Interpretable Systematic Risk around the Clock

이 논문은 최신 오픈소스 추론 LLM 을 활용해 고빈도 시장 데이터와 뉴스 내러티브를 결합하여 24 시간 체계적 점프 리스크를 해석 가능하게 분류하고, 거시경제 뉴스가 가장 큰 위험 프리미엄을 차지한다는 사실을 규명하여 이를 기반으로 한 포트폴리오가 기존 요인 모델 대비 높은 초과수익을 달성함을 보여줍니다.

핵심

이 논문은 "주식 시장이 언제, 왜, 어떻게 갑자기 뛰거나 떨어지는지" 를 24 시간 내내 지켜보면서, 그 이유를 인공지능 (AI) 이 직접 읽어내고 분석한 흥미로운 연구입니다.

기존의 연구들은 주식이 거래되는 낮 시간 (오전 9 시 30 분~오후 4 시) 만을 보았지만, 이 연구는 밤새 일어난 일까지 포함하여 시장을 분석했습니다. 마치 낮에만 문을 여는 상점의 매출만 보고 전체 비즈니스를 판단하는 대신, 24 시간 운영되는 편의점의 모든 거래 내역을 다 확인하는 것과 같습니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 연구의 핵심: "주식 시장의 24 시간 감시 카메라"

비유: 24 시간 CCTV 가 달린 은행
과거에는 은행 (주식 시장) 의 금고가 열리는 낮 시간 (거래 시간) 동안만 CCTV 를 켜고 감시했습니다. 하지만 도둑 (시장 변동성) 은 밤에 더 많이 들이닥칠 수 있습니다.
이 연구자는 24 시간 내내 켜져 있는 CCTV(고빈도 데이터) 를 설치하고, 밤새 일어난 모든 사건을 기록했습니다. 그리고 그 사건들이 왜 일어났는지 설명하는 뉴스 기사들을 모았습니다.

2. 새로운 도구: "똑똑한 AI 탐정 (LLM)"

비유: 수천 장의 신문을 한눈에 읽는 명탐정
밤새 수천 건의 뉴스가 쏟아집니다. "미국 고용 지표 발표", "중동 분쟁", "某 대기업 실적 발표" 등. 사람이 이걸 다 읽고 "아, 오늘 시장이 떨어진 건 이 뉴스 때문이구나"라고 연결 짓기는 불가능합니다.

저자는 최신 생각하는 AI(대형 언어 모델, LLM) 를 고용했습니다. 이 AI 는 마치 수천 장의 신문을 한눈에 훑어보고 핵심을 파악하는 명탐정 같습니다.

• 과거의 방법: 단순히 "경제"라는 단어가 많이 나오면 '경제 뉴스'로 분류하는 단순한 기계.
• 이 연구의 방법: AI 가 "아, 이 뉴스는 고용 지표가 예상보다 나빠서 시장이 놀란 거야"라고 이유를 추론하고 분류합니다.

3. 주요 발견: "밤에 일어나는 일이 더 중요했다"

비유: 낮의 소음 vs 밤의 진지한 대화
연구 결과, 놀라운 사실이 밝혀졌습니다.

• 낮 시간 (거래 시간): 시장이 움직이지만, 그 이유는 이미 알려진 소문이나 작은 뉴스 때문인 경우가 많았습니다.
• 밤 시간 (거래 시간 외): 가장 큰 충격과 변동성이 밤에 일어났습니다. 미국이 자고 있을 때, 전 세계의 뉴스나 미국이 자고 있을 때 발표되는 경제 지표들이 시장을 움직였습니다.

가장 중요한 발견:
AI 가 분류한 뉴스 중 "거시경제 뉴스 (고용, 물가, GDP 등)" 가 시장을 움직일 때, 투자자들에게 가장 큰 보상을 주었습니다.

• 비유: 시장에서 가장 위험한 일 (시장 폭락) 을 견딜 때, 그 대가로 가장 많은 돈을 받는 것은 '경제 상황'을 잘 예측한 사람이었습니다. 다른 뉴스 (정치, 전쟁 등) 보다는 경제 지표가 시장을 움직일 때 더 확실한 수익을 냈습니다.

4. 실전 전략: "AI 가 알려주는 '최고의 보험'"

비유: 날씨 예보에 맞춰 우산을 챙기는 것
이 연구는 단순히 이론에 그치지 않고, 실제 돈을 버는 전략을 제시합니다.

1. AI 가 밤새 뉴스를 분석합니다.
2. "오늘은 '경제 지표' 관련 뉴스가 시장을 움직일 것 같다"라고 예측합니다.
3. 투자자는 그 예측에 맞춰 포트폴리오를 짭니다.

결과:
이 전략을 쓰면, 기존에 알려진 어떤 투자 방법보다 더 높은 수익 (Sharpe Ratio) 을 얻었습니다. 마치 정확한 날씨 예보를 듣고 우산을 챙겨 비를 피한 것처럼, 시장의 '폭풍'을 미리 감지하고 대비한 것입니다.

5. 왜 이 연구가 중요한가?

비유: 지도를 다시 그리는 작업
기존의 지도는 "낮에만 길을 찾으면 된다"고 가르쳤습니다. 하지만 이 연구는 "밤에도 길이 있고, 그 길이 더 중요할 수 있다" 고 알려줍니다.

• 24 시간 시장: 최근 나스닥 같은 곳들이 24 시간 거래를 고려하고 있습니다. 이 연구는 그런 미래의 시장을 미리 이해하는 데 도움이 됩니다.
• AI 의 힘: 단순히 뉴스를 읽는 게 아니라, 이유를 추론하는 AI 를 쓰면 훨씬 더 정확한 투자 전략을 세울 수 있음을 증명했습니다.

요약

이 논문은 "주식 시장은 24 시간 멈추지 않는다. 특히 밤에 일어나는 경제 뉴스가 시장을 가장 크게 움직이며, 최신 AI 를 이용해 그 이유를 정확히 파악하면 더 큰 수익을 낼 수 있다" 는 것을 보여줍니다.

마치 24 시간 작동하는 자동화 공장에서, 낮 시간의 소음만 듣고 공장을 관리하는 대신, 밤새 일어난 모든 기계 소음과 원인을 AI 가 분석하여 공장을 최적화하는 것과 같은 원리입니다.

기술 요약

1. 연구 문제 (Problem)

기존 금융 경제학 및 고빈도 데이터 분석 연구는 시장 시스템적 리스크 (Systematic Risk) 의 원천과 가격 결정 (Pricing) 을 이해하는 데 중점을 두어 왔으나, 다음과 같은 한계가 존재했습니다.

• 거래 시간의 제한: 대부분의 고빈도 분석 (예: Aleti and Bollerslev, 2025) 이 장중 (Intraday, 09:30~16:00) 데이터에만 집중하여 야간 (Overnight) 리스크를 간과했습니다. 이는 누락된 변수 편향 (Omitted Variable Bias) 을 초래하여 시스템적 점프 (Jump) 리스크의 완전한 그림을 제공하지 못합니다.
• 해석 가능성 부족: 기존 텍스트 분석 (NLP) 은 뉴스와 시장 변동성 간의 인과 관계를 명확히 설명하거나, 리스크를 경제적으로 의미 있는 범주로 세분화하는 데 한계가 있었습니다.
• 기술적 진부: 최근 시장이 24 시간 거래로 확장되는 추세 (나스닥 등) 에 맞춰, 야간을 포함한 전 시간대 (Around-the-Clock) 리스크를 실시간으로 식별하고 해석할 수 있는 프레임워크가 부재했습니다.

2. 방법론 (Methodology)

저자는 고빈도 시장 데이터와 최신 대규모 언어 모델 (LLM) 을 결합하여 다음과 같은 3 단계 프레임워크를 구축했습니다.

A. 데이터 구성: 전 시간대 (Around-the-Clock) 고빈도 데이터

• 자산: 1997 년 9 월부터 2020 년 5 월까지의 S&P 1500 구성 종목의 고빈도 수익률 데이터 (TAQ 및 CRSP 결합).
• 시장 요인 (Factor):
  • 장중 (Intraday): NYSE, NASDAQ, AMEX 의 가치 가중치 주식 수익률.
  • 야간 (Overnight): S&P 500 E-mini 선물 (CME 데이터) 을 활용하여 장이 닫힌 시간대의 시장 변동을 포착.
• 점프 식별: Aït-Sahalia and Jacod (2014) 의 절단된 분산 (Truncated Variance) 기법을 사용하여 연속적 변동과 불연속적 점프 (Jump) 를 구분.

B. 뉴스Narrative 추출 및 분류 (LLM 활용)

• 모델: 오픈 소스 추론형 LLM 인 Qwen3-235B-A22B를 자체 호스팅하여 사용.
• 프로세스:
  1. Narrative Retrieval (Prompt 1): 시장 점프 발생 시간대의 도우 존스 뉴스와 Wire 데이터를 입력받아, 점프의 원인이 되는 뉴스 헤드라인을 식별하고 설명 (Reasoning) 을 생성.
  2. Topic Categorization (Prompt 2 & 3): 추출된 뉴스와 설명을 바탕으로 6 가지 상호 배타적인 경제 주제 (거시경제, 기업, 국제 파급효과, 정책, 지정학적, 기타) 로 분류.
• 검증: ChronoBERT (과거 지식만 가진 모델) 와 LDA(전통적 토픽 모델링) 를 사용하여 분류의 정확성과 전향 편향 (Lookahead Bias) 유무를 검증.

C. 계량경제 모델: 연속 시간 Fama-MacBeth 회귀

• 베타 추정: 고빈도 데이터를 기반으로 각 자산의 연속적 리스크 베타 ($\beta^C$) 와 주제별 점프 리스크 베타 ($\beta^{J,k}$) 를 실시간으로 추정.
  • 점프 베타는 점프가 발생한 시점의 데이터만 사용하여 추정 (신호 대 잡음비 향상).
• 요인 모방 포트폴리오 (Factor-Mimicking Portfolios): 추정된 베타를 가중치로 사용하여 각 리스크 요인을 순수하게 모방하는 포트폴리오를 구성 (Pure-play property).
• 리스크 프리미엄 추정: 횡단면 회귀를 통해 각 주제별 점프 리스크에 대한 보상 (Risk Premia) 을 계산.

3. 주요 기여 (Key Contributions)

1. 전 시간대 시스템적 점프 리스크의 첫 번째 실증 분석: 장중뿐만 아니라 야간 데이터를 포함한 24 시간 분석을 통해 시스템적 리스크의 완전한 분해를 시도.
2. LLM 기반 해석 가능한 리스크 분류: 추론형 LLM 을 활용하여 뉴스 텍스트를 경제적으로 의미 있는 범주로 자동 분류하고, 이를 자산 가격 결정 모델에 통합하는 새로운 방법론 제시.
3. 실시간 투자 전략 프레임워크: 분류된 리스크 요인을 기반으로 실시간으로 최적의 요인 모방 포트폴리오를 구성하고, 기존 다요인 모델 대비 우수한 성과를 입증.

4. 주요 결과 (Key Results)

A. 리스크 프리미엄의 이질성 (Heterogeneity)

• 거시경제 뉴스의 지배적 역할: 야간 데이터를 포함한 종합 분석 결과, **거시경제 뉴스 (Macroeconomic News)**가 가장 크고 지속적인 리스크 프리미엄을 제공함.
  • 거시경제 점프 리스크 모방 포트폴리오의 연평균 초과수익률: 3.65%, 샤프 비율: 0.78 (시장의 0.53 보다 우월).
  • 다른 요인 (통화 정책, 기업 실적 등) 은 거시경제 요인을 통제할 때 통계적으로 유의미하지 않거나 프리미엄이 작음.
• 야간 리스크의 중요성: 장중 데이터만 사용할 경우 리스크 프리미엄 추정이 왜곡되거나 통계적 유의성이 사라짐. 전체 리스크 프리미엄의 상당 부분이 야간 (Overnight) 에 발생함.

B. LLM 의 부가 가치 (Incremental Value)

• LLM vs 전통적 NLP: LLM 기반 분류 전략은 샤프 비율 0.95를 기록한 반면, 전통적 LDA 모델 기반 전략은 0.28에 그쳐 LLM 의 문맥 이해 능력이 투자 성과에 결정적임.
• 추론 (Reasoning) 의 가치: Qwen 모델의 '추론 모드 (Thinking)'를 켜고 끄는 실험에서, 추론 모드를 사용한 경우 점프 원인을 정확히 식별하는 비율이 97.2% 로 높았으며, 이에 따른 포트폴리오 샤프 비율도 0.95 로 높았음. 추론 모드를 끄면 식별률이 69.7% 로 떨어지고 샤프 비율이 0.39 로 급감.
• 전향 편향 (Lookahead Bias) 부재: ChronoBERT(과거 지식만 가진 모델) 를 사용한 검증 결과, LLM 의 성과가 미래 데이터 암기에서 기인한 것이 아님을 확인.

C. 실증적 투자 전략

• 실시간 최적화 전략: 매년 말 가장 높은 샤프 비율을 보이는 점프 리스크 요인 (주로 거시경제) 을 선택하여 다음 해 동안 보유하는 전략은 시장 대비 유의미한 알파 (Alpha) 를 생성.
• 거래 비용: 높은 거래 빈도에도 불구하고 (월간 회전율 약 10%), 거래 비용 (10~50 bps) 을 고려하더라도 포트폴리오의 샤프 비율이 0.85 이상으로 유지되어 실용성 입증.

5. 의의 및 시사점 (Significance)

• 이론적 기여: ICAPM(시간에 따른 자본자산가격결정모형) 프레임워크를 확장하여, 뉴스 기반의 점프 리스크가 투자 기회 집합의 변화와 어떻게 연결되어 리스크 프리미엄을 형성하는지 미시적 기초 (Microfoundation) 를 제공.
• 실무적 시사점:
  • 야간 리스크 관리: 기관 투자자들이 야간 뉴스와 글로벌 시장 파급효과를 실시간으로 모니터링하고 리스크를 헤지할 수 있는 도구 제공.
  • 해석 가능한 AI 투자: 블랙박스형 AI 가 아닌, 뉴스의 경제적 논리를 명확히 설명할 수 있는 '해석 가능한 (Interpretable)' AI 기반 투자 전략의 가능성을 열었음.
  • 24 시간 시장 대응: 거래 시간이 24 시간으로 확대되는 미래 금융 시장 구조에서, 전 시간대 데이터를 활용한 리스크 관리의 필수성을 강조.

이 논문은 고빈도 금융 계량경제학, 텍스트 분석, 그리고 최신 생성형 AI 를 융합하여 자산 가격 결정의 새로운 지평을 열었다는 점에서 학술적, 실무적 가치가 매우 높습니다.