TRACE: Temporal Rule-Anchored Chain-of-Evidence on Knowledge Graphs for Interpretable Stock Movement Prediction

이 논문은 지식 그래프 기반의 해석 가능한 주가 변동 예측을 위해 심볼릭 관계 사전 지식, 동적 그래프 탐색, LLM 기반 의사결정을 통합한 'TRACE' 모델을 제안하며, S&P 500 벤치마크에서 기존 최강 모델들을 능가하는 성능과 인간이 읽을 수 있는 감사 가능한 설명을 제공합니다.

핵심

🕵️‍♂️ TRACE: 주식 시장의 '수사관'

기존의 주식 예측 프로그램들은 마치 운세 점보처럼 "지난날의 주가 흐름을 봤더니, 내일은 오를 확률이 높아"라고 말하곤 했습니다. 하지만 TRACE 는 다릅니다. TRACE 는 현장 수사관처럼 행동합니다.

"왜 오를 거라고 생각하죠?"라고 물으면, TRACE 는 이렇게 답합니다.

"A 회사가 B 회사를 인수했다는 뉴스 (증거) 가 있고, 과거에 이런 인수가 일어나면 관련 산업의 주가가 오르는 패턴 (규칙) 이 있었기 때문입니다."

이것이 바로 이 논문이 말하는 '해석 가능한 (Interpretable)' 예측입니다.

🧩 TRACE 가 어떻게 일하는지 3 단계로 설명해요

이 시스템은 크게 세 가지 도구를 섞어서 일합니다.

1. 규칙책 (Rule-Guided Priors): "과거의 성공 사례집"

수사관에게는 '수사 매뉴얼'이 있습니다. TRACE 는 과거의 지식 그래프 (기업, 사람, 사건, 뉴스가 연결된 거대한 지도) 를 뒤져서 **"어떤 사건이 일어나면 주가가 오르는가?"**에 대한 규칙들을 미리 찾아냈습니다.

• 예시: "A 회사가 AI 관련 B 회사를 인수했다" + "B 회사 주가가 올랐다" → "A 회사 주가도 오를 것 같다."
  이 규칙들은 무작위로 길을 찾는 게 아니라, 경제적으로 의미 있는 길만 따라가게 해줍니다.

2. 탐색대 (Graph Exploration): "증거를 찾아다니는 탐정"

이제 TRACE 는 특정 회사의 주가를 예측할 때, 그 회사에서 시작해 지식 그래프 위를 뛰어다닙니다. 하지만 막무가내로 뛰는 게 아니라, 위에서 만든 '규칙책'에 맞는 길만 선택합니다.

• 중요한 점: 이 탐정은 시간 여행을 하지 않습니다. "오늘 현재까지 나온 뉴스"만 보고 추론합니다. 미래의 뉴스를 미리 알면 안 되니까요 (이걸 'As-of' 제약이라고 합니다).

3. LLM (대형 언어 모델): "현장 검증관"

탐정이 찾은 길 (예: "A 회사 → 인수 → B 회사 → 뉴스") 이 진짜 의미 있는 증거인지, 아니면 헛소문인지 확인합니다. 여기서 **LLM(인공지능)**이 등장합니다.

• LLM 은 찾아온 뉴스 기사를 읽고, "이 뉴스가 정말 주가 상승과 관련이 있나?"를 판단하고 점수를 매깁니다.
• 만약 LLM 이 "아, 이건 가짜 뉴스야"라고 하면 그 길은 폐기됩니다.

🏆 결과가 어땠나요?

이 방식을 S&P 500(미국 대표 500 개 기업) 데이터로 테스트했더니, 기존에 있던 최고의 방법들보다 더 정확하게 주가 방향 (상승/하락) 을 맞췄습니다.

• 정확도: 55.1% (기존 방법들보다 약 2~3% 더 높음)
• 특징: 단순히 맞추는 것뿐만 아니라, **"왜 맞췄는지"**에 대한 명확한 이유 (뉴스 링크와 연결된 경로) 를 보여줍니다.

💡 왜 이것이 중요한가요?

기존의 AI 는 "주가가 오릅니다"라고만 말하면, 투자자는 **"왜? 근거는 뭐야?"**라고 물을 때 답을 못 하는 경우가 많았습니다. (이를 '블랙박스'라고 합니다.)

하지만 TRACE 는 **"A 뉴스에 B 사건이 있었고, 과거 C 패턴과 일치하므로 주가가 오를 것"**이라고 이유와 증거를 함께 제시합니다.

• 투자자: "아, 그 뉴스 때문이었구나. 믿고 투자해볼 만하군."
• 감사관: "이 예측은 근거가 명확하니까 문제없다."

📝 한 줄 요약

TRACE 는 주식 시장의 복잡한 관계를 '규칙'과 '뉴스'로 연결해, 단순히 운을 믿는 게 아니라 논리적인 증거를 바탕으로 주가를 예측하고 그 이유를 설명해주는 똑똑한 '금융 수사관'입니다.

이 기술은 투자자가 AI 의 결정을 맹신하는 대신, 이해하고 검증할 수 있게 만들어주어 금융 시장의 투명성을 높이는 데 큰 기여를 할 것으로 기대됩니다.

기술 요약

1. 문제 정의 (Problem Definition)

주식 가격 변동 예측은 전통적인 시계열 모델과 최근의 텍스트 기반 감성 분석 모델이 주로 다루어 왔으나, 다음과 같은 한계가 존재합니다.

• 관계성 무시: 기존 모델들은 개별 주식의 데이터나 뉴스 감성을 독립적으로 처리하여, 기업, 사건, 제품 간의 복잡한 상호작용 (예: 인수합병, 공급망, 규제 영향) 을 포착하지 못합니다.
• 해석 가능성 부족: 대규모 언어 모델 (LLM) 기반 접근법은 강력한 언어 이해 능력을 갖췄지만, 사실에 근거하지 않은 환각 (hallucination) 이 발생하기 쉽고, 예측의 근거를 명확히 설명하는 '해석 가능성 (Interpretability)'이 부족합니다.
• 미래 정보 누출 (Look-ahead Bias): 금융 예측에서 시점 (as-of) 제약을 위반하여 미래 정보를 학습에 사용하는 문제가 빈번합니다.

이에 따라, **구조화된 지식 그래프 (Knowledge Graph)**와 언어 모델을 결합하여, 시간적 제약을 준수하면서도 **인간이 검증 가능한 증거 (Chain-of-Evidence)**를 기반으로 주식 상승/하락을 예측하는 프레임워크가 필요합니다.

---

2. 방법론 (Methodology)

저자들은 **TRACE (Temporal Rule-Anchored Chain-of-Evidence)**라는 새로운 프레임워크를 제안했습니다. 이는 심볼릭 규칙, 동적 그래프 탐색, LLM 기반 의사결정을 통합한 엔드 - 투 - 엔드 파이프라인입니다.

2.1. 핵심 구성 요소

1. 시간적 지식 그래프 (Temporal Knowledge Graph, TKG) 구축:

   • S&P 500 기업, 뉴스 (TextSource), 사건 (Event), 제품, 금융 지표, 인물 등을 노드로 포함합니다.
   • 각 관계 (Edge) 는 EXTRACTED_FROM, INVESTED_IN, PARTNERED, CAUSED_INCREASE 등의 타입을 가지며, **유효 기간 (validity interval)**이 명시되어 시간적 정확성을 보장합니다.
   • As-of 제약: 예측 시점 $t$ 이전에 공개된 정보만 그래프에 포함됩니다.

2. 자동 규칙 마이닝 (Automated Rule Mining):

   • 과거 지식 그래프 스냅샷에서 반복적으로 나타나는 관계 패턴 (Motifs) 을 추출하여 규칙 라이브러리 ($R^*$) 를 생성합니다.
   • 예: INVESTED_IN(X, Z) ∧ IN_SECTOR(Z, "AI") ⇒ predict_direction(X, UP)
   • 이 규칙들은 추론의 탐색 공간을 제한하고, 의미 있는 경제적 패턴에 집중하도록 유도합니다.

3. 규칙 기반 그래프 탐색 (Rule-Guided Graph Exploration):

   • Beam Search: 각 주식 노드에서 시작하여 텍스트 소스 (뉴스) 로 이어지는 다중 홉 (Multi-hop) 경로를 탐색합니다.
   • 규정 준수 (Admissibility): 탐색 경로는 미리 마이닝된 규칙의 본문 (Body) 패턴과 일치해야만 확장됩니다.
   • LLM 기반 선별: 후보 관계 (Relation) 에 대해 LLM 이 문맥 (노드 유형, 날짜, 통계) 을 고려하여 관련성을 평가하고 불필요한 분기를 가지치기 (Pruning) 합니다.
   • 점수 매기기: 경로 점수는 규칙 완성도, 규칙 본문 커버리지, 시간적 최신성, 허브 노드 (Hub) 편향 방지 등을 기준으로 순위가 매겨집니다.

4. 판결 및 증거 통합 (Verdict Prediction & Evidence Consolidation):

   • 탐색을 통해 발견된 경로들이 규칙의 신뢰도 (Confidence) 를 충족하면 '가설 (Hypothesis)'로 간주됩니다.
   • LLM 은 각 경로와 뉴스 내용을 대조하여 사실 관계를 검증 (Validation) 합니다.
   • 최종 예측 (UP/DOWN) 은 고신뢰도 가설들의 신뢰도를 집계하여 결정되며, 각 예측은 **명시적인 추론 경로 (Reasoning Path)**와 **텍스트 증거 (News Source)**로 뒷받침됩니다.

---

3. 주요 기여 (Key Contributions)

1. 통합 프레임워크 (TRACE) 제안: 심볼릭 규칙 마이닝, LLM 가이드 그래프 탐색, LLM 검증 의사결정을 단일 파이프라인으로 통합한 최초의 시간적 지식 그래프 기반 주식 예측 프레임워크입니다.
2. 규칙 기반 및 텍스트 기반 추론 설계: 마이닝된 관계 패턴이 허용 가능한 경로를 제한하고, 후보 추론 체인이 뉴스 기사에 근거하도록 하여 경제적 관련성과 시간적 유효성을 동시에 보장합니다.
3. 대규모 데이터셋 및 실험: 2022~2023 년 S&P 500 데이터 (42,188 개 노드, 174,415 개 엣지) 로 대규모 금융 지식 그래프를 구축하고, 강력한 베이스라인 대비 우수한 성능과 해석 가능성을 입증했습니다.

---

4. 실험 결과 (Results)

S&P 500 의 1 일 후 주식 변동성 예측 태스크에서 다음과 같은 성과를 거두었습니다.

• 예측 성능:

  • 정확도 (Accuracy): 55.1% (XGBoost 52.9% 대비 2.2%p 향상)
  • 정밀도 (Precision): 55.7%
  • 재현율 (Recall): 71.5% (기존 그래프 기반 모델 대비 가장 큰 개선)
  • F1-Score: 60.8%
  • 기존 시계열 모델, 텍스트 감성 분석 모델, 그래프 신경망 (T-GNN), 에이전트 기반 모델 (Mars, StockAgent 등) 을 모두 능가했습니다.

• 백테스팅 (Backtesting) 결과 (2023-01-01 ~ 2024-01-01):

  • 상위 10 개 종목으로 구성된 포트폴리오 (매수 후 보유) 시 총 수익률 41.7%, 샤프 비율 2.00을 기록했습니다.
  • 이는 시장 평균 (Equal-Weight Benchmark, 16.7%) 및 주요 베이스라인 (XGBoost 27.0%, StockAgent 26.4%) 을 크게 상회합니다.

• 해석 가능성 및 분석:

  • 예측의 85% 가 텍스트 소스로 이어지는 완전한 추론 경로를 가지며, 72% 는 마이닝된 규칙 패턴과 일치합니다.
  • 반대 사례 분석 (Counterfactual Analysis): 뉴스 증거 (TextSource) 나 핵심 관계를 제거했을 때 예측 정확도가 급격히 하락하여, 모델이 실제 증거에 기반하여 작동함을 입증했습니다.

---

5. 의의 및 결론 (Significance)

이 연구는 금융 예측 분야에서 **성능 (Performance)**과 해석 가능성 (Interpretability) 사이의 오랜 트레이드오프를 해결했습니다.

• 신뢰할 수 있는 의사결정: LLM 의 환각을 방지하고, 규칙 기반의 구조적 제약과 텍스트 증거를 결합하여 금융 전문가가 검증 가능한 투명한 예측을 제공합니다.
• 경제적 의미 포착: 단순한 상관관계가 아닌, 기업 간 관계, 사건, 뉴스가 주식 가격에 미치는 인과적 흐름 (Causal Chain) 을 그래프를 통해 포착합니다.
• 실용성: 높은 재현율과 샤프 비율을 통해 실제 투자 전략에 적용 가능한 유의미한 수익을 창출할 수 있음을 보여주었습니다.

결론적으로 TRACE 는 심볼릭 AI 와 딥러닝 (LLM) 의 장점을 융합하여, 시간적 제약을 준수하는 해석 가능한 금융 예측의 새로운 표준을 제시합니다.