Can Language Models Identify Shadow Trading Targets? An NLP Evaluation of SEC Enforcement Theory

주식 시장이 거대하고 북적이는 도서관인 세상을 상상해 보십시오. 그 안에서 모든 기업은 자신이 무엇을 파는지, 누구와 경쟁하는지, 그리고 어떤 위험에 직면해 있는지를 상세히 기록한 '10-K'라는 연례 일기를 씁니다. 수십 년 동안 규제 당국은 이 일기들을 주의 깊게 읽으면 기업들의 이야기가 얼마나 유사한지에 따라 어떤 기업들이 '쌍둥이'인지 혹은 '사촌'인지 식별할 수 있다고 믿어 왔습니다. 이 아이디어는 '섀도 트레이딩(shadow trading, 그림자 거래)'이라 불리는 새롭고 논란이 되는 규칙의 기초가 됩니다.

이 규칙은 다음과 같습니다. 만약 기업 내부자가 자신의 회사에 관한 비밀(예: 깜짝 합병)을 알게 된다면, 그는 단순히 자신의 주식을 거래하지 않는 것에 그쳐서는 안 됩니다. 그는 또한 별도의 지시를 받지 않더라도 자신의 '사촌' 기업들 역시 영향을 받을 수 있다는 사실을 알아야 합니다. 만약 그가 그 비밀을 바탕으로 사촌 기업의 주식을 거래한다면, 그것은 불법입니다. 문제는 정부가 이러한 거래자들을 잡아내는 현재 방식이 마치 도서관의 모든 사람에게 카메라를 설치하고 그들이 걷는 모든 발걸음을 녹화하여, 누군가 잘못된 책을 쳐다본 사람을 찾아내려 하는 것과 같다는 점입니다. 이 거대한 감시는 비용이 많이 들 뿐만 아니라 사생활에 대한 큰 의문을 제기합니다. 이 논문이 던지는 질문은 단순합니다. 초지능형 컴퓨터(AI)가 기업의 일기들을 읽고 거래가 발생하기 전에 어떤 기업들이 '사촌'인지 알아낼 수 있을까요? 만약 답이 "예"라면, 우리는 모두를 감시할 필요가 없을지도 모릅니다. 만약 답이 "아니오"라면, 정부의 거대한 감시 체계는 비록 사생활 침해처럼 느껴질지라도 이러한 거래자들을 잡기 위한 유일한 방법이 될 것입니다.

"언어 모델이 섀도 트레이딩 타겟을 식별할 수 있는가?(Can Language Models Identify Shadow Trading Targets?)"라는 제목의 이 논문은 최첨ul의 AI를 사용하여 그 아이디어를 테스트합니다. 연구진은 2단계의 로봇 탐정을 만들었습니다. 첫째, AI는 방금 인수합병된 회사의 '일기'(구체적으로는 '경영진의 검토 및 분석' 섹션)를 읽습니다. 그런 다음 AI는 업계 전문가처럼 행동하며 가장 유사한 다른 열 개의 기업을 목록으로 만듭니다. 둘째, AI는 이 '사촌' 기업들에게 유사도 점수를 부여하여 '매우 가까운 가족'부터 '먼 친척'까지 순위를 매깁니다.

연구진은 '패턴 찾기' 게임을 진행했습니다. 그들은 지난 10년간 발생한 30건의 실제 기업 인수 사례를 조사했습니다. 각 사건에 대해 그들은 다음을 확인했습니다. AI가 가장 가까운 '사촌'이라고 생각했던 기업들의 주가가 뉴스 발표 당일에 실제로 급등했는가? 만약 '섀도 트레이딩' 이론이 사실이라면, AI는 정확히 어떤 주식이 움직일지 예측할 수 있어야 했습니다.

결과는 이론에 대한 실망스러운 결과였습니다. 연구진이 30개의 사건 전체를 살펴보았을 때, AI의 순위는 실제 주가 움직임과 거의 아무런 관련이 없었습니다. 그것은 마치 말의 신발을 보고 경마의 승자를 맞히려는 것과 같았습니다. AI의 '유사도 점수'는 맞을 확률만큼이나 틀릴 확률도 높았습니다. 실제로 통계적 연결 고리는 매우 약해서(+0.07), 연구진은 이 데이터가 어떠한 중간 정도의 관계와도 일치하지 않는다고 결론지었습니다. 그들은 14건의 경우 AI의 추측이 시장과 일치하는 것처럼 보였지만, 12건의 경우 완전히 상반되었으며, 4건은 그저 엉망진창이었습니다.

이 논문은 공기업의 일기에 어떤 주식이 함께 움직일지에 대한 지도가 들어있다는 아이디어를 결정적으로 부정하는 것은 아닙니다. 대신, 이 특정 테스트가 그러한 지도가 존재한다는 것을 입증하지 못했으며, 존재 가능한 관계의 크기를 매우 작게 한정했다고 명시합니다. 저자들은 정부가 의존하고 있는 '경제적 연계성'이 그들이 사용한 도구로 텍스트를 읽는 것만으로는 신뢰할 수 있게 찾아낼 수 있는 것이 아니라고 제안합니다. 이 모든 논쟁을 시작한 유명한 사례(SEC v. Panuwat)에서, AI는 해당 기업(Incyte)을 찾아내기는 했으나, 이를 10개 중 3위로 순위 매겼고, 실제로 가장 많이 움직인 주식은 9위에 랭크된 동종 기업이었습니다.

저자들은 '섀도 트레이딩'이 일어나지 않는다거나 AI가 쓸모없다고 말하는 데 주의를 기울입니다. 그들은 단지, 자신들이 사용한 도구로는 내부자가 공개 보고서를 보고 어떤 다른 주식이 금지 구역인지 정확히 알 수 있다는 아이디어가 증거에 의해 뒷받침되지 않는다고 말할 뿐입니다. '사촌' 관계는 텍стве만 읽어서는 찾을 수 없을 정도로 너무 복잡하고 예측 불가능해 보입니다. 이 발견은 법적 이론에 압박을 가합니다. 만약 공공 정보를 통해 '사촌'을 미리 식별할 수 없다면, 소수의 규칙 위반자를 잡기 위해 모든 사람을 감시하는 정부의 거대한 감시 체계가 남은 유일한 옵션이 될 것이기 때문입니다. 이는 마치 몇몇의 규칙 위반자를 찾기 위해 모두를 감시하는 '디지털 일반 영장(digital general warrant)'처럼 느껴질 수 있습니다.