프로젝트
LLM의 투자 판단 복기를 활용한 자산배분
Market-Adaptive Memory LLM for the Black–Litterman Model
APIEMS 2025 구두 발표, 2025 대한산업공학회 춘계공동학술대회 포스터 · 코드
배경
평균-분산 최적화는 기대수익률 추정 오차에 민감해서 비중이 극단적으로 쏠리기 쉽습니다. Black–Litterman 모형은 시장 균형 수익률에 투자자의 전망을 섞어 이 문제를 완화하지만, 그 전망을 제때 만들고 고치는 일은 여전히 사람이 해야 합니다. 뉴스 같은 비정형 정보와 과거 판단의 성패를 함께 반영해 이 과정을 자동화할 수 있는지 살펴봤습니다.
방법
2주마다 LLM이 전망을 만들고, Black–Litterman 모형이 이를 시장 균형 수익률과 결합해 비중을 정합니다.
- LLM(GPT-4o-mini)이 최근 가격, 기술적 지표, 섹터 뉴스를 보고 종목별 기대수익률을 제시합니다. 같은 질문을 여러 번 샘플링해 전망의 불확실성(Ω)을 추정합니다.
- 리밸런싱 성과가 기준에 못 미치면, 직전 비중과 결과, 당시 뉴스를 돌아보고 무엇을 바꿀지 적어 둡니다.
- 이 복기를 벡터 DB에 저장해 두고, 다음 판단 때 가장 최근의 복기나 현재와 비슷한 국면의 복기를 불러옵니다.
- 편향이 있을 수 있는 LLM 전망은 Black–Litterman 사후 수익률 안에서 시장 균형과 섞이고, 평균-분산 최적화로 최종 비중이 정해집니다.
실제로 남긴 복기의 예시입니다.
성과가 가장 나빴던 리밸런싱은 섹터 지표가 약해지는데도 기술주(ADBE, GOOGL, META, V)를 많이 담았다. 과신과 높은 위험회피 설정이 낙폭(−2.63%)을 키웠다. 다음부터는 RSI·MACD 등 두 개 이상의 지표로 모멘텀을 확인하고, 실현 변동성이 15%를 넘으면 위험회피계수를 20% 낮춘다.
실험
2024년 9월부터 2025년 3월까지, GPT-4o-mini의 학습 시점 이후 구간에서 백테스트했습니다. 11개 GICS 섹터별 시가총액 상위 5종목(총 55종목)을 대상으로 2주마다 리밸런싱했고, 롱온리에 종목당 비중은 20%로 제한했습니다. 복기를 쓰지 않는 설정, 최근 복기만, 비슷한 국면의 복기만, 둘 다 쓰는 설정을 비교했습니다.
결과
- 유사 국면 복기만
- 전체 Reflection
- Reflection 없음
- 시가총액가중
- 동일가중
표로 보기
| 설정 | 누적수익률 | Sharpe (연환산) | MDD (2주 단위) |
|---|---|---|---|
| 유사 국면 복기만 | +5.51% | 0.69 | 7.59% |
| 최근 복기만 | +1.79% | 0.29 | 7.10% |
| Reflection 없음 | +1.70% | 0.29 | 6.74% |
| 전체 Reflection | -2.01% | -0.16 | 9.90% |
| 시가총액가중 | -0.72% | -0.03 | 9.71% |
| 동일가중 | -1.26% | -0.19 | 5.02% |
2024.10.01–2025.03.14, 리밸런싱 11회. Sharpe는 무위험수익률 0으로 2주 수익률의 평균/표준편차에 √26을 곱했습니다. 관측치가 11개뿐이라 설정 간 차이를 통계적으로 유의하다고 보기는 어렵습니다.
- 비슷한 국면의 복기만 불러온 설정이 가장 좋았고, 같은 55종목의 동일가중·시가총액가중 포트폴리오보다도 앞섰습니다. 가장 최근의 기억보다, 지금과 닮은 시장에서 얻은 교훈이 더 쓸모 있었습니다.
- 최근 복기와 비슷한 국면의 복기를 모두 넣으면 오히려 가장 나빴고, 벤치마크에도 못 미쳤습니다. 맥락이 너무 많아져 정작 중요한 신호가 묻힌 것으로 보입니다.
벡터 양자화 팩터모델에서 저분산 가격결정 정보의 보존 (진행 중)
오토인코더 기반 팩터모델에 벡터 양자화(VQ)를 쓰면 수익률 구조를 소수의 대표 벡터로 압축할 수 있습니다. 문제는 복원 오차가 작더라도, 분산은 작지만 가격결정에는 중요한 방향의 정보가 사라질 수 있다는 점입니다.
잠재공간을 여러 부분공간으로 나누고 부분공간마다 따로 코드북을 두는 방식을 구현했고, 합성 데이터로 저분산 요인이 얼마나 보존되는지 확인하고 있습니다. 같은 비트 수에서 단일 코드북과 비교하면 동일가중 포트폴리오 성과는 개선되지만, 시가총액가중에서는 개선 폭이 크게 줄어듭니다. 성과가 소형주에 기대고 있을 가능성이 있어 이를 통제하는 실험을 진행 중입니다.
그 외
NH투자증권 빅데이터 경진대회, ETF 큐레이션 (2024, 장려상)
LangGraph와 RAG로 ETF 보유종목의 뉴스와 기업보고서를 근거로 한 분석 보고서를 만들었습니다. 생성된 문장을 그대로 믿지 않도록 수익률, MDD, 배당, 유동성, 투자자 심리 다섯 가지로 ETF를 채점하는 정량 엔진을 따로 만들었고, 대회 데이터의 총수익률에 배당과 이자가 섞여 있던 문제는 수정종가로 바로잡았습니다.
WorldQuant IQC 2024
미국과 중국 주식 데이터로 논문에서 출발한 알파 아이디어를 설계하고 백테스트했습니다. 교내 1위로 Stage 2에 진출했습니다.
금융공학 학회 UFEA (2024, 부회장)
Wilmott의 Quantitative Finance와 Derman의 The Volatility Smile로 옵션 프라이싱과 변동성 모형을 공부하고, 내재변동성과 델타 헤지 포트폴리오의 손익을 직접 구현했습니다. 이자율 모형과 스왑 같은 이자율 파생상품도 다뤘습니다. C++로 멀티스레드 몬테카를로 프라이싱을 구현하는 스터디도 함께 했습니다.