'블랙박스(Black Box)'의 시대는 끝났다. 이제 우리는 '**전문가 아키텍트(Expert Architect)**'의 시대로 진입하고 있다. 인공지능(AI)이 금융 시장의 의사결정을 주도하는 핵심 동력으로 부상했지만, 단순히 "수익성 높은 주식을 찾아줘"와 같은 모호한 프롬프트는 시장에서 도태될 뿐이다. 진정한 초과 수익(Alpha)을 창출하는 AI 투자 시스템의 성패는 모델의 크기가 아니라, **인간 전문가의 지혜를 AI 아키텍처에 얼마나 정교하게 이식했느냐**에 달려 있다.

## 1. 구체성이 성패를 가른다 ### '미세 조정된 과업(Fine-grained Tasks)'의 마법 일본 TOPIX 100 지수를 대상으로 한 최신 연구는, LLM(거대언어모델)에게 내리는 지침의 정밀도가 수익률에 미치는 영향을 극명하게 보여준다. 단순히 "재무제표를 분석하라"는 식의 **추상적(Coarse-grained) 지시**를 내리면, AI는 추론 과정에서 신호를 누락하거나 해석을 포기하는 현상을 보인다. 반면, 전문가의 워크플로우를 모방하여 분석 단계를 미세하게 쪼갠 **'구체적(Fine-grained)' 지침**을 제공했을 때, 시스템의 성과는 급격히 개선되었다. 특히 이 연구에서 주목할 점은, 포트폴리오 규모(N)가 10개에서 50개로 확장될수록 구체적인 설계를 갖춘 시스템과 그렇지 못한 시스템 사이의 **성과 격차가 더욱 벌어졌다**는 사실이다. 이는 복잡한 다중 자산 운용 환경일수록 정교한 과업 설계가 '신호 전파(Signal Propagation)' 효율을 극대화한다는 것을 의미한다. > "Providing coarse-grained instructions to LLMs for complex tasks presents two major challenges... performance degradation... and the lack of interpretability." > > 복잡한 과업에 대해 LLM에게 추상적인 지침을 제공하는 것은 두 가지 주요 문제를 야기한다. > **성능 저하**와 **설명 가능성(해석 가능성)의 부족**이 바로 그것이다.

## 2. 지식의 질이 곧 수익이다 ### RAG와 데이터 정밀도의 치명적 관계 미국 시장의 상위 2,500개 대형주를 분석한 연구에 따르면, 검색 증강 생성(RAG) 시스템을 통해 AI에게 제공하는 **도메인 지식의 정확도**는 Sharpe 지수를 결정짓는 가장 강력한 변수다. 소위 'Garbage In, Garbage Out'의 원칙은 최첨단 AI 시스템에서도 자비 없이 적용된다. 실험에서 잘못된 문서(Broken KB)를 제공했을 때 Sharpe 지수는 **-0.109**로 추락하며 자산 가치를 파괴했다. 반면, 정확하게 수정된 지식 기반(Fixed KB)을 제공하고 롱-숏(Long-Short) 마켓 뉴트럴 전략을 실행했을 때 Sharpe 지수는 **1.27**로 급등했다. | 데이터 상태 (Knowledge Base) | Sharpe 지수 | 성과 분석 | | ---------------------------- | ----------- | ---------------------------- | | 손상된 지식 (Broken KB) | -0.109 | 정보 노이즈로 인한 자산 손실 | | 수정된 지식 (Fixed KB) | 1.27 | 유의미한 위험 조정 초과 수익 | 이 데이터는 AI가 아무리 뛰어난 추론 능력을 갖추었더라도, 부정확한 도메인 지식은 '**알파의 붕괴(Alpha Decay)**'를 초래한다는 것을 보여준다.

## 3. AI는 이미 스스로 '퀀트'가 되었다 ### 독립적으로 발견된 투자 원칙들 매우 놀라운 사실은, AI가 명시적인 금융 교육 없이도 수만 개의 데이터를 학습하며 현대 퀀트 금융의 핵심 원칙들을 스스로 터득했다는 점이다. AI가 생성한 피처(Feature)들을 분석한 결과, 다음과 같은 3대 패턴이 지배적으로 나타났다. - **교차 섹션 랭킹 (Cross-sectional Ranking, 100% 반영)** - AI는 주식의 절대 가격이 아니라 '상대적 위치(Relative Positioning)'가 수익의 본질임을 스스로 이해했다. - 롱-숏 수익은 절대적 가치가 아니라 종목 간의 '스프레드'에서 나온다는 것을 간파한 것이다. - **변동성 정규화 (Volatility Normalization, 93% 반영)** - 시장의 '레짐 시프트(Regime Shift)'에 대응하기 위해, 변동성이 커지면 신호 강도를 낮추는 리스크 관리 기법을 독립적으로 적용했다. - **비선형 상호작용 (Non-linear Interaction, 80% 반영)** - 단순히 지표를 더하는 것을 넘어, 여러 변수를 곱하거나 나누어 복합적인 시장 상태를 읽어내는 능력을 보여주었다. 이러한 발견은 AI가 시장의 구조적 질서를 논리적으로 파악하고 있으며, 이것이 단순한 우연이 아닌 **통계적 필연성**임을 시사한다.

## 4. 1+1은 2보다 크다 ### 멀티 에이전트 계층 구조와 시너지 최고의 퀀트 팀처럼 작동하기 위해, AI는 **분석가(Analyst) → 섹터 전문가(Sector Agent) → 포트폴리오 매니저(PM Agent)** 로 이어지는 계층적 구조를 가져야 한다. 특히 이 구조에서 **기술적 분석 에이전트(Technical Agent)** 의 역할은 결정적이었다. 구체적인 과업 설계가 적용된 기술적 에이전트는, 추상적인 시스템에서 무시되기 쉬운 미세한 가격 신호를 PM에게 효과적으로 전달하는 **핵심 동인(Driver)** 역할을 수행한 것이다. 이 시스템의 진정한 강점은 '**직교성(Orthogonality)**'에 있다. 서로 다른 시각을 가진 에이전트들 사이의 낮은 상관관계는 포트폴리오의 다각화 효과를 극대화한다. | 에이전트 조합 | 상관관계 (Correlation) | 전략적 통찰 | | ---------------------- | ---------------------- | ------------------------------------------ | | 기술적 vs 기본적 분석 | 0.06 ~ 0.20 | 매우 낮은 상관관계로 리스크 분산 효과 탁월 | | 뉴스 분석 vs 재무 분석 | 0.14 이하 | 정보의 원천이 달라 상호 보완적 알파 생성 | > **Quant Insight** — 기술적 신호와 기본적 신호의 결합은 포트폴리오의 변동성을 낮추는 동시에 > 정보 계수(Information Coefficient, IC)를 안정적으로 유지하는 '**분산의 마법**'을 부린다.

## 5. 인간보다 14배 더 복잡한 AI의 '피처(Feature)' 설계 전통적인 학계의 팩터(Factor)들이 2~4개의 연산으로 구성된 단순한 형태라면, AI는 평균 **14.2개의 연산**을 체이닝(Chaining)하여 인간의 직관을 초월하는 복잡한 피처를 생성한다. 예를 들어, AI가 설계한 'Overnight Gap' 신호는 단순히 시가와 종가의 차이를 보는 수준이 아니다. 다음과 같은 **6단계 파이프라인**을 거친다. 1. **Gap 계산** — 장외 발생 가격 편차 추출 2. **Vol-Normalization** — 현재 변동성 레짐에 따른 정규화 3. **Trend Comparison** — 단기(5일) 및 장기(20일) 트렌드 비교 4. **Outlier Flagging** — 역사적 극단값(Z-score) 감지 및 노이즈 제거 5. **Ranking** — 섹터 내 상대적 순위 부여 6. **Signal Chaining** — 최종 실행 신호로 결합 이처럼 정교한 다단계 파이프라인은 단순한 모멘텀 전략보다 훨씬 낮은 '알파 감쇄'를 보이며, 시장의 미세한 비효율성을 포착해낸다.

## 결론: AI는 인간을 대체하는가, 증폭하는가? 본 연구들의 결론은 명확하다. AI는 인간을 대체하는 자동화 도구가 아니라, 인간의 가설 생성 능력을 무한히 확장하는 '**가설 생성 엔진(Hypothesis-generation Engine)**'인 것이다. 실제 운용 환경에서는 신호 생성과 실행 사이의 '실행 시차(Implementation Lag, T+1 to T+2)'가 발생한다. 하지만 정교하게 설계된 AI 시스템은 이러한 시차 속에서도 전통적인 방식보다 훨씬 높은 수익 지속성을 보여주었다. 이제 질문은 "AI를 사용할 것인가"가 아니다. "**어떻게 전문가의 실무 경험과 퀀트의 논리를 AI 아키텍처 속에 더욱 정교하게 설계하여 가르칠 것인가**"가 진정한 알파를 결정짓는 승부처가 될 것이다.

## 출처 - Miyazaki, K., Kawahara, T., Roberts, S., & Zohren, S. (2026). _Toward Expert Investment Teams: A Multi-Agent LLM System with Fine-Grained Trading Tasks_. [arXiv:2602.23330](https://arxiv.org/abs/2602.23330) - Rasekhschaffe, K. C. (2026). _Generative AI for Stock Selection_. [arXiv:2602.00196](https://arxiv.org/abs/2602.00196)

이대훈