AI가 2차 시장 투자에 어떤 영향을 미치는가?

2024.02.26

AI가 2차 시장 투자에 어떤 영향을 미치는가?

AI는 유용하지만 대규모 언어 모델의 역할은 매우 제한적이다.

2024.02.26 - 08:59:18

Web3 심층 보도에 집중하고 흐름을 통찰

AI는 유용하지만 대규모 언어 모델의 역할은 매우 제한적이다.

글: Lucida

Sora의 출시와 함께 최근 AI가 다시 한번 큰 주목을 받고 있으며, AI 관련 종목도 급등했다.

최근 2년간 Bloomberg / Wind / Tiger Broker 등 전통 금융기관들도 각각 자체의 수직적 대규모 모델 애플리케이션을相继 발표했다. 크립토 업계에서도 Dune 등 다양한 제품들이 AI를 통합하거나 아예 수직형 GPT를 출시했으며, 나는 거의 모두 체험해보았다.

제2차 시장의 핵심 경쟁력

「AI가 제2차 시장 투자에 미치는 영향」에 대해 내 개인적인 견해는 다음과 같다. AI는 유용하지만, 대규모 언어 모델(LLM)의 역할은 매우 제한적이다.

그 이유는 제2차 시장의 핵심 경쟁력은 생산성에서 오는 우위가 아니라, 방법론과 인식 수준에서 시장의 다른 참가자들을 압도하는 능력이기 때문이다.

우수한(양적) 트레이더는 장기간 시장에서 경험을 쌓으며 시장 특성을 충분히 이해하고 안정적이고 측정 가능한 거래 전략을 구축한다. 반면 역량이 부족한 트레이더는 지속적인 손실로 인해 시장에서 도태되며, 시장은 이 과정을 통해 '좋은 돈이 나쁜 돈을 몰아내는' 진화를 완성하게 되고, 돈 벌기는 점점 더 어려워진다.

따라서 시장을 꾸준히 이기고 수익을 내기 위해서는 시장보다 더 빠르게 진화해야 하며, 시장의 다른 참가자들을 더 깊이 이해해야 한다. 이는 방법론과 인식 수준에서의 승리이며, 바로 이것이 제2차 시장의 핵심 경쟁력이다. 대부분의 경우 시장의 공감대는 리스크 요인이므로 「비공감대를 찾는 것」이 (양적) 트레이더에게 가장 중요한 능력이며, 동시에 높은 수준의 인식을 보여주는 것이다.

좀 더 깊이 들어가면, 이러한 능력은 CFA를 읽었는지, 금융공학을 공부했는지와 직접적인 관련이 없다. CFA나 금융공학을 잘 공부했다고 해서 돈을 쉽게 벌 수 있다면, 제2차 시장에서 돈 벌기는 너무 쉬울 것이다. 상식적으로 어느 산업이든 돈을 벌기 위해서는 대부분의 사람들이 갖추지 못한 무언가가 반드시 있어야 하며, 그것이 바로 경쟁력이다. 그건 자원일 수도 있고, 자본일 수도 있고, 인식이나 방법론, 경험 등이 될 수 있다.

따라서 당신이 직접적이거나 극소비용으로 큰 수익을 얻도록 도와주려는 사람/사물/프로젝트는 모두 비뚤어졌거나 어리석은 범주에 속한다고 볼 수 있다.

다시 AI로 돌아가보자. 내가 현재 공개적으로 체험할 수 있는 최첨단 대규모 언어 모델인 GPT-4를 기준으로 보면, 모델이 세계를 이해하고 인식하는 수준은 명백히 인간보다 낮다. 다만 생산성을 높이는 데에 강점이 있으며, 수준은 학부생 정도에 근접한다. 따라서 이는 우리가 앞서 언급한 제2차 시장의 핵심 경쟁력 조건을 충족하지 못한다. 그러므로 GPT가 세계에 대한 인식과 이해가 인간 수준에 근접하거나 오히려 앞서게 될 때 비로소 제2차 시장 투자에 중대하고 혁명적인 영향을 줄 수 있을 것이다.

게다가 현재까지 관찰하기에, 크립토 업계 내의 대규모 언어 모델들은 여전히 GPT-3.5와도 세대 차이를 보이며, 더욱이 GPT-4와는 비교조차 어렵다. 따라서 수직형 GPT를 이용해 크립토 거래를 하거나 사용자에게 거래 결정을 제공하는 것은 아직 갈 길이 멀다.

AI의 구체적인 활용 가능성은?

그렇다면 AI가 제2차 시장 투자에 전혀 쓸모 없는 걸까? 아니다. 다음과 같은 방향들이 있다:

요인(Factor) 발굴: 전통 금융시장에서 소수의 최정상급 헤지펀드는 ML/DL 모델을 이용해 요인을 발굴한다. 사람을 통해 요인을 발굴하는 전통적 방식과 비교하면, 이 방식은 요인의 수에서 우위를 점하지만, 요인의 질은 다소 희생된다. 그러나 이는 업계의 주류가 아니며, 팀의 역량에 대한 요구 수준이 매우 높다.
데이터 정제 및 가공: 예를 들어 ML을 활용해 데이터셋 내 결측치(Missing Value)/이상치(Outlier)를 최적화하거나 MEV Bot의 거래량을 식별하는 등의 작업.
알고리즘 거래: 주로 시장 호가와 주문북(Order Book) 등 마이크로 구조에 적용된다.
대안 요인(Alternative Factor) 가공: 뉴스나 소셜미디어 콘텐츠를 분석하여 그것이 긍정적인지 부정적인지를 판단하거나, 나아가 점수를 매기는 작업.
GPT를 이용한 자연어 데이터 정리: 예를 들어 SEC의 전자 데이터 수집·분석·검색 시스템(EDGAR)에 포함된 기업 재무제표는 텍스트 형식인데, 이를 GPT로 구조화된 데이터로 정리하는 작업은 효과가 꽤 좋을 것으로 예상된다.

내가 현재 생각해낼 수 있는 건 대략 이 정도이며, 누락된 부분이 있다면 보완해주길 바란다. 위 사례들을 통해 다음과 같은 몇 가지 규칙을 발견할 수 있다:

1, 2, 3번 사례는 GPT가 유행하기 이전부터 이미 상당히 성숙한 영역이었다.
4, 5번은 주로 GPT의 응용 분야에 해당한다. 나는 4번을 직접 시도해보지는 않았지만, 효과 역시 제한적일 것으로 보인다. 첫째, 대안 요인이 다요인 전략에서 차지하는 비중이 낮고, 둘째, 이런 단순하고 저비용으로 발굴한 요인은 대부분 효과가 없거나, 효과가 있더라도 금방 무효화되기 쉽다. 5번은 여전히 생산성 향상에 초점이 맞춰져 있다.
위 모든 사례는 특정하고 매우 좁은 범위의 개별 작업 단계에서 AI를 활용하는 것이지, AI가 직접 투자 또는 거래를 수행하게 하는 것은 아니다. 왜냐하면 AI가 시장을 인식하는 수준이 너무 낮으며, 또한 금융업계의 신호 대 잡음비(SNR)가 너무 낮아 자율주행 등 다른 분야와는 비교조차 되지 않기 때문이다.

이런 관점에서 크립토 분야의 AI 제품들을 살펴보면, Dune의 접근법은 비교적 타당하다고 볼 수 있다. Dune는 사용자에게 직접적인 거래 신호를 제공하는 스마트 어드바이저 역할을 시도하지 않았으며, 물론 그 제품의 정체성도 그런 게 아니다. 여전히 AI를 통해 생산성 향상을 추구하는 데 목적이 있다. SQL 작성은 일반 사용자들에게 진입 장벽이 매우 높기 때문이다. 비록 현재로서는 그리 똑똑하지는 않지만 말이다.