CausalAlpha: A Real-Time Geopolitical Risk Index from OSINT Channels for Causal Discovery in Financial Markets

CausalAlpha: 금융 시장의 인과적 발견을 위한 OSINT 채널 기반 실시간 지정학적 리스크 지수 기술 요약

1. 문제 제기

Caldara와 Iacovalello(2022)의 기념비적인 연구와 같은 전통적인 지정학적 리스크(GPR) 지수는 신문 아카이브에 의존한다. 이러한 소스들은 편집 과정의 큐레이션, 필터링 및 출판 주기로 인해 체계적인 지연(lag)을 겪으며, 이는 지정학적 사건과 그 측정치 사이의 시차를 발생시킨다. 소셜 미디어는 실시간 데이터를 제공하지만, 이를 금융 신호로서 활용하는 것—특히 분쟁 모니터링이 전통적 미디어보다 앞서 발생하는 텔레그램과 같은 암호화된 메시징 플랫폼의 활용—은 아직 충분히 연구되지 않았다. 또한, 리스크를 시장과 연결하는 표준적 접근 방식인 그랜저 인과관계(Granger causality)는 흔히 공통 원인을 고려하지 못하여 허구적 추론(spurious inferences)을 초래할 수 있다. 따라서 엄격한 인과적 발견 방법론을 사용하여 지정학적 내러티브와 금융 시장 변수 간의 방향성 있는 의존성을 매핑하는, OSINT 기반의 고빈도 실시간 GPR 지수가 필요하다.

2. 방법론

본 논문은 자연어 처리(NLP)와 제약 기반 인과적 발견(constraint-based causal discovery)을 통합한 오픈 소스 프레임워크인 CausalAlpha를 소개한다.

• 데이터 구축:

  • OSINT 코퍼스: 시스템은 Telethon 라이브러리를 사용하여 6개의 텔레그램 채널(예: Bellingcat, WarTranslated, Reuters World)에서 실시간 메시지를 스크래핑한다. 코퍼스는 분쟁 모니터링에 집중하며, 친러시아 또는 허위 정보 소스는 제외한다.
  • NLP 지표: 단일 집계 지수 대신, 본 프레임워크는 5가지 카테고리별 GPR 지표를 생성한다: 분쟁(Conflict), 정치적 불안정(Political Instability), 에너지 안보(Energy Security), 무역 중단(Trade Disruption), 금융 스트레스(Financial Stress).
  • 측정 방식: 각 카테고리 $c$와 날짜 $t$에 대해, 로우(raw) 지표는 해당 카테고리 특정 키워드를 포함하는 메시지의 비율이다. 일간 노이즈를 평활화하면서 주간 변동성을 보존하기 위해 7일 이동 평균(rolling share)을 계산한다.
  • 금융 변수: 본 연구는 4개 자산군(원자재(예: Brent, Gold), FX 환율, 주식 지수/섹터 ETF(예: XLE, ITA), 신용 상품)에 걸친 16개 변수의 일간 종가를 활용한다. 모든 가격 시계열은 정상성을 확보하기 위해 1차 차분된다.

• 인과적 발견 (PC 알고리즘):

  • 핵심 방법론으로 진정한 인과적 유향 비순환 그래프(DAG)의 마르코프 동등 클래스(Markov equivalence class)를 복구하기 위해 피터-클라크(Peter–Clark, PC) 알고리즘(Spirtes et al., 2000)을 사용한다.
  • 절차: 알고리즘은 완전 무방향 그래프에서 시작하여, 변수들의 부분 집합에 조건화된 조건부 독립성 검정(Fisher's Z-test)을 바탕으로 에지(edge)를 제거한다. 그 후, V-구조를 식별하기 위해 Meek의 전파 규칙을 사용하여 에지의 방향을 결정한다.
  • 강건성 프로토콜: 신뢰성을 보장하기 위해 저자들은 $4 \times 3$ 스윕(sweep)을 통해 PC 알고리즘을 추정한다:
    • 4가지 DAG 사양: 5가지 NLP 지표를 고정한 상태에서 금융 변수 부분 집합(핵심 거시 경제, 원자재, 신용 및 FX, 섹터 ETF)을 변화시킨다.
    • 3가지 유의 수준: $\alpha \in \{0.05, 0.10, 0.15\}$.
  • 재표본 추출(Resampling): 이동 윈도우 데이터의 자기상관 구조를 보존하면서 샘플링 불확실성을 정량화하기 위해 블록 부트스트랩 절차(블록 크기 = 7일, 500회 재표본 추출)를 사용한다.
  • 검증: PC 알고리즘에서 도출된 위상적 순서(topological ordering)를 사용하여 핵심 거시 패널에 대한 구조적 벡터 자기회귀(SVAR) 모델을 추정하고, 충격 반응 함수(IRF) 및 예측 오차 분산 분해(FEVD)를 생성한다.

3. 주요 기여

1. 고빈도 GPR 지수: 텔레그램 OSINT 채널에서 직접 추출한 새로운 5차원 GPR 지수를 구축하여, 신문 기반 측정치보다 낮은 지연 시간을 제공하는 대안을 제시한다.
2. 인과적 발견 적용: 전체 변수 세트에 대해 조건화함으로써 쌍별 그랜저 인과관계와 관련된 허구적 추론 위험을 피하고, 지정학적 불확실성과 금융 시장 간의 방향성 있는 인과 구조를 식별하기 위해 PC 알고리즘을 적용한다.
3. 프로덕션 시스템: 데이터 수집, 지수 구축, 인과 그래프 추정 및 보고를 처리하는 자동화된 오픈 소스 프로덕션 애플리케이션(CausalAlpha)을 Google Cloud Run에 배포한다.

4. 주요 결과

분석은 지정학적 내러티브의 인과적 구조와 이것이 시장으로 전이되는 방식에 관한 구체적인 결과를 도출한다:

• 내러티브의 인과적 구조: 모든 4가지 DAG 사양의 $\alpha = 0.10$에서 전역적으로 강건한 두 개의 에지가 발견되었다:
  • 정치적 불안정 $\rightarrow$ 분쟁 커버리지
  • 에너지 미디어 커버리지 $\rightarrow$ 분쟁 커버리지
  • 이는 "분쟁"이 OSINT 채널 내 지정학적 내러티브 에스컬레이션의 주요 인과적 싱크(sink)임을 입증하며, 분쟁 커버리지가 정치 및 에너지 차원의 선행 신호들을 종합함을 시사한다.
• 시장 전이:
  • 가장 엄격한 유의 수준($\alpha = 0.05$)에서, **분쟁 커버리지 $\rightarrow$ 에너지 섹터 주식 수익률($\Delta$XLE)**이 식별되었다. 이는 지정학적 에스컬레이션이 광범위한 미디어 사이클을 통해 완전히 전파되기 전에 에너지 주식 시장으로 먼저 전달됨을 시사한다.
  • 신흥국 채권 $\rightarrow$ VIX: $\Delta$EM Bonds $\rightarrow$ VIX 에지는 $\alpha = 0.05$에서 생존하며, 이는 신흥국 국채 스트레스가 광범위한 시장 변동성의 조기 경보 신호로 작용함을 나타낸다.
  • 약한 일간 전이: SVAR 분석 결과, 일간 빈도에서 NLP 신호로부터 금융 시장 가격으로의 동적 전이는 통계적으로 약한 것으로 나타났다. 충격 반응 함수는 대부분의 쌍에 대해 신뢰 구간이 0을 포함하며, FEVD는 지정학적 NLP 지표가 시장 가격의 예측 분산을 5% 미만으로 설명함을 보여준다.
• 정보 순서: 결과는 지정학적 뉴스 신호가 금융 시장의 단기 가격 움직임을 즉각적으로 생성하기보다는, 주로 미디어 내러티브 시스템 내부에서 작동(사건이 어떻게 다뤄질지를 형성)한다는 점을 시사한다.

5. 의의 및 주장

본 논문은 OSINT를 활용한 실시간 매크로 파이낸셜 리스크 모니터링을 향한 한 단계로서의 가치를 주장한다. 주요 의의는 다음과 같다:

• 방법론적 엄밀성: 구조적 VAR와 달리 사전 순서 제한을 부과하지 않고도 고차원 금융 데이터에서 방향성 있는 의존성을 복구할 수 있음을 PC 알고리즘(제약 기반 인과 발견)을 통해 입증하였다.
• 경험적 통찰: 지정학적 뉴스가 일간 자산 가격을 즉각적으로 움직인다는 가설에 이의를 제기한다. 대신, 정치 및 에너지 내러티브가 분쟁 커버리지를 유도하고, 이것이 엄격한 유의 수준에서 특정 섹터 주식(에너지)에 영향을 미치는 계층 구조를 보여준다. 또한, 일간 빈도에서는 광범위한 시장 전이가 약하게 나타난다.
• 실용적 유용성: OSINT 채널의 정치 및 에너지 내러티브에 대한 체계적인 관찰이 전통적인 지표에 나타나기 전, 분쟁 에스컬레이션의 선행 신호를 제공할 수 있다는 점에서 국가 리스크 모니터링을 위한 프레임워크을 제공한다.

저자들은 본 연구의 일반화 가능성에 대해 신중한 태도를 유지하며, 코퍼스가 러시아-우크라이나 분쟁에 치우쳐 있고 "금융" 지표가 희소하다는 점을 언급했다. 또한, 이 프레임워크가 모니터링을 위한 프로덕션 단계이며, 더 낮은 빈도로 분석을 확장하고 예측 시장(prediction market) 데이터를 제3의 정보 층으로 통합하는 후속 연구가 필요함을 명시하였다.