💰 quantitative finance

Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning

본 연구는 기업 기본량, 기술적 지표, 그리고 FinBERT 에서 도출된 뉴스 감성을 통합한 트랜스포머 기반의 다중 모달 딥러닝 모델이 수익성 발표일 주식 가격 방향을 예측할 때 변동성이 큰 움직임에 대한 뛰어난 민감도를 달성함으로써 로지스틱 회귀 및 LSTM 베이스라인보다 우월한 성능을 보임을 입증한다.

원저자: Manuel Noseda, Nathan Soldati, Marco Paina

게시일 2026-05-26

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Manuel Noseda, Nathan Soldati, Marco Paina

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

주식 가격이 회사의 실적 발표일에 상승할지, 하락할지, 아니면 보합으로 유지될지 추측해 보라고 상상해 보세요. 시장은 노이즈가 많고 가격이 순식간에 급등락할 수 있기 때문에 이는 악명 높은 까다로운 게임입니다.

취리히 연방 공과대학교 (ETH Zurich) 의 연구진들은 이를 마치 탐정 이야기처럼 다루었습니다. 그들은 미스터리를 해결하기 위해 인공지능을 활용한 '수퍼 탐정' 시스템을 구축했습니다. 이것이 그들이 일상적인 용어로 설명한 방법입니다:

1. 세 가지 단서 (데이터)

예측을 하기 위해 인공지능은 한 가지 것만 보지 않았습니다. 지문, 증인 진술, 동기와 같은 탐정이 다양한 단서를 결합하듯, 세 가지 다른 유형의 단서를 수집했습니다:

회사의 건강 보고서 (기초체면): 그들은 회사의 이익 규모나 부채 규모와 같은 15 가지의 엄격한 숫자를 확인했습니다. 이것이 '공식' 데이터입니다.
최근 시장의 분위기 (가격 동학): 그들은 지난 30 일간의 주가를 살펴보았고, 가격이 가속화되고 있는지 아니면 감속되고 있는지 확인하기 위해 간단한 수학을 사용했습니다.
뉴스 속삭임 (감정): 그들은 FinBERT라는 특수 AI 리더를 사용하여 수천 개의 금융 뉴스 기사를 읽었습니다. 이 AI 는 단순히 단어를 읽는 것이 아니라, 어조를 이해합니다. 뉴스가 기쁜지, 슬픈지, 아니면 무관심한지 말입니다.

2. 세 명의 탐정 (모델)

팀은 사건을 해결하기 위해 세 가지 다른 '탐정'을 훈련시켰고, 누가 가장 뛰어난지 비교했습니다:

구식 탐정 (로지스틱 회귀): 이는 단순하고 선형적인 사고방식을 가진 존재입니다. 단서들을 살펴보고 결론으로 가는 직선을 그립니다. 빠르지만 종종 미묘한 뉘앙스를 놓칩니다.
신중한 관찰자 (LSTM): 이는 책의 한 장을 한 장씩 읽듯 이야기를 하루하루 읽어가는 딥러닝 모델입니다. 매우 신중합니다. 100% 확신이 없으면 안전을 택합니다.
큰 그림을 보는 비전가 (Transformer): 이는 한 번에 30 일 분량의 전체 이야기를 볼 수 있는 더 발전된 모델입니다. 순서대로 읽는 것이 아니라 과거의 어떤 특정 날들이 가장 중요한지 파악하기 위해 '어텐션 (attention)' 메커니즘을 사용합니다.

3. 까다로운 부분: '보합'의 함정

가장 큰 도전 과제는 대부분의 경우 주식은 실적 발표일에 극적인 움직임을 보이지 않고 보합으로 유지된다는 점이었습니다.

교실의 67% 학생이 조용히 앉아 있고, 소수만 뛰어다니고 있다고 상상해 보세요.
만약 탐정이 단순히 "모두가 앉아 있다"고 추측한다면, 대부분의 시간에는 맞겠지만 모든 흥미진진한 점프를 놓치게 됩니다.
연구진들은 그들의 AI 가 지루한 조용한 날들만큼 드물고 격렬한 점프 (상승 또는 하락) 에도 관심을 갖도록 가르쳐야 했습니다. 그들은 AI 가 잘못된 방향을 추측할 경우 (예: 실제로는 '하락'인데 '상승'이라고 말하는 경우) AI 를 강력하게 처벌하는 특수한 점수 시스템을 사용했습니다.

4. 결과: 누가 이겼나?

이 논문은 완벽한 '단일' 탐정은 없으며, 무엇을 더 가치 있게 여기느냐에 따라 달라진다고 결론지었습니다: 안전성인지 민감도인지.

신중한 관찰자 (LSTM) 는 '안전한 선택'이었습니다:
- 매우 보수적이었습니다. 값비싼 실수를 피하기 위해 주로 '보합'을 예측했습니다.
- 결과: 비용이 많이 드는 오류를 가장 적게 발생시켰습니다. 만약 당신이 위험을 회피하는 성향 (돈을 잃는 것을 두려워함) 이라면, 이것이 원하는 모델입니다. 이는 절대 확신이 있을 때만 핸들을 돌리는 운전자와 같습니다.
큰 그림을 보는 비전가 (Transformer) 는 '민감한 사냥꾼'이었습니다:
- 격렬한 가격 변동을 포착하는 데 훨씬 더 뛰어났습니다. '상승'과 '하락' 움직임을 더 많이 잡아냈습니다.
- 결과: 이러한 움직임을 찾아내는 데 있어 전체적인 성공 점수 (Macro F1) 가 가장 높았습니다. 그러나 모든 것을 잡으려다 보니 주식의 방향에 대해 더 많은 실수를 저질렀습니다. 이는 모든 포트홀을 발견하지만 너무 자주 핸들을 꺾는 운전자와 같습니다.
구식 탐정 (로지스틱 회귀) 은 고전했습니다:
- 뉴스, 가격, 역사의 복잡한 혼합을 처리하기에는 너무 단순했습니다. 빈번하고 값비싼 방향성 오류를 범했습니다.

5. '비밀 재료' (뉴스 감정)

연구진들은 단서에서 '뉴스 속삭임 (감정)'을 제거했을 때 어떤 일이 발생하는지 테스트했습니다.

판결: 뉴스가 없으면 모든 탐정이 더 나빠졌습니다.
이유: 뉴스는 숫자와 가격 차트만으로는 스스로 볼 수 없는 추가 정보를 제공했습니다. 이는 안정제처럼 작용하여 AI 가 더 신뢰할 수 있는 추측을 하도록 도왔습니다.

결론

이 논문은 실적 발표일에 주식 움직임을 예측하는 것은 균형 잡기 게임이라고 결론지었습니다.

위험을 최소화하고 큰 실수를 피하고 싶다면, LSTM(신중한 모델) 이 더 좋습니다.
변동성이 큰 움직임을 포착하고 더 많은 위험을 감수할 의사가 있다면, Transformer(민감한 모델) 이 더 좋습니다.

중요하게도, 이 연구는 최상의 결과를 얻으려면 숫자만 믿을 수 없으며 반드시 뉴스의 '분위기'를 포함해야 함을 증명합니다.

기술 요약: 다중 모달 딥러닝을 활용한 실적 발표일 주가 방향성 예측

문제 정의
본 연구는 실적 발표 (EA) 일의 주가 방향성 움직임을 예측하는 과제를 다룹니다. 저자들은 이를 이벤트 주도 가격 움직임 예측 (Event-Driven Price Movement Prediction) 작업으로 정의합니다. 실적 발표를 앞둔 30 일간의 다중 모달 시계열 데이터를 입력으로 받아, 발표 후 주가 방향을 UP( $R \geq 3\%$ ), DOWN( $R \leq -3\%$ ), NEUTRAL(그 외) 의 세 가지 클래스 중 하나로 분류하는 것이 목표입니다. 본 문제는 상당한 시장 노이즈, 고충격 가격 불연속성, 그리고 NEUTRAL 클래스가 관측치의 약 67% 를 차지하는 심각한 클래스 불균형이 특징입니다.

방법론
본 연구는 세 가지 서로 다른 데이터 모달리티를 통합하여 차원 $d=21$ 의 통일된 특징 공간으로 연결하는 다중 모달 딥러닝 접근법을 사용합니다:

기업 펀더멘털 ( $d_f=15$ ): 재무 건전성을 나타내는 대리 변수로 활용되는 분기별 및 연간 지표 (예: 순이익률, ROE, 부채비율).
시장 역학 ( $d_m=3$ ): 조정 종가와 단기 모멘텀 지표 (3 일 및 6 일 단순 이동평균).
뉴스 감성 ( $d_n=3$ ): 금융 분야에 맞게 미세 조정된 언어 모델인 FinBERT 를 통해 처리된 금융 뉴스 기사에서 도출된 감성 점수. 여러 기사가 있는 날의 경우 감성 벡터를 평균화합니다.

데이터 처리 및 모델링
데이터셋은 10 개월 기간 동안 시가총액 기준 상위 500 개 미국 기업을 다룹니다. 전처리 과정에는 비거래일에 대한 시계열 보간 (전방향 채우기), 희소 펀더멘털에 대한 교차 단면 평균 보간, 그리고 z-점수 표준화가 포함됩니다. 클래스 불균형을 해결하기 위해 저자들은 방향성 오류 (UP 대 DOWN) 를 중립 오분류보다 더 가중치 있게 처벌하는 가중 교차 엔트로피 손실 함수를 활용합니다.

세 가지 모델 아키텍처가 평가되었습니다:

로지스틱 회귀 (베이스라인): 평탄화된 30 일 윈도우로 훈련된 비시계열 다항 분류기.
LSTM: 순차적 의존성을 포착하도록 설계된 2 계층 스택드 순환 신경망 (은닉 차원 64).
Transformer: 30 일 윈도우 전반의 글로벌 시계열 패턴을 엄격한 순차적 귀납 편향 없이 포착하기 위해 정현파 위치 인코딩을 활용하는 자기 어텐션 기반 인코더 아키텍처 (2 계층, 4 헤드).

모델은 금융 의사결정과 정렬된 지표로 훈련 및 평가됩니다: 실행 가능한 신호에 대한 정밀도 (Precision), 불균형 클래스 간 성능 균형을 위한 매크로 평균 F1 점수, 그리고 UP↔DOWN 오분류에 더 높은 패널티를 부여하는 맞춤형 비용 지표.

주요 결과
실험 결과는 민감도와 리스크 통제 간의 뚜렷한 트레이드오프를 보여줍니다:

LSTM 성능: LSTM 은 보수적인 전략을 채택하여 NEUTRAL 클래스를 자주 예측합니다. 이로 인해 맞춤형 금융 비용은 가장 낮고 방향성 신호에 대한 정밀도는 높지만, 변동성 있는 사건을 놓침으로써 더 낮은 매크로 F1 점수를 기록합니다.
Transformer 성능: Transformer 모델은 LSTM 보다 우수한 민감도를 보여 더 많은 UP 및 DOWN 사건을 식별합니다. 결과적으로 가장 높은 매크로 F1 점수 (0.390) 를 달성하지만, 증가된 방향성 오류로 인해 더 높은 맞춤형 비용을 초래합니다.
베이스라인 성능: 로지스틱 회귀 베이스라인은 UP 움직임을 예측하는 편향을 가진 불안정한 의사결정 프로필을 보이며, 이로 인해 가장 높은 금융 비용과 빈번한 비용이 큰 방향성 전환을 초래합니다.
감성의 영향: 제거 실험 (ablation study) 은 뉴스 감성 특징을 제거하면 모든 모델의 성능이 저하됨을 확인합니다. 그 효과는 LSTM 에서 가장 두드러지는데, 이는 감성 데이터가 심층 순차 모델에서 중요한 안정화 역할을 함을 시사합니다.

의의 및 주장
본 논문은 "하드" 정보 (펀더멘털, 가격) 와 "소프트" 정보 (뉴스 감성) 를 다중 모달 프레임워크에서 결합하는 것의 가치를 입증함으로써, 상대적으로 연구가 덜 된 EA 특화 주식 예측 분야에 기여한다고 주장합니다. 저자들은 선형 모델이 EA 데이터의 복잡한 시계열 및 교차 모달 상호작용을 포착하는 데는 불충분하지만, 딥러닝 아키텍처는 투자 전략에 따라 고유한 장점을 제공한다고 주장합니다. 구체적으로, 본 연구는 모델 선택이 대상 응용 분야에 달려 있음을 강조합니다: 리스크 회피 전략은 LSTM 의 안정성을 선호할 수 있는 반면, 변동성 추구 전략은 Transformer 의 더 높은 민감도로부터 혜택을 볼 수 있습니다. 이 연구는 펀더멘털과 가격 역학만으로는 제공할 수 없는 것 이상으로 안정성과 성능을 개선하는 보완적 예측 신호를 제공하기 위해 뉴스 감성을 통합하는 것이 중요함을 강조합니다.