요즘 제가 작업 중인 FinGPT 3판 아이디어 소개해봅니다.

사람들 아이디어가 다 비슷하게 가는 거 같습니다. FinGPT 3판에서 (공개/회사 프로젝이 아니라 홈프로젝입니다) 작업 중인 것은, 요즘 유행하는 용어로 표현하면 “mcp” 도구를 스스로 만들어 확장하는 retrospective prediction “AI agent” 입니다.

예컨대 이렇게 동작하는 것이죠. 최초에 “9/7일 기준 이전 15일치 뉴스를 참고해 TSLA의 1주일 후 주가를 예측해” 라는 프롬프트로 주가 예측을 시작합니다.

Iteration 1.
Prompt 1: 9/7일 기준 이전 15일치 뉴스를 참고해 TSLA의 1주일 후 주가를 예측해
Prediction 1: 예측 UP, 이유: 어쩌고저쩌고
Retrospective analysis 1: 실제값 DOWN, 15일전부터 1주일후까지의 뉴스를 검토한 결과 예측이 틀린 이유는 중국 ev sales 데이터에 대한 분석미 미비하고, 공급망 충격에 대한 고려가 부족했음. 두 가지 도구 생성하겠습니다 (tool_china_ev_sales.py, tool_car_supply_chain_analysis.py). TSLA용 prompt가 위 추가 도구들을 사용하도록 업데이트 합니다.

Iteration 2.
Prompt 2: 9/7일 기준 이전 15일치 뉴스를 참고해 TSLA의 1주일 후 주가를 예측해. (추가된 도구 사용을 지시하는 문장 추가됨)
Prediction 2: 예측 DOWN, 이유: 어쩌고저쩌고
Retrospective analysis 2: 실제값 DOWN. 예측이 맞았음. 추가 개선 필요없음.

주가 예측 요구사항에 대해 시스템이 스스로 기능과 성능을 향상시킨 후 추론 능력을 높입니다. iteration들이 끝나고 나면 super prompt와 새 tool들이 생성되어 있습니다.

프로토타입을 돌려보고 있는데 이 자동 확장되는 도구의 목록이 참 흥미롭습니다. AI가 스스로 그 도구를 자동 확장하는데, 종목별로 자동 확장된 도구의 목록이 다릅니다. 아래는 확장된 도구의 예입니다. 일부는 TSLA용이고, 일부는 ORCL용인 식이죠.

tool_analyst_ratings.py
tool_broad_market_sentiment_analyzer.py
tool_china_ev_sales.py
tool_daily_stock_price.py
tool_financial_risk_assessor.py
tool_finnhub_news.py
tool_insider_activity_tracker.py
tool_macro_growth_sensitivity.py
tool_sector_performance_monitor.py
tool_sector_sentiment_analyzer.py
tool_sector_trends.py
…

predict agent와 retrospect agent가 둘이서 예측, 보완, 예측, 보완을 계속 반복해서 과거 시점에서 어떤 과거 정보를 참조했어야 최선의 주가 예측을 할 수 있었을지를 서로 대화하며 prompt와 도구목록이 자동 확장됩니다. 최종적으로 티커별로 최적화된 super prompt와 tool들이 생성되는 거죠. 이 도구들은 기능 검증을 위해 llm을 이용하도록 초판이 자동으로 만들어지지만 결국 손으로 하나씩 api 써서 non-llm facts로 채워야 하고요. 안 그러면 거짓말 위에 서 있는 추론 시스템이 만들어집니다.

이게 사실 ChatGPT, Gemini 등 온라인 서비스들이 이미 해주는 거 같은데? 라고 말할 수 있는데, 맞아요. 그거 정확히 맞습니다. Deep Thinking 모델이라는 것들이 하는 일이에요. 그런데 비용 문제가 있어서 이걸 대량으로 온라인에서 돌리질 못해요. 그리고 내가 원하는 facts들을 모조리 수거하는 일도 불가능합니다.

제 현실의 문제점은, 한달에 한 종목 pick up 하기도 버거운 상태거든요. 제 눈도 2개밖에없고, 모니터도 2개밖에 없고, 손도 2개. 뉴스 따라잡기도 힘들고. 누가 초기 분석해 놓으면 거기에 반응해서 거래 전략 세우는 늦은 반응. 다 문제죠.

현재의 proof-of-concept 목표는, test 데이터에 최적화 시키는 것이고요. 그 다음 unseen 데이터로 어느 정도 generalization을 하는 과정을 거쳐야겠죠. 일단은 최적화 먼저.

이게 되더라도, 월가 트레이더들이 쓰는 bloomberg 터미털에 훨 못 미치는 정보력이겠지만, 월가의 자동 거래 시스템보다 훨 느리겠지만, 그래도 개인이 그런 도구를 사용할 수 있는 날은 영원히 오지 않을 것이므로, 목마른 놈이 우물 판다고 필요한 사람이 부족하나마 스스로 만들어서 써야죠.

거짓말 덜 하는 종목별 전문가 5000개 가지는 날 곧 오리라 믿습니다.

월스트릿에서 쓰는 인공지능 algorithm trading system은 과연 백전백승의 승률을 기록하는지?
백전백승이 아니라면 승률은?

별로 아는 것 없는 내 생각으론
그런 시스템도 별로 신통치 않을 듯.
스피드와 정보처리에선 인간들이 범접할 수 없겠지만,
주가를 움직이는 변수가 너무도 많기에 인간들보다 별로 나을게 없을 듯.
초단기 승부에서나 인간을 앞서고, 중기, 장기로 갈수록 인간에 대한 우월성이 사라질듯.

Scalping 에선 분명 압도적일 것이라는 추측은 가능.

어느 문장에 코멘트를 해볼까 생각하다가 업계가 어느 위치에 서 있는가를 아는 게 가장 바탕이 되는 얘기가 될 것 같아서, 그것 먼저 답을 합니다.

금융권의 AI 사용에 대해서 말씀드리자면. AI 구현 방법론에 여러 계층이 있어요. AI 안에 ML (machine learning), ML 안에 DL (deep learning), DL 안에 Gen AI (generative AI).

ML/DL:

ML과 DL은 이미 금융권 뿐만 아니라 전 산업에서 광범위하게 사용되고 있는 성숙한 기술이고요. 금융권에서도 씁니다. 다만 그걸 트레이딩의 엔진으로 쓸만큼 정확도가 높지 않아요. 틀렸을 경우 책임질 수도 없고 무엇보다 틀린 경우 다시 교정하는 게 너무 어렵습니다. 왜냐하면 지금 production에 deploy 돼 있는 게 그때까지 가능한 모든 데이터를 모아 훈련시킨 거니까요. 더 낫게 만들 수 없어요. 그런데 그 점수가 별로 높지 않아요. 이게 지난 70년간 ML/DL이 실업무 완전 도입에 대부분 실패하고 보조 도구로만 쓰이는 이유입니다.

그러니까 ML/DL은 트레이딩에 쓸 수는 없고 좀 실패해도 되는 분야, 사기 탐지, 칩입 탐지 같은 보안 분야, 대출심사의 1차 필터링, 신용카드발급 1차 필터링같은 곳에 적극적으로 도입이 돼 있습니다. 모델을 훈련할 때 false positive 와 false negative 라는 오류(고등학교 수학에서 배우는 제1종의 오류, 제2종의 오류 그겁니다) 중 한쪽을 집중적으로 더 잘 줄이도록 훈련시킬 수 있어요. 두 가지 오류를 다 제거하여 전체적으로 다 잘하게 만드는 건 극도로 어렵지만, 예를 들면 false negative (즉 사기를 놓치는 경우)를 최소화하는 식으로 한쪽에 가중치를 두면, 사람이 하나하나 하는 것보다 압도적으로 잘 하게 만들 수 있거든요.

Gen AI:

Gen AI는 어느 단계냐 하면, 당연히 트레이딩에 못 쓰죠. 금융권에서 사용하는 어떤 모델이라는 것은, 수학적 정의와 비슷한 엄격함을 요구합니다. 이 모델의 in/out이 무엇이냐가 정의가 돼야 모델로 인정을 받고 그걸 비즈니스에 사용할 수 있어요. Gen AI 결과는 랜덤이기 때문에 트레이딩에 못 씁니다. 원래 ‘모델’로 안 하던 거, 예를 들면 리서치에는 쓸 수 있어요, 보고서 작성에 쓸 수 있어요.

Gen AI는 그러면 뭐하는데 쓰냐? 월가 돈 많아요. Gen AI 도입에 총력전입니다. 모든 분야에 Gen AI 도입 검토와 테스트를 하고 있죠. 인력의 생산성이 수십~수백배 단위로 올라가는 분야가 속속 나오고 있습니다. 아다시피 그렇게 올라간 생산성 덕분에 개발자 cut, 중간매니저 cut, HR cut, 고객대응팀 cut, 애널리스트 cut, … 말로 업무를 하는 직종의 인력 가지치기 하는데에도 사용이 되고 있고요. 2026년은 AI로 인한 생산성 혁신이 시작되는 해입니다.