기술 요약: 생성형 인공지능과 복잡한 이익 정보의 가격 결정

1. 문제 제기 및 동기

본 논문은 회계 및 재무 분야에서 해결되지 않은 핵심적 논쟁인 이익 발표 후 표류(post-earnings-announcement drift, PEAD) 문제를 다룬다. PEAD는 이익 발표 직후에도 주가가 한동안 계속해서 조정되는 현상을 의미한다. 역사적으로 세 가지 경쟁적인 설명이 제안되어 왔다:

1. 리스크 기반 설명: 표류는 가격이 책정된 리스크 요인에 대한 보상이다.
2. 차익거래 제한 설명: 표류는 정교한 자본이 가격 왜곡을 바로잡는 것을 방해하는 마찰(friction)이다.
3. 처리 비용 설명: 표류는 복잡한 재무 보고서를 읽고 해석하는 데 높은 비용을 치르는 투자자들의 지연된 반응이다.

기존의 실증 테스트들은 기업이 선택한 복잡성의 교차 섹션 프록시(proxy)를 사용하거나, 보고서 자체(생산) 또는 중개인(중개)을 변화시키는 기술에 의존했기 때문에 이러한 이론들을 구분해 내는 데 실패했다. 본 논문은 ChatGPT의 2022년 11월 30일 출시가 소비 마진(consumption margin), 즉 투자자의 복잡한 텍스트 처리 비용을 보편적으로 감소시킨 독특하고 외생적인 충격을 제공한다고 가정한다. 이를 통해 처리 비용 가설을 경쟁 가설들과 직접 비교 테스트할 수 있다.

2. 방법론 및 식별 전략

이론적 프레임워크

저자는 투자자가 공시의 정밀도(value of precision)와 처리 비용($c(k)$) 사이의 절충 관계를 바탕으로 공시를 처리할지 여부를 결정한다는 모델을 공식화한다. 여기서 $k$는 공시의 복잡성을 나타낸다.

• 예측: 만약 생성형 AI가 처리 비용($c(k)$)을 낮춘다면, 보고서를 처리하는 투자자의 비율($\lambda$)이 증가할 것이다.
• 함의: 즉각적인 시장 반응($R_0$)은 증가하거나 유지되는 반면, 후속 표류($R_D$)는 감소해야 한다. 결정적으로, 이 효과는 복잡도에 따라 등급이 매겨져야(graded by complexity) 한다. 즉, 충격 전 처리 비용이 높았던 기업일수록 단순한 기업보다 더 큰 표류 감소를 경험해야 한다.
• 차별점: 리스크 및 차익거래 이론은 독해 기술 충격에 대한 복잡도 기반의 반응을 예측하지 않는다.

데이터 및 샘플

• 출처: SEC EDGAR(10-K/20-F 공시, 8-K/6-K 이익 발표), Nasdaq 시장 데이터 API(가격, 거래량, 13F 기관 보유 지분), stockanalysis.com(구성 종목 리스트).
• 샘플: 2021년 1월부터 2024년 12월까지의 기간을 포함하는 149개 기업(미국 대형주 56개, 미국 소형주 55개, 비미국 ADR 38개).
• 주요 변수 구축:
  • 처리 비용 지수(Processing-Cost Index, PCI): 연례 보고서의 다섯 가지 텍스트 특징(토큰 수, Gunning fog 지수, 평균 문장 길이, 긴 토큰의 비율, 숫자 밀도)으로부터 도출된 투명하고 수작업으로 구축된 지수이다. 결정적으로, 이 지수는 처리가 충격에 내생적이지 않도록 **출시 전 공시(2022년 11월 30일 이전)만을 기준으로 교정(calibrated)**되었다.
  • 타당성 검증: PCI는 트랜스포머 언어 모델의 토큰 수준 당혹도(perplexity)를 통해 검증된다. 두 척도는 유의미하게 괴리되며(상관관계 -0.45), 이는 통계적 예측 가능성이 인간의 가독성과는 다르다는 점을 강조한다.
  • 결과 변수: 절대적 즉각 반응($|CAR_{-1,+1}|$), 절대적 표류($|CAR_{+2,+21}|$), 효율성 비율(전체 반응 중 발표 시점에 발생하는 반응의 비중), 그리고 표류 기반 롱숏 전략의 수익률.

계량 경제 설계

본 연구는 다음과 같은 이중차분법(Difference-in-Differences, DiD) 프레임워크를 사용한다:
$$Y_{it} = \beta (Post_t \times HighComplex_i) + \gamma X_{it} + \alpha_i + \phi_t + \epsilon_{it}$$

• 처치(Treatment): $Post_t$는 2022년 11월 30일 이후의 발표를 나타내는 지표이다. $HighComplex_i$는 출시 전 처리 비용의 연속적 척도(또는 상위 3분위의 이진 지표)이다.
• 통제 변수: 기업 고정 효과, 연도-분기 고정 효과, 로그 가격, 로그 달러 거래량.
• 강건성 검정:
  • 위치 가설(Placebo): 2021년 6월의 가짜 출시 날짜.
  • 두 번째 충격: ChatGPT 모바일 앱 출시(2023년 5월 18일).
  • 역전 진단: ChatGPT 서비스 중단 에피소드(데이터 희소성으로 인해 통계적 검증력은 제한적임).
  • 세분화: 미국 대형주, 미국 소형주, 비미국 ADR 간의 분석.

3. 주요 결과

주요 발견

1. 표류 압축(Drift Compression): ChatGPT 출시 이후, 출시 전 처리 비용이 높았던 기업들의 발표 후 수익 지속 성분이 유의미하게 감소하였다.
   • 계수: 연속형 상호작용에 대해 -0.010 (t = -3.4). 처리 비용이 1 표준편차 증가할 때 20일간의 표류가 약 1% 포인트 감소한다.
   • 효율성 비율: 전체 반응 중 발표 시점에 도달하는 반응의 비중이 증가하였으며(표류 비중 감소), 이는 특히 비미국 발행사와 소형주에서 두드러졌다.
2. 이질성: 이 효과는 기관 보유 지분이 낮고 개인 투자자 참여가 높은 부문에 집중되어 있다.
   • 낮은 기관 보유 지분: 기관 보유 지분이 중앙값 미만인 기업에서는 표류 압축이 유의미하게 나타났으나(-0.0175, t = -3.32), 높은 기업에서는 미미했다. 이는 해당 기업들의 한계 투자자가 가장 높은 수동 처리 비용을 직면하고 있다는 견해를 뒷받침한다.
   • 시장 부문: 효과는 가장 복잡한 보고서를 가진 비미국 ADR에서 가장 강하게 나타났고, 미국 소형주가 그 뒤를 이었으며, 미국 대형주에서는 가장 약했지만 방향성은 일치했다.
3. 전략 수익성: 표류를 이용한 롱숏 전략(극단적 양의 서프라이즈 매수, 극단적 음의 서프라이즈 매도)은 고복잡도 기업에서 출시 후 수익이 크게 감소했다. "처리 비용 프리미엄"(고복잡도 기업이 저복잡도 기업보다 더 많이 벌어들였던 추가 수익)은 약 2.5%에서 거의 0에 가깝게 좁혀졌으나, 서프라이스 분위(decile)에 따른 작은 샘플 크기로 인해 이 특정 결과는 통계적으로 유의미하지 않았다.

강건성 및 한계

• 위치 가설(Placebo): 이진 위치 가설(2021년 6월)은 유의미하지 않았으나, 연속형 위치 가설은 사전 기간에 양(+)의 유의미한 추세를 보여, 연속형 지수가 충격과는 독립적으로 상승하는 지속 수익 추세를 포착하고 있을 가능성을 시사한다. 저자는 이를 근거로 엄격한 인과적 해석을 내리는 것에 주의를 요한다.
• 중단(Outages): ChatGPT 서비스 중단은 역전 테스트를 수행하기에는 데이터가 너무 적었다(영향을 받은 윈도우 내 고복잡도 이벤트가 2개뿐임).
• 모바일 앱: 2023년 5월 모바일 앱 출시는 두 번째 충격 역할을 했으며, 고복잡도 기업의 표류를 더욱 압축함을 보여주었다(-0.0205, t = -2.84).

4. 주요 기여

1. 이론적 기여: 본 논문은 소비 마진을 주의 할당(attention-allocation) 문제로 공식화한다. 저자는 오직 소비 마진(투자자 처리)만이 생산(기업 보고) 또는 중개(애널리스트 예측) 채널과 구별되는, 가격 발견에 대한 직접적이고 테스트 가능한 예측을 생성한다고 주장한다.
2. 측정: 충격에 내생적이지 않도록 충격 전 데이터만을 기준으로 교정된 사전 결정된 처리 비용 지수를 도입한다. 또한 인간 중심의 가독성 지표와 언어 모델의 통계적 당혹도 사이의 결정적인 괴리를 입증함으로써, 향후 연구가 이 두 차원을 반드시 구분해야 함을 시사한다.
3. 실증적 기여: 일반 목적의 처리 기술이 이익 정보의 가격 결정에 변화를 주는지에 대한 첫 번째 대규모 샘플 테스트이다. 기존의 AI 연구가 예측 정확도에 집중하는 것과 달리, 본 논문은 의사결정 결과(가격 조정 속도 및 전략 수익성)를 평가한다.

5. 의의 및 주장

본 논문은 엄격한 식별을 제공하기보다는, PEAD 이상 현상에 대해 처리 비용 채널이 존재한다는 결론과 일치하는 증거를 제공한다고 주장한다. 핵심 논거는 생성형 AI의 출시가 복잡한 보고서를 읽는 비용을 낮추어, 정보가 가격에 더 빠르게 반영되도록 함으로써 표류를 감소시켰다는 것이다.

• 이론 측면: 이는 회계 정보의 "관련성(relevance)"이 단순히 보고서 자체의 속성이 아니라, 독자의 기술에 의해서도 결정된다는 점을 시사한다. 2022년에는 사용하기에 너무 비용이 많이 들었던 보고서가 기술의 발전으로 2023년에는 동일한 텍스트임에도 불구하고 사용 가능해질 수 있다.
• 규제 측면: 만약 처리 비용이 구속 요인이라면, 기계 가독성과 비교 가능성을 개선하는 규제는 특히 공시가 가장 복잡한 기업들에게 직접적인 효율성 이득을 제공한다.
• 실무 측면: 이 기술은 수동 처리 기술에 의해 보상받던 과거의 수익을 압축하며, 특히 개인 투자자가 주도하는 시장 부문에서 그러하다.

저자는 사전 기간의 역학 관계와 투자자 수준의 사용 데이터 부재를 언급하며 결론에 대해 신중한 태도를 유지하고 있으나, 여러 부문에 걸친 증거의 수렴, 저기관 보유 지분 기업으로의 특이성, 그리고 두 번째 충격(모바일 앱)을 통한 재현성은 리스크나 차익거래 대안보다 처리 비용 설명을 강력히 지지한다.