Not All News Is Equal: Topic- and Event-Conditional Sentiment from Finetuned LLMs for Aluminum Price Forecasting

이 논문은 2007 년부터 2024 년까지의 데이터에 기반하여, Qwen3 모델로 미세 조정된 LLM 을 활용해 뉴스 감성을 추출하고 이를 기존 표형 데이터와 결합한 LSTM 모델이 시장 변동성이 높은 기간에 알루미늄 가격 예측 및 투자 수익률 (샤프 지수 1.04) 을 기존 모델보다 크게 향상시킨다는 것을 입증했습니다.

핵심

🏭 알루미늄: 현대 문명의 '은은한 영웅'

알루미늄은 자동차, 비행기, 스마트폰에 쓰이는 아주 중요한 금속입니다. 하지만 이 금속의 가격은 에너지 비용, 전쟁, 수요 등 여러 요인에 따라 등락이 심해서 예측하기 매우 어렵습니다. 마치 날씨처럼 예측이 안 될 때가 많죠.

기존에는 과거의 가격 데이터를 숫자만 보고 예측했습니다. 하지만 이 연구는 **"뉴스의 말투 (감정)"**를 분석하면 더 잘 예측할 수 있지 않을까?라고 질문을 던졌습니다.

🤖 연구의 핵심: "숫자만 보는 것 vs 뉴스도 읽는 것"

연구진은 두 가지 방법을 비교했습니다.

1. 기존 방법 (숫자만 보는 학생): 과거의 가격, 환율, 원유 가격 같은 숫자 데이터만 보고 미래를 예측하는 모델.
2. 새로운 방법 (뉴스도 읽는 학생): 위 숫자 데이터에 더해, 로이터, 다우존스, 중국 신화통신 같은 뉴스 기사의 제목을 읽고 "이 뉴스는 긍정적일까? 부정적일까?"를 판단한 감정 점수를 추가한 모델.

여기서 핵심은 **최신 AI(대형 언어 모델, LLM)**를 사용했다는 점입니다. 특히 중국어와 영어 뉴스 모두를 이해할 수 있도록 훈련된 'Qwen3'라는 AI 를 썼습니다.

📊 주요 발견: "상황에 따라 다른 전략이 필요하다"

이 연구는 시장이 조용할 때와 소란할 때에 따라 결과가 달랐다는 놀라운 사실을 발견했습니다.

1. 시장이 조용할 때 (저변동성)

• 상황: 가격이 크게 오르내리지 않는 평온한 시기.
• 결과: 뉴스 감정만 보는 전략이 가장 잘 작동했습니다.
• 비유: 날씨가 맑고 조용할 때는 **날씨 예보 앱 (숫자 데이터)**보다 **창밖을 내다보는 것 (뉴스 감정)**이 더 정확한 예측을 해줍니다. 복잡한 계산은 필요 없고, "오늘은 비가 올 것 같다"는 직감이 더 효과적이었습니다.

2. 시장이 소란할 때 (고변동성)

• 상황: 전쟁, 팬데믹 등으로 가격이 미친 듯이 움직이는 위기 상황.
• 결과: 숫자 데이터 + 뉴스 감정을 섞은 전략이 압도적으로 잘 나왔습니다.
• 비유: 태풍이 몰아칠 때는 날씨 예보 앱만 믿으면 안 됩니다. 뉴스를 통해 "태풍이 진짜로 다가오고 있다"는 공포심이나 희망을 읽어야만 방향을 틀 수 있습니다. 이때 AI 가 뉴스의 감정을 분석해 주면, 기존 모델보다 4 배 이상 더 큰 수익을 낼 수 있었습니다.

📰 뉴스의 종류도 중요해: "무엇을 읽느냐가 문제다"

모든 뉴스가 다 좋은 것은 아닙니다. 연구진은 뉴스 내용을 12 가지 주제로 나누어 분석했습니다.

• 가장 좋은 뉴스: "가격 변동 (Price Movement)", "공급 중단 (Supply Disruption)" 같은 팩트 기반의 뉴스.
  • 비유: "공장이 불타서 알루미늄이 부족하다"는 뉴스는 바로 가격 상승 신호입니다.
• 나쁜 뉴스: "지정학적 이슈", "무역 정책" 같은 너무 추상적이거나 이미 시장에 반영된 뉴스.
  • 비유: "어쩌면 전쟁이 날지도 모른다"는 막연한 소문은 오히려 혼란만 줍니다.
• 예상 vs 현실: "내년엔 이렇게 될 거야"라는 예상 (Forward-looking) 뉴스는 별로 도움이 안 되고, "지난달에 실제로 생산량이 줄었다"는 실제 발생 (Past event) 뉴스가 훨씬 정확했습니다.

🌏 뉴스 출처의 차이: "누가 말하느냐가 중요해"

세 가지 뉴스 출처 (로이터, 다우존스, 중국 신화통신) 를 비교했을 때, **로이터 (Reuters)**가 가장 좋은 성과를 냈습니다.

• 이유: 로이터는 가격 변동에 관한 가장 핵심적이고 정확한 정보를 가장 많이 담고 있었습니다. 다른 출처들은 기업 뉴스나 산업 뉴스에 치중하다 보니, 가격 예측에는 '잡음 (Noise)'이 섞여 있었습니다.
• 비유: 같은 '주식 정보'라도, **전문 투자자가 쓴 보고서 (로이터)**와 **일반인의 블로그 (다른 출처)**를 비교하는 것과 비슷합니다.

💡 결론: 이 연구가 우리에게 주는 교훈

1. 뉴스는 숫자보다 빠를 때가 있다: 특히 시장이 불안할 때, AI 가 뉴스를 읽고 감정을 분석하면 전통적인 통계 모델보다 훨씬 빠르고 정확하게 방향을 잡을 수 있습니다.
2. 모든 뉴스가 다 좋은 건 아니다: "가격", "공급", "실제 사건"에 대한 뉴스만 골라내야 합니다. 막연한 예상이나 정치적 소문은 제외하는 것이 좋습니다.
3. AI 의 역할: 최신 AI(LLM) 는 단순히 뉴스를 읽는 것을 넘어, 어떤 뉴스가 진짜 중요한 신호인지 구별하는 능력을 보여줍니다.

한 줄 요약:

"알루미늄 가격을 예측할 때, 과거의 숫자 데이터만 믿지 말고 AI 가 뉴스를 읽어 '공포'와 '희망'을 감지하게 하세요. 특히 시장이 요동칠 때는 이 방법이 훨씬 큰 수익을 가져다줍니다."

이 연구는 금융 시장에서 인공지능과 텍스트 분석이 어떻게 실전 투자에 도움을 줄 수 있는지 보여주는 아주 실용적인 사례입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 알루미늄은 자동차, 항공우주, 건설 등 다양한 분야에서 필수적인 비철금속이며, 에너지 집약적 산업으로 가격 변동성이 큽니다. 기존 알루미늄 가격 예측은 주로 과거 가격, 환율, 인플레이션, 에너지 가격 등 정형 데이터 (Tabular Data) 에 기반한 통계적 및 머신러닝 모델 (ARIMA, LSTM 등) 을 사용합니다.
• 문제점: 정형 데이터만으로는 투자자 심리, 시장 기대치, 지정학적 리스크 등 비정형 텍스트 데이터 (뉴스, 보고서) 에서 발생하는 예측 신호를 포착하지 못합니다. 또한, 기존 연구들은 대규모 언어 모델 (LLM) 을 활용한 감성 분석의 예측력을 검증하거나, 어떤 뉴스 소스, 주제, 사건 유형이 가격 예측에 가장 유의미한지 구체적으로 규명한 연구가 부족합니다.
• 연구 목적: 미세 조정 (Finetuning) 된 LLM 을 통해 추출한 감성 데이터가 알루미늄 가격 예측 정확도와 경제적 효용성을 향상시킬 수 있는지, 그리고 이러한 효과가 시장 변동성 (Volatility), 뉴스 소스, 주제 (Topic), 사건 유형 (Event Type) 에 따라 어떻게 달라지는지 규명하는 것입니다.

2. 방법론 (Methodology)

가. 데이터 수집 및 전처리

• 정형 데이터 (Data 1): 상해 증권거래소 (Wind 터미널) 에서 2007 년 3 월부터 2024 년 4 월까지의 일일 알루미늄 가격, 환율 (CNY/USD), 인플레이션, 구리/아연/철 가격, 원유/천연가스 가격 등을 수집하여 월간 데이터로 집계.
• 텍스트 데이터 (Data 2): Factiva 를 통해 수집한 뉴스 헤드라인.
  • 소스: Reuters(영어), Dow Jones Newswires(영어), China News Service(중국어).
  • 규모: 총 약 25,500 건 이상의 헤드라인 (2007~2024).
  • 필터링: LLaMA3 를 활용한 Few-shot 프롬프트로 알루미늄과 무관한 노이즈 데이터를 제거.

나. 감성 분석 모델

• 모델 비교: 기존 금융 NLP 벤치마크인 FinBERT와 경량화된 LLM인 Qwen3(8B) 를 비교.
• 미세 조정 (Finetuning): Qwen3 모델은 FinancialPhraseBank, Twitter Sentiment, Chinese Finance Sentiment 등 5 가지 금융 감성 데이터셋으로 미세 조정됨.
• 출력: 각 뉴스 헤드라인을 '긍정 (+1)', '부정 (-1)', '중립 (0)'으로 분류하여 월별 가중 평균 감성 점수 (Sentiment Score) 생성.

다. 예측 및 트레이딩 전략

• 모델 아키텍처: LSTM, BiLSTM, GRU, ConvLSTM, TFT 등 다양한 시계열 모델 사용.
• 입력: 정형 데이터만 사용하는 모델 vs 정형 데이터 + 감성 데이터를 결합한 모델.
• 트레이딩 신호:
  • 감성 기반: 감성 점수가 양수이면 매수 (Long), 음수이면 매도 (Short).
  • 가격 기반: 모델이 예측한 다음 달 가격이 실제 가격보다 높으면 매수, 낮으면 매도.
• 평가 지표: 누적 수익률 (Cumulative Return), 샤프 비율 (Sharpe Ratio), 히트율 (Hit Rate).
• 변동성 시나리오: 6 개월 이동 표준편차에 기반하여 저/중/고 변동성 구간으로 나누어 분석.

3. 주요 기여 및 결과 (Key Contributions & Results)

가. 시장 변동성에 따른 감성 데이터의 가치

• 고변동성 시장 (High Volatility): 정형 데이터만 사용한 베이스라인 모델 (샤프 비율 0.23) 에 비해, 미세 조정된 Qwen3 기반 감성 데이터를 결합한 LSTM 모델이 압도적으로 우수함 (샤프 비율 1.04, 359% 향상). 시장이 혼란스러울 때 뉴스 감성이 방향성 신호를 포착하는 데 결정적임.
• 중변동성 시장 (Medium Volatility): 감성 데이터만 사용한 전략이 정형 데이터 기반 모델이나 결합 모델보다 가장 높은 성과 (샤프 비율 1.19) 를 보임. 이는 정상적인 시장 조건에서는 감성 신호 자체가 가격 방향성을 예측하기에 충분함을 시사.
• 저변동성 시장 (Low Volatility): 모든 전략의 성과가 비슷하게 수렴하여 시장이 안정적일 때는 추가적인 정보의 한계가 있음.

나. 뉴스 소스, 주제, 사건 유형의 영향

• 뉴스 소스: Reuters가 Dow Jones 및 China News Service 보다 월등히 높은 예측 성능을 보임. Reuters 는 '가격 변동 (Price Movement)' 관련 뉴스를 35.6% 로 가장 많이 다루며, 정보의 신호 대 잡음비 (Signal-to-Noise) 가 높고 인과 구조가 명확함.
• 주제 (Topic):
  • '가격 변동 (Price Movement)'과 '기업 뉴스 (Company News)', '공급 중단 (Supply Disruption)' 등이 높은 예측력을 보임.
  • '지정학적 (Geopolitical)'이나 '무역 정책 (Trade Policy)' 관련 뉴스는 오히려 부정적인 샤프 비율을 보여 예측에 방해가 됨.
  • 최적 조합: 모든 주제를 포함하는 것보다 8 가지 주제 (기업 뉴스, 공급 중단, 재고 등) 만을 선별하여 결합했을 때 샤프 비율이 0.81 에서 1.00으로 23.6% 향상됨.
• 사건 유형 (Event Type):
  • 과거 발생 사실 (Factual Events): 실제 발생한 사건 (생산량, 재고 발표 등) 에 대한 뉴스는 높은 예측력 (샤프 비율 0.62) 을 보임.
  • 전망/예측 (Forward-looking): 분석가 전망이나 기업 가이드라인은 이미 가격에 반영되어 있어 예측력이 거의 없음 (샤프 비율 -0.01). 이는 효율적 시장 가설 (EMH) 을 지지하는 결과.

다. 모델 성능 비교

• Qwen3 vs FinBERT: 미세 조정된 Qwen3 모델이 FinBERT 보다 감성 분류 및 트레이딩 성과에서 일관되게 우월함.
• 최적 설정: 1 개월 예측 구간 (Time Window) 과 Reuters 감성 데이터를 결합한 LSTM 모델이 가장 높은 총 수익률 (292%) 을 기록함. 정형 데이터만 사용한 모델 (131%) 보다 약 2 배 높은 수익을 창출.

4. 의의 및 결론 (Significance)

1. 방법론적 혁신: 경량화된 LLM(Qwen3) 을 금융 감성 분석에 적용하여, 기존 BERT 기반 모델보다 우수한 성능을 입증하고, 이를 commodities(원자재) 가격 예측에 성공적으로 통합함.
2. 실무적 통찰:
   • 변동성 기반 전략: 시장이 불안정할 때는 정형 데이터와 감성 데이터를 결합하고, 안정적일 때는 감성 데이터만으로도 효과적인 전략을 수립할 수 있음.
   • 정보 필터링의 중요성: 모든 뉴스가 중요한 것은 아니며, '사실 기반 (Factual)' 뉴스와 '가격/공급/수요' 관련 주제에 집중해야 예측 정확도가 높아짐.
   • 소스 선택: Reuters 와 같은 고품질 소스의 뉴스가 다른 소스보다 예측 신호로서 더 가치 있음.
3. 경제적 가치: 전통적인 정량적 지표만으로는 포착하기 어려운 시장 심리와 방향성 신호를 텍스트 데이터로부터 추출하여, 원자재 트레이딩 전략의 수익성과 리스크 조정 수익률 (Sharpe Ratio) 을 크게 향상시킬 수 있음을 입증함.

이 연구는 원자재 시장 예측에 있어 텍스트 데이터의 정교한 활용 (소스, 주제, 사건 유형별 필터링) 이 단순한 데이터 추가를 넘어, 시장 조건에 따라 적응적인 예측 전략을 가능하게 한다는 점을 강조합니다.