 우수함을 입증했습니다.

5. 의의 및 결론 (Significance)

• 실용성 증대: 이 연구는 LLM 을 단순한 텍스트 분석 도구를 넘어, 실제 금융 의사결정에 활용 가능한 해석 가능한 시계열 예측 도구로 확장했습니다.
• 기술적 분석의 자동화: 인간 전문가들이 수동으로 수행하던 기술적 지표 분석과 추론 과정을 LLM 이 자동화하여, 예측의 투명성과 신뢰성을 높였습니다.
• 미래 방향: 추론과 예측 간의 정렬을 더 강화하고, 비정상성 (Non-stationary) 이나 계절성 등 더 복잡한 주식 특성을 모델에 통합하는 방향으로 발전 가능성이 열려 있습니다.

결론적으로, VTA 는 "숫자 (주가)"와 "말 (이유)"을 동시에 처리하는 혁신적인 접근법으로, 금융 AI 분야에서 해석 가능성과 예측 성능을 동시에 잡은 중요한 이정표가 되는 연구입니다.