Large Language Model-Driven Small-Capitalization Trading: Integrating Financial News Sentiment, Macroeconomic Indicators, and Technical Signals

기술 요약: 대규모 언어 모델(LLM) 기반 소형주 트레이딩

문제 정의
금융 뉴스는 시장의 움직임을 주도하지만, 고정된 어휘 사전(lexicon)을 사용하는 전통적인 감성 분석은 부정(negation), 문맥, 그리고 도메인 특화 금융 언어를 포착하는 데 한계가 있습니다. 대규모 언어 모델(LLM)은 이러한 언어적 한계를 해결할 수 있으나, 기존 문헌은 두 가지 주요 공백을 가지고 있습니다:

1. 중복된 커버리지: 대부분의 연구는 헤드라인을 독립적인 관측치로 점수화하며, 이로 인해 단일 사건에 대한 신디케이트(syndicated) 보도가 정보 가치가 아닌 빈도에 기반하여 신호를 인위적으로 과대 계상하게 만듭니다.
2. 정적인 리스크 모델링: 감성은 일반적으로 기대 수익률을 위한 입력값으로만 취급되는 반면, 포트폴리오 리스크(공분산)는 역사적이고 신호와 독립적인 추정치로 남습니다. 이는 예측 모델이 불확실성과 자산 간 공분산에 관한 정보를 제공할 수 있는 능력을 간과하는 것입니다.

또한, LLM 기반 트레이딩은 "룩어헤드 편향(look-ahead bias)"(모델의 학습 데이터가 평가 기간과 겹치는 현상)과 "주의 분산 효과(distraction effects)"(일반적인 기업 지식이 감성 판단을 왜곡하는 현상)와 관련된 검증 과제에 직면해 있습니다.

방법론
저자들은 뉴스 요약 감성, 거시 경제 지표, 그리고 기술적 신호를 불확실성을 고려한 포트폴리오 구성 프레임워크에 통합하는 엔드 투 엔드(end-to-end) 파이프라인을 제안합니다.

• 데이터 및 종목 선정:

  • 유니버스는 러셀 2000 지수 구성 종목으로 구성됩니다.
  • 파이프라인은 "매크로 베타 트리거(macro-beta trigger)"를 주식 수익률($SS$)과 지표 수익률($SI$)의 z-score 임계값에 기반한 세 가지 뚜렷한 선택 체제로 분해합니다:
    • 순수 알파 (Pure Alpha, $SS \setminus SI$): 매크로 지표에 의해 동시적으로 설명되지 않는 기업 특유의 비정상적 움직임을 격리합니다.
    • 순수 베타 (Pure Beta, $SI \setminus SS$): 레버리지가 높은 주식에 대해 지표는 변동했으나 주식 자체는 아직 반응하지 않은, 선행적인 매크로 움직임을 포착합니다.
    • 베타 교집합 (Beta Intersection, $SI \cap SS$): 두 채널이 동시에 작동할 것을 요구합니다.
  • 후보 종목은 인샘플(in-sample) 매수 이벤트로 순위가 매겨지며 최대 50개로 제한됩니다.

• 감성 처리:

  • 클러스터링: 신디케이트 보격이 신호를 지배하는 것을 방지하기 위해, 기사들을 임베딩하고 30일 이동 윈도우 내에서 단일 연결 응집 클러스터링(single-linkage agglomerative clustering, 코사인 거리 임계값 0.90)을 통해 클러스터링합니다. 클러스터 중심점에 가장 가까운 기사 하나만을 대표 기사로 유지합니다.
  • 스코어링: 대표 기사들은 LLM(주로 GPT-4o mini를 사용하며, 강건성 검증을 위해 FinBERT, Mistral 7B, Llama 2 활용)을 사용하여 점수화됩니다. 모델은 룩어헤드 편향을 완화하기 위해 테스트 기간 이전의 지식 컷오프(예: GPT-4o mini의 경우 2023년 10월)를 활용합니다.
  • 정규화: 감성은 엔티티 우선순위 교정(entity-prior correction)과 엄격한 후행 이동 평균 제거(strictly trailing rolling demeaning)를 통해 정규화된 서프라이즈(surprise) 값으로 변환됩니다.

• 수익률 및 리스크 공동 예측:

  • 다중 모달 네트워크가 뉴스 요약 특징량과 일일 OHLCV 유래 기술적 지표를 처리합니다.
  • 리스크를 별도의 역사적 양으로 취급하는 대신, 모델은 전체 조건부 수익률 분포(평균 $\hat{\mu}_t$ 및 공분산 $\hat{\Sigma}_t$)를 예측합니다.
  • 불확실성 분해: 모델은 다음을 구분합니다:
    • 알레아토릭 불확실성(Aleatoric Uncertainty): 시장의 무작위성으로, 저계수(low-rank) 플러스 대각 공분산 헤드를 통해 포착됩니다.
    • 에피스테믹 불확실성(Epistemic Uncertainty): 모델의 확신도로, 추론 시 몬테카를로 드롭아웃(Monte Carlo dropout)을 통해 포착됩니다. 확률적 통과(stochastic passes) 간의 편차를 통해 모델의 불확실성을 추정합니다.
  • 이들은 다음과 같이 결합되어 전체 예측 공분산 행렬을 형성합니다: $\hat{\Sigma}_t = \hat{\Sigma}^A_t + \hat{\Sigma}^E_t$.

• 포트폴리오 구성:

  • 예측된 모멘트($\mu_t, \Sigma_t$)는 거래 비용 규제가 포함된 제약 조건이 있는 평균-분산 최적화(MVO)에 직접 입력됩니다.
  • 최적화기는 자산의 역사적 변동성이 높을 때뿐만 아니라, 모델 자체가 불확실할 때(높은 에피스테믹 공분산) 더 강하게 페널티를 받습니다.
  • 벤치마크로는 동일 가중(Equal Weight), 리스크 패리티(Risk Parity), 계층적 리스크 패리티(Hierarchical Risk Parity), 그리고 블랙-리터만(Black-Litterman) 변형 모델들이 포함됩니다.

주요 결과
러셀 2000 종목을 대상으로 다양한 보유 기간(1일~60일) 및 거래 비용(최대 100 bps)에 대해 2025년 아웃오브샘플(out-of-sample) 데이터를 통해 평가되었습니다:

1. 체제 우위(Regime Superiority): 매크로 베타 트리거를 "순수 알파"와 "순수 베타"로 분리하는 것이 "베타 교집합"(두 트리거 모두 필요)보다 일반적으로 더 우수한 성과를 보입니다. 교집합 전략은 초기 매크로 전이 효과와 개별 종목의 사건을 제외하기 때문에 종종 성과가 약하게 나타납니다.
2. 보유 기간 의존성:
   • 단기 (1일): 순수 베타는 유동성이 높은 매크로 지표에서 소형주로의 즉각적인 리드-래그(lead-lag) 전이를 포착함으로써 낮은 비용 환경에서 효과적일 수 있으나, 100 bps의 비용 발생 시 회전율과 미세구조 노이즈로 인해 이 장점이 사라집니다.
   • 중기 (5, 10, 60일): 순수 알파가 우세합니다. 이는 소형주에서 기업 특유의 정보(실적, 계약, 거버넌스 등)가 느리게 확산되어 지연된 가격 재조정이 가능함을 시사합니다.
   • 중장기 (20, 40일): 순수 베타가 다시 우세해지는데, 이는 총체적인 충격이 이질적인 기업 펀더멘털으로 점진적으로 매핑되는 느린 매크로 재조정 채널을 시사합니다.
3. 최적의 성과: 확인된 가장 강력한 보수적 설정은 GPT-4o mini 감성을 사용하고, Student-t 타겟 분포를 적용하며, 40일 보유 기간과 리스크 패리티 배분을 사용하는 순수 베타였습니다. 이는 100 bps의 거래 비용 조건에서 2.33의 샤프 지수(Sharpe ratio)를 달성했습니다.
4. 강건성: 60일 순수 알파의 우위는 전체 거래 비용 범위(0~100 bps)에서 견고하게 유지되었으며, 이는 해당 결과가 특정 비용 가정의 산물이 아님을 시사합니다.

의의 및 주장
본 논문은 종목 선정 체제(거래 집합이 정의되는 방식)와 배분자 선택(allocator choice)이 감성 모델 자체만큼이나 중요하다는 점을 주장합니다.

• 분해의 정보력: 기업 특유의 트리거(순수 알파)와 매크로 노출 트리거(순수 베타)를 분리하는 것은 두 조건이 동시에 발생하기를 요구하는 것보다 더 실행 가능한 신호를 제공합니다.
• 불확실성 통합: 모델이 예측한 리스크(알레아토릭 및 에피스테믹 성분으로 분해됨)를 포트폴리오 배분자의 공분산 행렬에 직접 입력하는 것은, 리스크를 고정된 역사적 양으로 취급하는 기존 방식에 대한 중요한 진전입니다.
• 문맥적 감성: 관련 뉴스 스토리를 스코어링하기 전에 클러스터링하는 것은 반복적인 신디케이트 보격이 신호를 왜곡하는 것을 방지하여, 감성이 빈도가 아닌 스토리의 중요성을 반영하도록 보장합니다.

저자들은 LLM 뉴스 감성이 단순한 기대 수익률 오버레이로서 기능하기보다는, 기회 집합을 제어하고 매크로와 개별 채널을 구분하며 포트폴리오 구성에 예측된 불확실성을 활용하는 더 넓은 아키텍처 내에 통합될 때 가장 효과적이라고 결론짓습니다.