Which Voices Move Markets? Speaker Identity and the Cross-Section of Post-Earnings Returns

이 논문은 FinBERT 를 활용해 16,428 개의 S&P 500 실적 발표 회의록을 분석한 결과, 애널리스트와 CFO 등 화자별 가중치를 반영한 감성 분석이 기존 어휘 기반 접근법보다 월간 2.03% 의 초과수익을 창출하며 주가 수익률 예측에 더 우월함을 입증했습니다.

핵심

이 논문은 **"주식 시장이 회사의 실적 발표회 (Earnings Call) 에서 누구의 말을 더 신뢰하는가?"**라는 아주 흥미로운 질문에서 시작합니다.

기존의 연구들은 실적 발표회 전체를 하나의 큰 덩어리로 보아, CEO 의 말부터 분석가의 질문까지 모든 내용을 똑같은 비중으로 섞어 "전체적인 분위기"를 측정했습니다. 하지만 이 논문은 **"아니요, 모든 목소리는 똑같지 않습니다!"**라고 반박하며, 누가 말하느냐에 따라 주가에 미치는 영향이 완전히 다르다는 사실을 증명했습니다.

이 복잡한 연구를 일상적인 비유로 쉽게 설명해 드리겠습니다.

---

🎙️ 1. 핵심 비유: "실적 발표회는 '음악회'가 아니라 '토론회'입니다"

상상해 보세요. 한 회사의 실적 발표회가 마치 음악회처럼 진행된다고 가정해 봅시다.

• 기존 방식 (구식): 청중은 무대 위의 모든 소리 (지휘자의 지휘, 악기 소리, 관객의 박수) 를 다 합쳐서 "오늘 공연이 좋았나 나빴나?"를 판단했습니다.
• 이 논문의 방식 (신식): "잠깐! 지휘자 (CEO) 가 "우리는 잘하고 있어요!"라고 말해도, 그건 미리 준비된 대본일 뿐일 수 있습니다. 하지만 무대 옆에서 **전문 비평가 (증권사 애널리스트)**가 "그런데 이 부분, 좀 의문이 드는데요?"라고 날카롭게 질문하면, 그 말이 훨씬 더 진실에 가깝고 주가에 큰 영향을 줍니다."

이 논문은 **AI(핀버트, FinBERT)**를 이용해 650 만 개의 문장을 분석했고, 그 결과 애널리스트의 목소리가 CEO 의 목소리보다 주가를 예측하는 데 2 배 이상 중요하다는 것을 발견했습니다.

🧩 2. 연구의 주요 발견 4 가지 (일상 언어로)

① "누가 말하느냐가 가장 중요합니다" (가중치 부여)

논문의 AI 는 각 목소리에 점수를 매겨 가중치를 두었습니다.

• 애널리스트 (전문가): 전체 영향력의 **49%**를 차지합니다. (가장 중요!)
• CFO (재무 담당자): 30%
• CEO/임원: 16%
• 기타: 5%

비유: 만약 당신이 투자 조언을 받으려 한다면, 회사의 CEO 가 "우리 회사 최고예요!"라고 외치는 것보다, 그 회사를 분석하는 외부 전문가가 "음... CEO 말씀은 좋지만, 이 부분에서 약점이 보입니다"라고 지적하는 말을 더 믿어야 한다는 뜻입니다.

② "돈을 벌 수 있는 비밀 무기" (초과 수익)

이 방식을 이용해 투자 전략을 세우면, 매달 약 2% 의 추가 수익을 얻을 수 있다고 합니다. (이는 기존 경제 모델로 설명되지 않는 '초과 수익'입니다.)

• 전략: 애널리스트의 말이 긍정적이고 CEO 의 말이 부정적인 주식을 사서, 반대로 애널리스트가 부정적인 주식을 팔면 됩니다.
• 결과: 이 전략은 10 년 이상 꾸준히 작동했으며, 최근 데이터에서도 더 잘 먹혔습니다.

③ "단순한 단어 장난은 통하지 않습니다" (딥러닝 vs 사전)

과거에는 '성장', '이익' 같은 좋은 단어와 '손실', '위험' 같은 나쁜 단어를 세어 감정을 판단했습니다 (사전 방식).

• 비유: "지난해보다 강력한 성과에서 24% 하락했습니다"라는 문장이 있다고 칩시다.
  • 구식 사전: '강력한 (Strong)'이라는 좋은 단어가 있어서 "좋아!"라고 판단합니다.
  • 새로운 AI (FinBERT): 문맥을 이해해서 "아, '강력한' 성과에서 '하락'했구나. 결국 나쁜 소식이야"라고 정확히 파악합니다.
• 결론: 새로운 AI 는 구식 사전 방식을 완전히 압도했습니다. AI 가 없으면 놓치는 중요한 뉘앙스가 너무 많습니다.

④ "소문은 서서히 퍼진다" (정보의 흡수 속도)

실적 발표회가 끝난 후, 주가는 바로바로 반응하지 않습니다. 애널리스트의 말처럼 "이건 좋은 소식이다"라는 정보가 시장에 완전히 스며드는 데는 약 1~2 주가 걸립니다.

• 비유: 비가 오면 땅이 바로 마르지 않고 서서히 말라가듯, 좋은 소식도 주가에 서서히 반영됩니다. 이 '지연된 반응'을 이용하면 수익을 낼 수 있습니다.

💡 3. 왜 이 연구가 중요한가요?

이 연구는 투자자들에게 **"무조건 CEO 가 말하는 것을 믿지 마라"**는 교훈을 줍니다.

1. 진짜 목소리를 찾아라: 회사의 대변인 (CEO) 이 아닌, 그 회사를 분석하는 제 3 자 (애널리스트) 의 말을 더 중요하게 여겨야 합니다.
2. 문맥을 읽는 AI 가 필요하다: 단순히 단어만 세는 게 아니라, "그 말의 뉘앙스"를 이해하는 AI 기술이 투자에 필수적입니다.
3. 시장도 완벽하지 않다: 좋은 소식이나 나쁜 소식이 주가에 즉시 반영되지 않고, 시간이 지나면서 서서히 반영되는 '틈새'가 여전히 존재합니다.

🏁 요약

이 논문은 **"실적 발표회라는 거대한 연극에서, 대본을 읽는 배우 (CEO) 보다 비평을 하는 관객 (애널리스트) 의 반응이 실제 주가를 움직인다"**는 사실을 AI 로 증명했습니다. 그리고 이 원리를 이용하면 기존 방식보다 훨씬 더 정확하게 주가를 예측하고 수익을 낼 수 있다고 결론 내립니다.

한 줄 요약: "CEO 의 화려한 연설보다, 애널리스트의 날카로운 질문 속에 진짜 투자 기회가 숨어 있습니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 기업 실적 발표conference call) 은 미국 주식 시장에서 가장 정보 밀도가 높은 정기적 공개 이벤트입니다. 하지만 기존 문헌은 이러한 발성 내용을 '단일 문서 (monolithic document)'로 간주하여 모든 화자와 섹션 (발표, 질의응답 등) 을 동등하게 취급하는 집계 방식을 주로 사용했습니다.
• 문제점:
  • 화자의 정보적 역할 무시: CEO 의 scripted(대본화된) 발언과 골드만삭스 애널리스트의 즉흥적인 질문은 정보의 질과 예측력이 근본적으로 다릅니다. CEO 는 전략적으로 톤을 조절할 유인이 있지만, 애널리스트는 시장의 숙련된 참여자로서 더 객관적인 평가를 제공합니다.
  • 측정 방법의 한계: 기존 딕셔너리 기반 (Loughran-McDonald) 분석은 문맥을 고려하지 못해 부정사 (negation), 유보적 표현 (hedging), 비교 프레임 등을 잘못 해석할 수 있습니다.
• 연구 목적: 실적 발표 통화의 '화자 정체성 (Speaker Identity)'을 고려하여, 각 화자 그룹의 예측력을 기반으로 가중치를 부여한 새로운 감정 분석 (Sentiment Analysis) 프레임워크를 제안하고, 이것이 주가 수익률 예측에 미치는 영향을 실증하는 것입니다.

2. 데이터 및 방법론 (Methodology)

A. 데이터

• 자료원: 2015 년 4 월부터 2025 년 12 월까지의 S&P 500 기업 16,428 개 분기 실적 발표 대본 (약 650 만 문장).
• 화자 분류: 문장 단위로 화자를 4 가지 카테고리로 분류:
  1. 애널리스트 (Analyst): 증권사 소속 (예측력이 가장 높음).
  2. CFO: 재무 담당 임원.
  3. 임원 (Executive): CEO, COO, CTO 등.
  4. 기타 (Other).
• 수익률: 발표 후 1 일 및 5 일 수익률 (AMC/BMO 시간대 고려).

B. 기술적 접근

1. FinBERT 활용: 금융 도메인에 특화된 트랜스포머 모델 (FinBERT) 을 사용하여 문장 단위의 감정 점수 (Positive - Negative) 를 산출.
   • 기존 딕셔너리 방식과 달리 문맥, 부정, 유보적 표현을 정확히 파악.
2. 집계 방법론 비교: 5 가지 방식을 비교 분석.
   • M1 (Simple Mean): 모든 문장 동등 가중치.
   • M2 (Confidence-Weighted): 모델의 확신도 (Confidence) 에 가중치 부여.
   • M3 (Extreme Fractions): 극단적 긍정/부정 문장 비율.
   • M4 (Section-Weighted, 핵심 제안): 화자 카테고리별 예측력 (Information Coefficient, IC) 에 기반한 가중치 부여.
     • 훈련 데이터 (2015~2022) 에서 각 화자 그룹의 감정과 1 일 후 수익률 간의 스피어만 상관관계 (IC) 를 계산.
     • IC 가 양수인 그룹에 비례하여 가중치 할당 (애널리스트 49%, CFO 30%, 임원 16%, 기타 5%).
   • M5 (Analyst-Only): 애널리스트 발언만 사용.
3. 검증 설계:
   • 시간적 분할 (Temporal Split): 훈련 기간 (20152022) 과 테스트 기간 (20232025) 을 명확히 분리하여 과적합 (Overfitting) 방지.
   • 비교 대상: Loughran-McDonald (LM) 딕셔너리 방식과의 '말하기 경주 (Horse Race)' 분석.
   • 통제 변수: 표준화된 예상치 초과 수익 (SUE), Fama-French 5 요인 모델.

3. 주요 기여 (Key Contributions)

1. 화자 이질성 (Speaker Heterogeneity) 의 정량화: 단순한 '발표 vs 질의응답' 구분을 넘어, 개별 화자의 역할에 따라 예측력이 다르다는 것을 증명하고, 이를 데이터 기반으로 가중치화한 방법론을 제시.
2. 심층 학습 기반 감정 분석의 우월성 입증: 문맥 인식형 딥러닝 모델 (FinBERT) 이 기존 딕셔너리 방식 (LM) 을 완전히 대체 (Subsume) 함을 통계적으로 증명.
3. 자산 가격 분석의 확장: 정보 계수 (IC), Fama-MacBeth 횡단면 회귀, Fama-French 5 요인 알파, SUE 통제 분석 등을 통해 감정 신호가 단순한 수익률 예측을 넘어 경제적 알파 (Alpha) 의 원천임을 입증.

4. 실증 결과 (Results)

A. 예측력 (Information Coefficient)

• 가중치 전략의 효과: Section-Weighted (M4) 방식은 단순 평균 (M1) 대비 IC 가 46% 향상됨 (0.119 vs 0.081).
• 테스트 기간 성과: 훈련 기간 IC(0.115) 대비 테스트 기간 IC 가 0.142 로 오히려 상승. 이는 과적합이 아님을 시사하며, 화자별 가중치가 구조적 정보 환경을 잘 포착했음을 의미.
• 애널리스트의 우위: 애널리스트 발언만 사용한 모델 (M5) 이 가장 높은 IC(0.141) 를 기록.

B. 포트폴리오 수익률 및 알파

• 장기 - 단기 (Long-Short) 전략: 감정 점수 상위 5 분위 (Q5) 매수, 하위 5 분위 (Q1) 매도 포트폴리오를 구성.
  • 월간 알파: Fama-French 5 요인 모델 보정 후 월 2.03% (연 24.3%) 의 유의한 알파 발생 (t-stat = 6.49).
  • 테스트 기간: 훈련 기간 (1.56%) 대비 테스트 기간 (2.77%) 알파가 더 커짐.
• 모노톤성 (Monotonicity): Q1 에서 Q5 로 갈수록 수익률이 일관되게 증가하여 강력한 예측력을 보여줌.

C. SUE 및 딕셔너리와의 관계

• SUE 와의 직교성 (Orthogonality): SUE(수익률 surprise) 를 통제하더라도 감정 신호는 여전히 유의미함. 이는 감정이 '소프트 정보 (관리자 자신감, 전략적 전망 등)'를 담고 있음을 의미.
• FinBERT vs Loughran-McDonald (LM):
  • 동시 회귀 분석에서 FinBERT 는 유의미 (t=5.90) 하지만 LM 은 통계적으로 0 과 구별되지 않음 (t=0.86).
  • FinBERT 가 LM 의 모든 정보를 포함하고 추가적인 문맥 정보를 포착함을 증명 (완전한 포섭, Subsumption).

D. 신호 감쇠 (Signal Decay)

• 발표 후 1 일 내지 5 일 사이에 가장 강력하며, 약 6~7 거래일 내에 반감 (Half-life) 함. 이는 시장이 소프트 정보를 서서히 흡수 (Sluggish Assimilation) 한다는 PEAD(실적 발표 후 가격 미반응) 현상과 일치함.

5. 의의 및 결론 (Significance)

• 실무적 시사점: 투자자들은 실적 발표 시 '무엇'이 말해졌는지보다 '누가' 말했는지에 주목해야 함. 특히 애널리스트의 질문과 답변에 더 높은 가중치를 둔 감정 분석 전략이 검증된 알파 소스임.
• 학문적 기여: 텍스트 분석 분야에서 '화자 기반 (Speaker-aware)' 접근법의 중요성을 부각시켰으며, 전통적인 딕셔너리 방식이 문맥 기반 트랜스포머 모델에 의해 대체되어야 함을 강력히 시사.
• 시장 효율성: 시장은 실적 발표 통화 내의 미묘한 정보 (특히 애널리스트와 경영진의 톤 차이) 를 즉시 반영하지 못하며, 이는 점진적으로 주가에 반영됨을 확인.

요약: 이 논문은 650 만 개의 문장을 분석하여 **"화자의 정체성 (특히 애널리스트) 을 고려한 가중치 부여"**가 실적 발표 후 주가 예측의 핵심 열쇠임을 증명했습니다. 또한, FinBERT 기반의 문맥 인식 모델이 기존 방식보다 압도적으로 우월하며, 이를 통해 월 2% 이상의 초과 수익을 창출할 수 있는 전략적 가능성을 제시했습니다.