[테크M= 세스 후앙 홍콩과학기술대학 금융학과 교수(트러스트버스 AI아키텍처 개발자] 최근 금융 분야에 혁신의 바람이 거세게 불고 있다. 하나는 블록체인을 기반으로 한 금융 인프라 변화다. 다른 하나는 인공지능(AI)을 도입해 비대면 서비스 또는 AI 퀀트 트레이딩을 통한 운영비용 최소화와 시스템 효율화다. 퀀트는 해당 기업의 주가흐름이나 거래량, 등락률, 보유현금 등 주가에 영향을 미치는 수십 가지 요소를 계량화해 거래 종목을 선정하는데 활용하는 투자기법이다.

특히 AI와 관련해 자산운용사들의 충격적인 발언이 있다. 지난해 3월 5조 7000억 달러(약 6156조 원) 규모의 세계 최대 자산운용사 블랙록은 스타급 펀드 매니저를 AI로 대체하겠다는 계획을 발표했다. 이에 앞서 골드만삭스는 600명의 트레이더를 2명의 트레이더로 파격적으로 줄였다. 기존의 거래는 200명의 개발자가 운영하는 자동 거래 프로그램이 맡고 있다. 전통 금융회사에서 임직원의 4분의 1을 IT 전문가로 대체한 것이다.

골드만삭스는 외환과 선물시장 동향에 대응하려고 알고리즘을 개발해 시장을 이길 대안을 만들고 있다. 핀테크 스타트업에 약 3000억 원 정도를 투자하고 있다. 주로 빅데이터와 소셜데이터분석 서비스, 데이터마이닝 회사들이다. 금융권에서의 AI 활용은 크게 3가지로 분류된다. 자산관리에 쓰이는 로보어드바이저, 빅데이터 기반의 투자자와 투자분석, 비대면 서비스인 AI 챗봇(콜센터)이다.

인공지능을 이용해 혁신에 나선 금융

고도의 인지능력과 전문성을 갖춘 인재들인 모인 월스트리트는 최근 급격한 변화를 겪고 있다. 실리콘밸리의 AI 전문가들이 뉴욕이나 시카고로 이주하는 현상도 일어나고 있다. 허들이 높았던 금융의 벽이 AI 같은 기술에 의해 무너지고 있는 것이다.

AI 는 값비싼 인간의 노동력을 저비용으로 대체한다. 물론 AI 전문가들의 인건비와 기술개발비가 저렴한 것은 아니다. 하지만 전문가나 기존 시스템이 인지하거나 지각하지 못한 현상과 상황을 파악해 효율성을 높일 수 있다. 특히 펀드는 시장의 상황이 좋지 않을 때 리밸런싱, 즉 운용하는 자산의 편입비중을 즉각적으로 재조정해 리스크를 최소화하는 것이 불가능하다. 자산 편입비용 등 펀드에 포함된 여러 상품들을 실시간으로 매수, 매도해야 하는데 이렇게 하기가 쉽지 않다. 따라서 특정 조건부를 주고 중장기 투자상품을 제공하는 것이 대부분이다. 개인 투자자가 가지고 있는 펀드 개수는 평균 5~7개다. 대부분의 사람들은 자신이 한 번 가입해 놓은 펀드에 대해서 잊어버리고 사는 경우가 많다.

펀드를 잘 운용하려면 6개월에서 1년 간격으로 재조정하는 것이 필요하다. 시장의 흐름, 특정 주식 상품, 채권 등을 파악하고 분석해야 한다. 특히 추천 뿐 아니라 예측 능력을 가지고 있어야 한다. 하지만 증권 애널리스트가 특정 회사의 정보를 실시간으로 분석하고 시장을 예측할 수 있을까. 또 회사 하나가 아닌 여러 회사들을 분석해야 한다. 요즘은 애널리스트 리포트까지도 AI가 분석하고 작성한다.

그렇다면 왜 AI가 금융에서 화두인가. 시장에서 변동성이 높아지는 반면 예측하고 싶어하는 욕구 또한 커지고 있기 때문이다. 초연결사회다. 포트폴리오는 리스크 관리 차원에서의 상품들의 변동률과 상관관계 지수를 분석해 안정적인 상품, 즉 저위험·중수익 모델을 만들어 낼 수 있다. 이는 다양한 데이터와 뉴럴 네트워크, 학습, 정교한 모델의 재훈련 등을 통해 만들 수 있다. 자산관리에서 가장 중요한 점은 펀드의 종목을 선택하는 것과 투자 시기를 결정하는 것보다 자신이 짜놓은 자산별 포트폴리오를 어떻게 관리하느냐다. 이를 사람이 지속적으로 대응해서 관리하면 편하겠지만 현실에서는 수 많은 정보량과 시장 변화를 고려해 사람이 예측하기가 하늘의 별따기 수준이다. 트레이딩이 유사 사례다.

실제 사람은 합리적인 사고와 의사결정을 하기 위해 노력한다. 하지만 감정이나 여러 정보에 의해 넛지되는, 즉 유도되는 것이 사람의 한계다. 이 때문에 유명 트레이딩 회사도 트레이더가 실수하는 것을 감안해 시스템적으로 대응하도록 준비한다. 이처럼 분산 전략이 필요하며, 자신이 짠 자산별 포트폴리오의 관리법이 중요한 이유다. 포트폴리오라고 하면 여러 가지 상품과 성향이 다른 것들을 분산해서 투자하는 것으로 생각하는데, AI를 활용하면 이보다 훨씬 복잡하다. 하지만 사람이 관리하는 것보다 정확하고 효율적인 관리가 가능하다. 물론 여기서 명심할 것은 시장을 예측할 수 있지만 시장을 절대 이길 수 없다라는 명제로 시작해야 한다는 사실이다. 우선 포트폴리오를 예를 들어 살펴보자.

처음에 1000만 원으로 안전자산A와 투자자산B에 각각 500만 원씩 투자했다고 가정하자. 1년이 흐른 뒤 A에는 변화가 없는데 B에서 2배의 수익이 났다면 어떻게 해야 할까. 대부분의 투자자들은 A에서 500만 원을 빼서 B에 넣어야 한다고 판단한다. 수익이 났기 때문이다. 하지만 시장은 항상 긍정적이지 않다. 많은 사례에서 이 경우 자산을 늘리고 싶다면 반대로 해야 한다는 결론을 낸다. 2배가 된 B상품, 즉 1000만 원을 포함한 총 1500만 원의 자산을 A와 투자자산 B에 동일하게 750만 원씩 분산투자해야 한다. 투자자산은 증권시장과 암호화폐 시장 등 변동성이 있는 시장에 의해 반영되기 때문에 리스크를 고려해서 관리해야 한다.

앞 시나리오에서 그대로 뒀을 경우와 변경했을 때, 수익이 났던 투자자산 B가 50% 손실이 나면 어떻게 될까. 그대로 뒀을 때는 1000만 원이 다시 500만 원이 돼, 500+500으로 총 1000만 원이 된다. 반면 750만 원으로 분산시킨 변경 조건에서는 B가 325만 원이 돼 750+325으로 총 1075만 원이 된다. 변경했을 때는 초기보다 75만 원의 수익이 생긴다. 이것이 포트폴리오 기반으로 자산관리를 해야 하는 이유다. 인공지능을 기반으로 한 자산관리 프로그램들은 이 같은 단순한 계산법보다는 훨씬 복잡한 방법으로 자산을 관리한다.

AI 포트폴리오 최적화 엔진으로 자산운용

여기서는 필자가 개발한 트러스트버스의 AI포트폴리오 인텔리전스 모델을 예로 들어 인공지능 기반의 자산관리 프로그램의 장점을 설명하고자 한다. AI 포트폴리오 모델은 퀀트나 계량기법으로 학습된 특정 주식들을 트레이딩하진 않는다. 국내 쿼터백사의 로보어드바이저 방법론과도 다르다. 대신 위험관리 최적화 관점에서 포트폴리오에 포함되는 다양한 데이터들을 AI 딥러닝기법으로 최적화해 개발한 모델이다.

또 글로벌 주식이나 현금유동성이 있는 암호화폐 같은 단일 상품에 집중하기보다는 다양한 클래스의 상관관계와 변동성에 비중을 두고 위험을 관리한다. 자산관리에 적합한 방법론으로 최적화한 셈이다. 특히 다양한 데이터군을 딥뉴럴 네트워크를 통해 설계해서 끊임없이 학습시키기 때문에 변수가 있더라도 아키텍처 설계상 시장데이터와 관련된 시그널, 즉 실시간 시장반응도 감지할 수 있어 위험도를 낮출 수 있다.

위험률이 올라가면 리밸런싱 시점에 대한 알림도 가능하다. 실제로 이 모델을 적용한 시스템으로 최근 2년 반 동안 총 4500만 달러(약 486억 원)를 운용하기도 했다. 글로벌주식을 포함했다. 디지털 화폐모델은 유사한 방법론에 감각기관을 고도화시킬 수 있도록 기술을 개발하고 있다.

참고로 트러스트버스는 S&P500 지수를 기반으로 모든 500개 대형 기업의 주식 종목을 분석해 포트폴리오를 만든다. 암호화폐는 총 17개 거래소 중 상장된 89개의 토큰 중 거래량과 변동률 등을 고려해 현금유동성이 높은 토큰들을 기반으로 포트폴리오를 만든다.

AI 기반 금융 포트폴리오 인텔리전스는 데이터에 기반한 심층 인공지능 기술로 클라우드 내에서 복합적으로 동작하는 금융 알고리즘이다. 실시간으로 시장과 주가 데이터, 행동패턴 등을 공유해서 강화 학습한다. 또 정교한 알고리즘을 통해 변동율과 위험도를 예측한다.

최근 금융 분야에서는 로보어드바이저 도입이 활발하다. 하지만 개인금융 자문업과 투자정보 분석, 금융 부정행위 감시 같은 서비스에만 적용되고 있다. 핵심기술은 검증된 인공지능과 실증데이터를 기반으로 실제 운용자산과 포트폴리오를 분석해서 재구성하거나 설계가 가능하다. 안전하고 수익성 높은 AI 멀티 클래스 상품 최적화와 체계적인 자산 포트폴리오를 제공한다. 이미 시장에서 입증된 자동인공지능 심층신경계 학습알고리즘을 사용해 사용자와 기관이 수익을 낼 수 있도록 최적의 재정적 투자 포트폴리오를 제공한다.

정확도 높은 저위험, 중수익 금융 솔루션

인공지능을 결합한 금융 솔루션은 다양하고 심층화된 포트폴리오 모델 설계와 검증, 상품의 응용과 확장, 대다수의 응용모델에서 효과적으로 작용한다. 또 체계화된 금융모델에 효과적으로 활용할 수 있다. 인공지능을 통해 정확도를 높일 뿐 아니라 낮은 리스크 기반으로 자산을 관리한다. 투자자가 부담하는 위험에 따라 자산 수익률이 얼마나 되는 지 높은 정확도로 알려준다.

 AI와 금융이 접목하면 보통 로보어드바이저라고 판단한다. 포트폴리오 인텔리전스는 실제 자산항목과 포트폴리오 구성, 자산 코어에 대한 분석을 다양한 데이터 과학 , 즉 기본정보와 주식 시장, 글로벌 매크로, 시장, 소셜미디어 시장 등을 인공지능으로 강화해서 해석하는 알고리즘 기반의 서비스다. 포트폴리오 자체보다는 투자자의 프로필과 성향을 우선시해서 동작한다. 또 리스크와 변동성을 고려한 뒤 신뢰도 높은 수익모델에 따라 자체상품을 개발해 제시한다. 종합적인 요인들이 수반되는 금융상품, 즉 세금문제, 기업승계, 보험, 위험관리를 지원한다. 신규채널이 아닌 금융 기업의 고객 수익율 제고 등을 통해 자산관리능력에 대한 신뢰성 제고 기회를 제공한다. 게다가 로보어드바이저의 변칙과 오류에 비해 완성도가 높다. 질문유형과 추천, 자산 구조, 시장 타이밍, 낮은 수수료, 소규모 투자가 가능하다.

금융 상품으로 개발한 트러스트버스 인공지능 엔진에는 여러가지 기법과 전략이 적용된다. 우선 분석기법에는 리스크 최소화, % 비율, 인공지능을 통해 위험 기반 배분인 최소분산, 최대분산효과, 리스크패러티 분석 기법을 적용한다. 전략모형에는 배분전략, 낮은 변동성, 모멘텀, 고배당, 퀄리티, 밸류, 다중요인 전략 등을 선택해 적용한다. 포트폴리오 구성에서는 뮤추얼 펀드, 헤지펀드 신경 학습 기반 펀드/포트폴리오 추천(주식, ETF, 선택적 포트폴리오, 암호화폐), 다단계 포트폴리오 최적화를 적용한다. 그리고 인공지능 자율형 에이전트로 향후에 EMP(ETF Managed Portfolio) 에이전트도 제공한다.

포트폴리오 메트릭스(Portfolio Metrics)에서는 포트폴리오 매니저가 자산의 유형과 비율, 종류, 그리고 위험도를 선택해 해당하는 상품에 대한 계량적 분석을 산출한다. 웰스트리(Wealth Tree)의 딥러닝뉴럴 네트워크에 접속해 상품을 분석하고 예측값을 요청한다. 네트워크 설계(Network Design)에서는 산출된 데이터를 기계적으로 학습시키기 위해 신경망 네트워크 디자인 유형을 선택하거나 추천받아 웰스트리에 일임한다. 딥러닝뉴럴네트워크에 접속해서 예측모델에 대한 수준 백테스팅, 새로운 데이터를 포함한 매개 변수 조정을 한다.

데이터 구조화, 데이터 분석과 데이터성분, 특징 추출에서는 신경망이 훈련할 특징을 계산한다. 딥러닝 뉴럴 네트워크에 접속해 업데이트된 자산 데이터를 학습시킨다. 또 유효성 검사 데이터를 검증한다. 이렇게 확보한 데이터를 토대로 가장 성과가 좋은 포트폴리오 모델을 제안한다. 테스트 데이터를 통해 가장 최적화되고 성과 높은 모델을 저장한다.

세스 후앙(Seth Huang)

현재 홍콩과학기술대 금융학과 교수로 트러스트버스 AI 아키텍처와 금융 AI 엔진 개발자다. 이화여대 교수를 거친 금융 분야 AI와 블록체인 기술 전문가다. 미국 코넬대에서 금융 AI 관련 경제학 박사학위를 취득했다.

<본 기사는 테크M 제63호(2018년 7월) 기사입니다>