AI가 기업을 간파하는 방법

1. Introduction on LLM and AI Agent

복잡하고 예측 불가능한 금융 시장에서, 과연 인공지능은 투자자들에게 어떤 새로운 해답을 제시할 수 있을까요?

최근 몇 년간 거대 언어 모델(Large Language Model, LLM)은 전례 없는 속도로 발전하며 인공지능 분야에 혁명적인 변화를 불러왔습니다. 단순한 챗봇 기능을 넘어, 이제 LLM은 스스로 사고하고 추론하는 능력을 갖추어 인간이 해결하기 어려운 복잡한 문제까지도 풀어낼 수 있는 경지에 이르렀습니다. 이러한 LLM의 폭발적인 성장은 다양한 분야에서 혁신적인 애플리케이션의 등장을 촉진하고 있습니다.

특히 'AI 에이전트'는 오늘날 다양한 의미로 사용되고 있지만, 그 핵심적인 특징은 독립적인 의사결정 능력을 기반으로 문제를 해결한다는 점입니다. 복잡한 정보의 바닷속에서 올바른 판단을 내려야 하는 금융 도메인이야말로 AI 에이전트의 역량이 극대화될 수 있는 분야입니다. 기업의 특성에 따라 참고해야 할 수치, 리포트, 뉴스 등이 천차만별로 달라지기 때문에, 단순히 모든 정보를 LLM에 입력하여 분석하는 방식으로는 이러한 복합적인 문제를 효과적으로 해결하기 어렵습니다.

LG AI연구원의 Data Intelligence Lab은 이러한 난제를 해결하기 위해 방대한 양의 텍스트 데이터, 수치 데이터, 그리고 피처 엔지니어링된 데이터를 통합적으로 활용하여 기업을 분석하고 예측하며, 그 결과를 명확히 설명할 수 있는 설루션 EXAONE BI(Business Intelligence)를 개발했습니다. 우리는 영국 런던증권거래소 그룹(London Stock Exchange Group, LSEG) 과의 협업을 통해 미국 주식시장에 상장된 모든 주식에 대한 전망을 점수로 나타내고, 이를 설명하는 해설(Commentary)을 매일 업데이트하여 제공하고 있습니다.

이 설루션은 LG AI연구원이 자체 개발한 기업 분석 에이전트인 GanphA를 기반으로 구축된 것으로, 핵심적인 분석/예측 엔진을 기반으로 EXAONE BI는 이를 실제 금융 현장에서 활용 가능한 형태로 구현해 사용자에게 제공하는 구조를 갖추고 있습니다.

2. From Research to Real-World Impact: AI ETF LQAI

Data Intelligence Lab은 시계열 예측(Time Series Forecast) 연구와 LG 계열사 과제를 통해 실제 적용 및 유의미한 성과를 달성한 바 있습니다. LG전자, LG이노텍, LG생활건강 등과의 긴밀한 협업을 통해 시장 수요를 정확히 예측하는 모델을 개발하여 각 계열사의 비용 구조를 획기적으로 개선하는 데 기여했습니다. 또한, 2022년에는 M6 Forecasting competition에 참가하여 높은 순위를 달성하며 LG의 기술력을 세계적으로 인정받았습니다. (참고 : The future of forecasting and the M6 competition conference)

또한 Data Intelligence Lab은 최적화(Optimization) 문제에 관한 연구와 해결에도 활발히 진행하고 있습니다. LG이노텍, LG화학, LG전자 등과의 협력을 통해 파라미터 최적화, 납사 스케줄 최적화, PCB 보드 최적화 등 다양한 분야에서 최적화를 성공적으로 수행하여 각 계열사의 이익 구조를 개선하는 데 일조했습니다.

우리는 여기서 멈추지 않고, 우리가 축적한 기술력을 시장에 선보였습니다. 시계열 예측 기술을 활용하여 미국 주식시장에 상장된 대형주(Large-Cap) 종목들의 주가를 예측하고, 포트폴리오 최적화를 통해 최적의 포트폴리오를 구성하는 모델을 개발했습니다. 이 모델을 기반으로 Qraft Technologies와 협력하여 뉴욕 증권거래소(NYSE)에 LQAI(LG QRAFT AI-Powered US Large Cap Core ETF)를 상장하는 쾌거를 이루었습니다. LQAI는 작년 8월부터 올해 8월까지 벤치마크인 SPY 대비 600bp (basis point) 높은 성과를 달성하며 그 우수성을 입증했습니다.

LG AI연구원이 개발한 LQAI는 다른 AI ETF와 차별점을 '홀딩스 리포트(Holdings Report)'를 통해 명확히 보여주었습니다. 4주 간격으로 진행되는 ETF 리밸런싱에 대한 설명을 AI가 자동으로 생성하여 제공함으로써, ETF 보유자들에게 미국 주식시장에 대한 심층적인 관점을 전달했습니다. 종목 선택부터 포트폴리오 구성, 그리고 홀딩스 리포트 생성에 이르기까지 이 모든 과정이 인간의 개입 없이 오직 AI에 의해 진행됩니다.

3. The Company Analysis Agent

3.1. What is ‘AEFS(AI-Powered Equity Forecast Score)'?

AEFS(AI-Powered Equity Forecast Score)는 미국 주식시장에 상장된 약 5,000개 종목과 TRBC(Thomson Reuters Business Classification) 기준 Level 3까지의 모든 섹터 및 산업에 대해 4주 선행 전망 점수와 해설을 매일 생성합니다. 이 상품은 점수와 해설을 동시에 제공하는데, 점수는 향후 4주간의 전반적인 전망(Outlook)을 나타내며, 해설은 해당 점수가 도출된 배경과 이유를 상세히 설명합니다.

3.2. Why Do We Need AI Agents in Finance?

미국 주식시장에는 실로 다양한 종류의 회사가 존재합니다. S&P Global의 GICS(Global Industry Classification Standard) 기준으로 분류하면 163개의 하위 산업(sub-industry)으로 나눌 수 있으며, LSEG의 TRBC (The Refinitiv Business Classification) 기준으로도 154개의 산업으로 분류됩니다.

당연히 부동산(Real Estate) 관련 주식과 정보 기술(Information Technology) 관련 주식에 적용되어야 할 텍스트 정보는 다를 수밖에 없습니다. 하지만 더 나아가, 같은 섹터 내에서도 다른 산업에 속한 기업 간에는 사용되어야 할 텍스트 정보가 달라야 합니다. 예를 들어, 엔비디아(Nvidia)와 마이크로소프트(Microsoft)는 둘 다 IT 부문에 속하는 주식입니다. 그러나 두 회사의 사업 모델은 매우 다릅니다. 마이크로소프트는 소프트웨어 및 서비스 산업에 속하며, 주요 매출은 클라우드 서비스 및 인프라에서 발생합니다. 반면 엔비디아는 반도체와 반도체 장비 산업에 해당하며, 데이터센터 부문의 고성능 GPU가 주요 매출원입니다.

만약 TSMC의 파운드리에서 대규모 화재가 발생하여 반도체 생산 일정에 차질이 생긴다면, 이는 엔비디아에는 엄청난 이슈가 되겠지만 단기적으로 마이크로소프트에는 미미한 영향을 미칠 것입니다. 반대로 마이크로소프트의 Copilot 시장 점유율과 관련된 뉴스는 엔비디아와는 큰 상관이 없습니다. 이처럼 같은 분야에 속하더라도 다른 산업의 회사별로 선택해야 하는 정보는 다릅니다. Data Intelligence Lab에서는 기업 분석 에이전트를 활용하여 이러한 복잡성을 해결하고 있습니다. LG AI연구원이 개발한 금융 예측 설루션 EXAONE BI는 산업과 기업별 특성을 이해하고, 예측 기반으로 관련성 높은 정보를 분석/해석하여 투자 인사이트를 생성합니다.

3.3 How the Agents Work Together

LG AI연구원이 개발한 EXAONE BI는 단순한 하나의 인공지능이 아니라, 여러 전문 에이전트가 협력하는 팀과 같은 구조로 이루어져 있습니다. 내부적으로는 더 많은 에이전트가 존재하지만, 그중 핵심적인 네 가지를 소개하면 다음과 같습니다.

먼저 AI Economist는 뉴스, 기업 공시, 거시 지표 등 외부 데이터를 폭넓게 수집하고 이를 바탕으로 4주 선행 전망을 그려냅니다. 이어서 AI Analyst는 이러한 예측 결과와 내부 지표들을 분석하면서 중요한 요인을 식별하고, 이상 신호를 찾아냅니다. 이렇게 정리된 분석은 AI Decision-Maker에게 전달되며, 이 에이전트는 다양한 시나리오를 비교·평가해 점수로 종합합니다. 마지막으로 AI Journalist는 전체 분석 과정을 사람의 눈높이에서 풀어내어 누구나 이해할 수 있는 설명과 리포트로 전달합니다.

각 에이전트는 인지, 추론, 행동이라는 역할을 맡고 있으며, 동시에 과거의 결과를 기억하고 다양한 도구를 활용해 분석의 정교함을 높입니다. 마치 서로 다른 전문성을 가진 팀원들이 협업하듯, 에이전트들은 결과물을 이어받아 보완하고 발전시키면서 최종적인 기업 분석과 해설을 완성합니다.

이러한 구조 덕분에 단순히 점수를 제시하는 AI가 아니라, 그 점수에 대한 명확한 근거와 해설을 함께 제공하는 기업 분석 에이전트로 기능합니다.

3.4. Data Sources that Power EXAONE BI

하나의 회사를 분석하기 위해 매우 다양한 데이터를 활용합니다. 회사와 관련된 뉴스 기사, 회사가 미국 증권거래위원회(SEC)에 제출하는 다양한 공시 자료(예: 10-K, 10-Q, 8-K, S-1), 회사의 실적 발표 자료, 회사의 주가와 관련된 수치 데이터, 거시 경제 지표(Macroeconomic Indicators), 그리고 정부 부처가 발표하는 보고서(예: CPI 보고서, FOMC 성명) 등을 모두 종합하여 회사를 심층적으로 분석합니다.

기업 분석 에이전트는 이러한 방대한 데이터를 바탕으로 기업의 본질적인 특성과 시장 상황을 이해하고, 가장 적합한 정보와 예측 모델을 유연하게 선택하여 미래 주가를 예측합니다. 이 모든 과정을 통해 AI 에이전트는 기업을 분석하고, 이를 활용하여 미래 주가를 예측하며 최종적으로 AEFS를 생성하게 됩니다.

3.5. The Automated Pipeline

AEFS는 이전에 상장된 LQAI와 마찬가지로 모든 과정에서 인간의 개입을 배제합니다. 오직 AI가 분석하고, AI가 예측하며, AI가 생성합니다. 이 모든 과정은 매일 진행됩니다. 미국 주식시장이 마감된 후 데이터 수집부터 AEFS 생성까지의 전 과정이 이루어지며, AEFS는 미국 시장 개장 5시간 전에 사용자들에게 배포됩니다. 아래는 파이프라인을 통해 실제로 생성된 Palantir Technologies Inc.(PLTR)와 Kezar Life Sciences, Inc.(KZR) 의 AEFS 입니다. PLTR 는 92점, KZR 는 12점을 달성했으며 실제로 4주 뒤의 주가는 AEFS 가 예측한대로 흘러갔습니다. 단순히 92점이라는 점수만으로는 개인 또는 기관 투자자들이 선뜻 신뢰하기 어려울 수 있습니다. 하지만 AEFS는 미래 주가에 대한 명확한 근거를 제시함으로써 사용자들은 92점이라는 점수에 대해 높은 신뢰를 가질 수 있게 됩니다.

3.6. Validating Performance

AEFS(AI-Powered Equity Forecast Score)는 그 성능을 다양한 방법으로 엄격하게 평가하여 이용자들에게 Score를 통한 신뢰할 수 있는 알파(초과 수익) 창출 기회를 제공합니다.

1. 1. 방향성 예측 정확도 (Hit Rate)

   우리는 AEFS의 핵심인 점수 자체의 예측력을 평가했습니다. AEFS는 50점을 기준으로 주가 상승 또는 하락 방향을 예측하며, 2021년 1월부터 2024년 12월까지의 AEFS 샘플을 대상으로 각 점수 대별 Hit Rate(방향성 정확도)와 통계를 분석했습니다.

   
   

   

   이미지 5. AEFS 점수 예측력 평가 표

   
   

   Hit Rate가 60% 미만으로 낮아 보일 수 있지만, 금융 시장에서 4주 뒤 주가의 방향을 예측하는 것은 동전 던지기에 비유될 만큼 평균 50% 수준에 불과합니다. 이러한 맥락에서 우리의 Hit Rate는 매우 높은 수치이며, AEFS의 유의미한 예측력을 입증합니다.

2. 
   2. 정량적 요인과의 독립성

   우리는 AEFS가 기존 금융공학적으로 생성된 정량적 요인(Quantitative Factor)과는 다른 독자적인 가치를 제공한다는 것을 보여주기 위해 각 정량적 요인과의 상관관계를 계산했습니다. 이미지 1에서 보듯이, AEFS는 모멘텀, 변동성 등 정량적 금융 분야에서 널리 사용되는 요인들과는 낮은 상관관계를 보입니다. 이는 AEFS가 기존 시장 정보와 독립적인 새로운 인사이트를 제공하며, 포트폴리오 다각화에 기여할 수 있음을 의미합니다. 낮은 상관관계에도 불구하고, 위 표에서 보여드렸듯이 수익률에 대한 예측력은 확실합니다.

   
   

   

   이미지 6. Spearman Correlation Matrix of AI-Powered EFS vs. Quantitative Factors

3. 
   3. 포트폴리오 성과 검증

   마지막으로, 우리는 AEFS를 활용하여 포트폴리오를 구축하고 이를 S&P 500 벤치마크와 비교했습니다. 이미지 2에서 보듯이, AEFS로 구성된 포트폴리오는 2020년부터 2024년까지 S&P 500 대비 지속적으로 우수한 수익률을 기록했습니다. 이 기간 동안 AEFS 포트폴리오는 주요 벤치마크 대비 35%p 이상의 초과 성과를 달성하며 탁월한 위험 조정 수익률을 제공함을 보여주었습니다.

   
   

   

   이미지 7. S&P 500 벤치마크 vs AEFS 활용 포트폴리오 비교 그래프

   
   

   아래 테이블에 요약된 바와 같이, AEFS 포트폴리오는 2020년부터 2024년까지의 기간 동안 연간 수익률, 샤프 비율, 정보 비율, 최대 낙폭 등 모든 주요 성과 지표에서 S&P 500 대비 명확한 개선을 보여주었습니다.

   
   

   

   이미지 8. AEFS 포트폴리오 주요 성과 표

4. 
   4. 시너지 효과

   AEFS는 기존의 투자 요인들과 상호 보완적인 인사이트를 제공합니다. 이를 기존의 다중 요인 모델에 통합함으로써 포트폴리오 다각화와 전반적인 성과를 더욱 향상할 수 있습니다.

5. 
   5. 설계부터 투명성

   AEFS는 점수와 함께 제공되는 해설을 통해 내재적인 설명 가능성을 제공합니다. 우리의 엄격한 방법론과 내부 모델 검증 절차는 규제 준수를 중시하는 기관의 요구사항을 충족시키며, 높은 신뢰도와 투명성을 보장합니다.

4. Quality Control: Tackling Hallucinations

AI 에이전트가 인간의 개입 없이 모든 것을 생성하게 되면, 당연히 실수가 발생할 가능성도 있습니다. 이것은 LLM의 고질적인 문제 '환각(Hallucination)' 현상으로 표현되기도 합니다. 세상에 존재하지 않는 정보를 그럴듯하게 포장하여 사용자에게 전달함으로써 혼란을 일으킬 수 있습니다.

LLM, AI Agent 관련 일을 하는 모든 기업과 학계는 이를 매우 중요하게 인식하고 있으며, 많은 논문이 이를 해결하기 위해 발표가 됩니다. 가장 대표적으로는 두 개의 논문^[1,2]이 있는데, 이들 모두 LLM을 다시 활용하여 환각과 Text Quality를 자동으로 평가하게 됩니다.

LG AI연구원은 이를 방지하기 위한 견고한 품질 관리(QC) 파이프라인을 구축했습니다. LG의 QC 모델은 생성된 점수와 해설을 여러 차례에 걸쳐 평가합니다. 해설의 경우, 생성된 텍스트가 충분한 정보를 담고 있는지, 환각 현상은 없는지, 해당 회사에 대해 정확히 이해하고 있는지, 제시된 근거는 적절한지 등 다양한 측면에서 평가를 진행합니다. 평가에서 낮은 점수를 받게 되면, 시스템은 피드백을 통해 다시 생성을 진행하여 품질을 개선합니다.

5. Future Outlook: From Fundamentals to a Hyper-Intelligent Agent

EXAONE BI는 메가캡(Mega Cap)부터 나노캡(Nano Cap)에 이르기까지 미국 주식시장의 모든 종목을 커버하는 기업 분석 에이전트입니다. 매일 업데이트되는 완전 자동화 시스템을 통해 사용자들은 관심 있는 기업의 핵심 정보를 빠르게 파악하고, 보다 나은 의사결정을 내릴 수 있습니다.

AEFS는 개인 투자자에게는 짧은 시간 안에 관심 종목을 이해할 수 있는 길잡이가 되고, 기관 투자자에게는 방대한 종목 중 유망 후보를 효율적으로 선별해 리서치 시간을 크게 줄여주는 도구가 될 것입니다.

앞으로 AEFS를 넘어 Fundamental 예측으로 연구를 확장할 계획입니다. 단기 주가 방향성뿐 아니라 매출, 영업이익, 순이익, EPS(Earnings per Share)와 같은 핵심 재무제표까지 전망하고, 나아가 원자재(Commodity), 디지털 자산(Digital Asset), 프라이빗 마켓(Private Market) 등 다양한 자산군으로 범위를 넓혀 통합적인 분석과 예측을 가능하게 할 것입니다.

궁극적으로 EXAONE BI는 개별 에이전트가 독립적으로 분석하는 수준을 넘어, 서로 협력하며 집단 지능을 발휘하는 초지능 에이전트로 발전할 것입니다. 이를 통해 복잡한 시장 환경 속에서도 더 정교하고 종합적인 의사결정을 지원할 수 있을 것입니다.