💬 NLP

Fast Numbers, Slow Language: Bridging Quantitative and Qualitative Earnings Signals

이 논문은 정량적 및 정성적 실적 분석 커뮤니티 사이의 간극을 메우기 위해 "EarningsInOne" 코퍼스를 소개하며, 수치적 서프라이즈가 즉각적인 시장 반응을 유도하는 반면, 정성적인 컨퍼런스 콜 센티먼트는 다음 거래일에 정점에 달하는 별도의 거래 가능한 신호를 제공하지만 기존의 호환되지 않는 평가 지표들에 의해 가려져 왔음을 밝힌다.

원저자: Ding Yu, Zhuo Liu, Hao Zhang, Hangfeng He

게시일 2026-06-30

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ding Yu, Zhuo Liu, Hao Zhang, Hangfeng He

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

큰 그림: 두 가지 다른 속도의 뉴스

회사가 분기 보고서를 발표하는 것을 마술사가 모자에서 토끼를 꺼내는 것에 비유해 봅시다. 이 이벤트는 실제로 두 개의 뚜렷한 단계로 진행되며, 이 논문은 금융계가 이 두 단계를 같은 안경으로 보려고 시도해 왔기 때문에 제대로 작동하지 않았다고 주장합니다.

"빠른 숫자" (토끼): 먼저, 회사는 "우리는 예상치인 주당 1.44달러 대신 1.52달러를 벌었습니다"와 같은 확정적인 수학적 데이터를 담은 보도 자료를 배포합니다. 이 일은 즉각적으로 일어납니다. 컴퓨터 알고리즘(로봇)은 이 수학적 데이터를 읽고 몇 분 이내에 주식을 거래합니다. 다음 날 아침 시장이 열릴 때쯤이면, 주가는 이미 이 숫자에 맞춰 조정되어 있습니다. 이 숫자로부터 얻을 수 있는 "알파"(추가 이익)는 순식간에 사라집니다.
"느린 언어" (마술의 기술): 30분에서 90분 후, CEO가 컨퍼런스 콜에 참여하여 숫자에 대해 설명합니다. 그들은 "조심스럽게 낙관적이지만, 경제 상황이 까다롭습니다"와 같이 말합니다. 이것은 질적 언어입니다. 인간은 이 말을 듣고, 어조를 해석하며, CEO가 정직한지 아니면 무언가를 숨기고 있는지 결정하는 데 시간이 필요합니다. 이 신호는 다음 거래일까지 정점에 도달하지 않습니다.

문제점: 두 집단, 두 개의 서로 다른 플레이북

수십 년 동안 두 그룹의 전문가들이 이 이벤트를 연구했지만, 서로 완전히 다른 규칙을 사용했기 때문에 결코 대화하지 못했습니다.

금융 경제학자 (수학파): 이들은 50년 동안 "빠른 숫자"를 연구했습니다. 이들은 주가가 며칠 또는 몇 주에 걸쳐 어떻게 움직이는지를 연구합니다. 이들은 "Long Top, Short Bottom"(최고의 뉴스를 사고, 최악의 뉴스를 파는) 전략을 사용하며, 위험 대비 얼마나 많은 돈을 벌었는지를 기준으로 성공을 측정합니다.
NLP 연구자 (언어파): 지난 10년 동안 이들은 "느린 언어"(컨퍼런스 콜)를 연구했습니다. 하지만 이들은 이를 학교 시험처럼 다루었습니다. 이들은 모든 개별 기업의 정확한 주가 변동을 예측하려 했으며, 자신의 예측이 실제 가격과 얼마나 가까웠는지(MSE라는 지표 사용)를 통해 성공을 측정했습니다. 이들에게는 실제 트레이딩 전략이 없었습니다. 그저 자신의 AI가 숫자를 잘 맞히는지 보고 싶었을 뿐입니다.

결과: 수학파는 언어파가 쓸모없다고 생각했습니다. 왜냐로써 언어파의 "시험 점수"(MSE)가 명확한 수익을 보여주지 못했기 때문입니다. 언어파는 수학파가 CEO의 어조에 담긴 뉘나스를 놓치고 있다고 생각했습니다. 그들은 서로 다른 언어를 말하고 있었습니다.

해결책: 다리를 놓다

저자들은 EARNINGSINONE이라 불리는 거대한 새로운 데이터베이스를 구축하여 다리를 놓았습니다. 이는 1,500개 미국 기업의 보도 자료, 컨퍼런스 콜, 그리고 주가를 하나의 선상에 정렬한 것입니다.

그들은 통합된 규칙을 만들었습니다:

그들은 숫자와 언어 모두에 "Long Top, Short Bottom" 트레이딩 전략을 적용했습니다.
두 가지 모두를 판단하기 위해 동일한 "성적표"(Sharpe Ratio 및 Information Coefficient와 같은 지표)를 사용했습니다.

발견: 빠른 숫자, 느린 언어

동일한 규칙을 사용하여 테스트를 실행했을 때, 명확한 패턴이 나타났습니다.

숫자는 빠르다: 만약 다음 날 아침 시장이 열릴 때 "빠른 숫자"(EPS 서프라이즈)를 바탕으로 거래하려고 한다면, 거의 돈을 벌 수 없습니다. 로봇들이 이미 그 이익을 먹어치웠기 때문입니다. 하지만 뉴스가 터진 후 장중(5~60분 이내)에 거래한다면, 여전히 수익을 낼 수 있습니다. 그 창은 매우 작지만 존재합니다.
언어는 느리다: 만약 "느린 언어"(CEO의 어조)를 즉시 거래하려고 한다면, 효과가 좋지 않습니다. 하지만 다음 거래일까지 기다린다면, 언어 신호는 매우 강력해집니다. 시장은 CEO의 어조를 소화하는 데 시간이 걸리며, 다음 날이 되면 가격은 언어가 예측한 방향으로 움직입니다.

비유:
스포츠 경기를 생각해보세요.

숫자는 최종 점수입니다. 심판이 휘슬을 불자마자 점수는 전광판에 뜹니다. 모든 사람이 즉시 알게 됩니다. 경기 시작 후에 점수를 두고 내기를 하는 것은 무의미합니다.
언어는 경기 후 인터뷰입니다. 코치는 "경기는 잘 치렀지만, 우리 핵심 선수가 부상을 입었습니다"라고 말할 수 있습니다. 관중은 이를 처리하는 데 시간이 필요합니다. 다음 날 아침이 되면, 팀의 주식(또는 명성)은 그 부상 소식을 반영하여 조정됩니다.

이것이 왜 중요한가

수학파에게: 그들은 숫자를 거래하기 위해 너무 오래 기다렸기 때문에 단기 이익을 놓쳤습니다. 그들은 단순히 다음 날 아침이 아니라, 당일 중에 데이터를 살펴봐야 합니다.
언어파에게: 그들은 잘못된 테스트를 사용하고 있었습니다. 그들은 모든 주식의 정확한 가격을 예측하려 했습니다(마치 정확한 온도를 맞히려는 것처럼). 대신, 그들은 주식들의 순위를 매겨야 했습니다(어떤 팀이 이길지 맞히는 것처럼). 그들이 "순위" 방식으로 전환했을 때, 그들의 언어 모델은 매우 수익성이 높았습니다.

결론

이 논문은 숫자와 언어가 서로 다른 이야기, 서로 다른 속도로 말한다는 것을 증명합니다.

숫자는 로봇을 위한 것입니다: 빠르고, 즉각적이며, 아침이 오면 사라집니다.
언어는 인간(그리고 인내심 있는 알고리즘)을 위한 것입니다: 느리고, 소화하는 데 시간이 걸리며, 다음 날 가치가 생깁니다.

성공을 측정하는 방식을 수정함으로써, 저자들은 "언어" 부분이 실제로 실재하며, 이전에는 잘못된 도구를 사용하여 숨겨져 있었던, 거래 가능한 자산임을 보여주었습니다.

기술 요약: 빠른 숫자, 느린 언어: 정량적 및 정성적 어닝 시그널의 가교

문제 제기
금융 경제학자와 자연어 처리(NLP) 연구자들은 수십 년 동안 근본적으로 호환되지 않는 프레임워크를 사용하여 실적 발표를 연구해 왔으며, 이로 인해 각자의 시그널을 직접 비교하는 것이 불가능했습니다.

금융 경제학: 정량적 서프라이즈(애널리스트 추정치와 EPS/매출액 간의 수치적 편차)에 집중합니다. 역사적으로 이 커뮤니티는 롱/숏 트레이딩 전략(상위 10% 대 하위 10%)과 정보 계수(IC) 및 샤프 지수(Sharpe ratio)와 같은 지표를 사용하여 "다음 시장 개장(next market open)" 지평선에서 시그널을 평가합니다. 최근 문헌에 따르면, 마이크로캡이 아닌 주식의 경우 정량적 서프라이즈로부터 얻을 수 있는 알파는 발표 순간에 집중되며, 다음 개장 시점에는 사라지는 경향이 있습니다.
NLP: 실적 발표 컨퍼런스 콜 스크립트(ECT)로부터 추출한 경영진의 톤, 가이던스, Q&A 신뢰도와 같은 정성적 시그널에 집중합니다. 이러한 연구들은 일반적으로 변동성에 대한 평균 제곱 오차(MSE)나 부호 불가지론적 타겟을 사용하는 포인트와이즈(pointwise) 지표를 사용하며, 실질적인 트레이딩 프레임워크(예: 모든 주식을 동일하게 거래 가능한 것으로 취급하기보다 순위를 매기는 방식) 없이 평가되는 경우가 많습니다.

이러한 방법론적 차이는 두 가지 공백을 남깁니다. 금융 경제학자들은 다음 개장 시점까지 기다림으로써 정량적 시그널의 단기 지평 알파를 놓치고, NLP 연구자들은 자신들의 평가 지표(MSE)가 방향성 트레이딩 성과(directional trading performance)와 일치하지 않기 때문에 정성적 시그널의 실제 경제적 가치를 입증하는 데 실패합니다.

방법론
저자들은 두 커뮤니티를 연결하기 위해 설계된 통합 코퍼스 및 평가 프레임워크인 EARNINGSINONE을 소개합니다.

데이터셋 (EARNINGSINONE):
- 701개 티커, 5,428개의 실적 이벤트로 구성된 S&P 1500 유니버스(2022–2025)를 다룹니다.
- 동일한 이벤트에 대해 세 가지 데이터 모달리티를 정렬합니다: 실적 뉴스(정밀한 타임스탬프 포함), ECT 스크립트, 그리고 인트라데이(intraday)/익일 가격 데이터.
- LLM(GPT-5-mini)을 사용하여 뉴스 기사에서 수치적 실제값(actuals)을 추출하고, ECT 및 뉴스에서 감성 점수를 생성합니다.
통합 평가 프레임워크:
- 트레이딩 메커니즘: NLP 커뮤니티의 "전체 거래(trade-all)" 접근 방식에서 벗어나, 정량적 및 정성적 시그널 모두에 표준적인 "상위 10% 롱, 하위 10% 숏" 전략을 적용합니다.
- 진입 앵커 및 지평(Entry Anchors & Horizons):
  - 빠른 숫자 (Fast Numbers): FirstActual(EPS/매출을 확인하는 첫 번째 뉴스 기사, 통상 발표 후 1~~5분 이내)에 진입하여 인트라데이 지평(5~~60분) 동안 보유합니다.
  - 느린 언어 (Slow Language): NextOpen(다음 날 시장 개장)에 진입하여 익일 지평(최대 390분) 동안 보유합니다.
- 지표: MSE 대신 IC(스피어먼 순위 상관계수), Q5−Q1(오분위수 스프레드), 샤프 지수를 사용하여 성과를 평가합니다.
시그널 구축:
- 정량적: 뉴스(LLM 추출) 및 벤더 데이터를 통해 도출된 EPS 및 매출 서프라이즈.
- 정질적: 전체 ECT 스크립트에서 도출된 스칼라 감성 점수([-1, 1]), 숫자를 마스킹하거나 수치 헤더를 결합하는 절제 연구(ablation studies) 포함.

주요 결과
통합 프레임워크는 두 시그널 유형 사이의 "명확한 속도 분리(clean speed separation)"를 보여줍니다.

빠른 숫자: 정량적 서프라이즈는 발표 직후(FirstActual)에 정점을 찍습니다.
- FirstActual 시점에서 전략은 IC 0.03, 샤프 지수 1.81을 달성합니다.
- NextOpen 시점에는 이 알파가 대부분 차익거래되어 사라집니다(IC는 -0.02, 샤프 지수는 -0.31로 하락). 이는 수치 정보가 알고리즘에 의해 즉각적으로 처리됨을 확인시켜 줍니다.
- 매출 서프라이즈(결합 시그널)를 포함하고 고품질 벤더 데이터를 사용할 경우 성과가 개선되지만, 다음 개장 시점의 붕괴 현상은 일관되게 나타납니다.
느린 언어: 정성적 ECT 감성은 NextOpen에서 정점을 찍습니다.
- NextOpen에서 평가된 Sentiment(ECT)는 IC 0.11, 샤프 지수 2.28을 기록하며, 해당 지평에서 모든 정량적 변형 모델을 능가합니다.
- 이는 정성적 시그널이 야간 동안 인간의 해석 과정을 필요로 하며, 다음 날 거래 가능하다는 것을 입형합니다.
- 절제 연구에 따르면 ECT 내의 숫자를 마스킹하면 성능이 감소(샤프 지수 0.40)하는 반면, 알려진 수치적 비트/미스(beats/misses)와 결합하면 꼬리 집중도(tail concentration)가 개선됩니다(샤프 지수 2.65).
직교성(Orthogonality): 두 시그널은 대체로 직교합니다(스피어먼 $\rho$ = 0.21). ECT 감성은 헤드라인의 비트/미스를 넘어 경영진의 프레이밍과 톤을 포착하는 반면, 뉴스 감성은 수치적 결과와 더 높은 상관관계( $\rho$ = 0.38)를 보입니다.
베이스라인 성과: 단순 베이스라인(Random L/S, Long-only, Ticker-Mean) 및 기존 NLP 베이스라인(Embedding 기반 MLP)은 통합된 시그널 기반 전략에 비해 현저히 낮은 성과를 보였습니다.

의의 및 주장
본 논문은 다음과 같은 점을 입증함으로써 금융 경제학과 NLP 사이의 간극을 메운다고 주장합니다:

속도 분리는 실재한다: 정량적 서프라이즈는 몇 분 내에 소진되는 "빠른" 시그널인 반면, 정성적 감성은 밤사이 성숙하는 "느린" 시그널입니다.
평가 정렬의 중요성: NLP 시그널은 실제 경제적 가치를 지니고 있으나, 이전에는 잘못된 지표(MSE)와 트레이딩 프레임워크의 부재로 인해 그 가치가 가려져 있었습니다. 금융 표준 지표(IC, Sharpe)와 롱/숏 프레임워크로 평가했을 때, ECT 감성은 견고하고 거래 가능한 알파 원천으로 나타납니다.
상호 보완성: 두 커뮤니티는 서로 보완적인 현상을 연구하고 있었습니다. 금융 경제학자는 발표 타임스탬프에서 평가함으로써 단기 지평 알파를 회복할 수 있고, NLP 연구자는 양적 자산 운용 평가 도구를 채택함으로써 언어 시그널의 거래 가능성을 검증할 수 있습니다.

저자들은 언어 시그널이 그들의 "자연스러운 속도"에 맞춰 평가될 때 더 나은 가치를 보여줄 수 있다고 결론지으며, 이는 구조화된 데이터와 텍스트 시그널을 혼합하는 다른 데이터 풍부 영역에도 적용 가능한 발견입니다. 본 작업은 연구 기여로서 제시되었으며, 저자들은 해당 트레이딩 시그널이 연구 목적으로만 사용되며 투자 조언을 구성하지 않음을 명시적으로 밝힙니다.

큰 그림: 두 가지 다른 속도의 뉴스

문제점: 두 집단, 두 개의 서로 다른 플레이북

해결책: 다리를 놓다

발견: 빠른 숫자, 느린 언어

이것이 왜 중요한가

결론

유사한 논문