예측 모델 (Predictive Models), 최적화 (Optimization), 생성형 AI (Generative AI), 그리고 에이전트 (Agents)

투자 회사들은 이제 여러 가지 뚜렷한 AI 접근 방식을 사용할 수 있으며, 이를 서로 교체 가능한 것으로 취급하는 것은 잘못된 아키텍처 (Architecture)를 만듭니다. 수익률 예측 모델 (Return-forecasting model), 포트폴리오 최적화 도구 (Portfolio optimizer), 언어 모델 (Language model), 그리고 자율 에이전트 (Autonomous agent)는 서로 다른 문제를 해결합니다. 이들 중 무엇을 선택할지는 지원하려는 의사결정, 사용 가능한 데이터, 그리고 오류의 결과에 따라 달라져야 합니다.

AI portfolio models

투자 관리에서의 AI (AI In Investment Management)라는 광범위한 분야는 계량적 예측 (Quantitative prediction), 제약 조건 최적화 (Constrained optimization), 자연어 생성 (Natural-language generation), 그리고 도구 사용 에이전트 (Tool-using agents)를 아우릅니다. 각 접근 방식은 워크플로 (Workflow)를 개선할 수 있지만, 각각 모델 리스크 (Model risk), 설명 가능성 요구사항 (Explainability requirements), 지연 시간 (Latency), 그리고 제어 복잡성 (Control complexity)의 서로 다른 조합을 도입합니다.

예측 머신러닝 (Predictive Machine Learning)

예측 모델 (Predictive models)은 과거 데이터로부터 값이나 확률을 추정합니다. 투자 리서치 팀은 이를 증권 순위 산정 (Security ranking), 수익 예측 (Earnings forecasts), 변동성 추정 (Volatility estimates), 그리고 채무 불이행 확률 (Default probabilities)에 사용합니다. 트레이딩 팀은 체결 확률 (Fill probability), 스프레드 움직임 (Spread movement), 또는 시장 충격 (Market impact)을 예측할 수 있으며, 사후 거래 (Post-trade) 팀은 결제 실패 리스크 (Settlement-fail risk)를 추정할 수 있습니다.

장점으로는 반복 가능한 스코어링 (Repeatable scoring), 측정 가능한 표본 외 성능 (Measurable out-of-sample performance), 그리고 기존 리서치 파이프라인 (Research pipelines)으로의 비교적 명확한 통합 등이 있습니다. 그러나 이러한 모델들은 체제 변화 (Regime changes), 레이블 누수 (Label leakage), 그리고 불안정한 피처 (Unstable features)에 민감합니다. 매력적인 페이퍼 알파 (Paper alpha)를 가진 신호라도 회전율 (Turnover), 유동성 제한 (Liquidity limits), 그리고 거래 비용 (Transaction costs)이 반영된 후에는 사라질 수 있습니다.

예측 모델은 출력이 잘 정의되어 있고 충분한 과거 사례가 존재할 때 매우 적합합니다. 긴 문서를 합성하거나 여러 시스템을 조정해야 하는 작업에는 효과가 떨어집니다.

제약 조건 최적화 (Constrained Optimization)

포트폴리오 구성 (Portfolio construction)은 예측 (prediction)과는 근본적으로 다릅니다. 최적화 도구 (optimizer)는 기대 수익률 (expected returns), 리스크 추정치 (risk estimates), 그리고 제약 조건 (constraints)을 포트폴리오 비중 (portfolio weights) 또는 거래 (trades)로 변환합니다. 이는 알파 (alpha)와 추적 오차 (tracking error), VaR (Value at Risk), 세금 영향 (tax impact), 회전율 (turnover), 유동성 (liquidity), 그리고 위임 제한 사항 (mandate restrictions) 사이의 균형을 맞출 수 있습니다.

이 방식의 장점은 명시적인 제어 (explicit control)입니다. 포트폴리오 매니저는 목적 함수 (objective function)와 제약 조건을 직접 확인할 수 있습니다. 또한 최적화는 수천 개의 계좌가 서로 다른 세금 로트 (tax lots)와 제한 사항을 가질 수 있는 모델 포트폴리오 리밸런싱 (model portfolio rebalancing) 및 세금 손실 확정 (tax-loss harvesting) 작업에도 적합합니다.

단점은 입력값에 대한 민감도 (sensitivity to inputs)입니다. 기대 수익률의 작은 변화가 불안정한 자산 배분 (allocations)을 초래할 수 있으며, 수학적으로 유효한 솔루션이 신뢰할 수 없는 예측에 집중될 수도 있습니다. 따라서 강건한 제약 조건 (robust constraints), 수축 (shrinkage), 시나리오 테스트 (scenario testing), 그리고 포트폴리오 매니저의 검토가 여전히 필수적입니다. '투자 관리에서의 AI (AI In Investment Management)' 관점에서 볼 때, 최적화는 불투명한 서사적 출력 (opaque narrative output)보다는 검증된 신호 (validated signals)를 소비해야 합니다.

생성형 모델 (Generative Models)

생성형 모델 (Generative models)은 비정형 정보 (unstructured information)를 처리하는 데 탁월합니다. 실적 발표 컨퍼런스 콜 (earnings calls)을 요약하고, 리서치 보고서를 비교하며, 성과 기여도 (performance-attribution) 해설 초안을 작성하고, 적합성 검토 (suitability-review) 노트를 준비하며, 거래 비용 분석 (TCA, transaction-cost analysis) 결과를 설명할 수 있습니다. 투자 및 자산 관리 워크플로우에는 구조화된 시장 및 포트폴리오 데이터와 함께 방대한 양의 텍스트가 포함되어 있기 때문에 이는 매우 가치 있는 기능입니다.

주된 장점은 유연한 언어 상호작용 (language interaction)입니다. 애널리스트는 승인된 공시 자료와 내부 리서치를 대상으로 질문을 던질 수 있고, 어드바이저는 고객 미팅 전에 간결한 계좌 브리핑을 받을 수 있습니다. 단점으로는 근거 없는 진술 (unsupported statements), 일관성 없는 계산 (inconsistent calculations), 그리고 검색 품질 (retrieval quality)에 대한 민감도가 있습니다.

생성형 모델은 기록 시스템 (system of record)이나 계산 엔진 (calculation engine)이 되어서는 안 됩니다. 대신 권한이 있는 출처로부터 정보를 검색하고, 증거를 인용하며, 순자산가치 (NAV, net asset value), 익스포저 (exposure), 성과 (performance), 그리고 리스크 계산을 위해 결정론적 서비스 (deterministic services)를 호출해야 합니다.

도구 사용 에이전트 (Tool-Using Agents)

에이전트 (Agents)는 오케스트레이션 (orchestration) 기능을 추가합니다. 에이전트는 단일 응답을 생성하는 대신, 단계별 계획을 세우고, 승인된 도구 (tools)를 쿼리하며, 결과를 확인하고, 승인을 위해 케이스를 라우팅 (routing)할 수 있습니다. 최선 집행 (best-execution) 에이전트는 주문 및 집행 기록을 수집하고, 벤치마크 계산을 요청하며, 베이시스 포인트 (basis points) 상의 이상치를 식별하고, 검토 패키지를 준비할 수 있습니다.

이러한 접근 방식은 주문 관리 시스템 (OMS), 집행 관리 시스템 (EMS), 감시 플랫폼 (surveillance platform), 그리고 케이스 관리 큐 (case-management queue)를 가로지르는 워크플로우 (workflows)에 유용합니다. 숙련된 AI 에이전트 개발 제공업체는 이러한 다단계 프로세스를 위해 제약된 도구 스키마 (tool schemas), 상태 관리 (state management), 승인 게이트 (approval gates), 그리고 감사 추적 (audit trails)을 구축하는 데 도움을 줄 수 있습니다.

에이전트는 가장 큰 워크플로우 유연성을 제공하지만, 동시에 가장 넓은 제어 표면 (control surface)을 생성합니다. 도구 권한 (tool permissions), 재시도 동작 (retry behavior), 부분적 실패 (partial failures), 그리고 작업 권한 부여 (action authorization)는 명시적으로 설계되어야 합니다. 모델은 단지 자신의 내러티브 (narrative)가 해당 작업이 안전하다고 말한다는 이유만으로 주문을 라우팅하거나, 제한 사항을 변경하거나, 감시 알림 (surveillance alert)을 종료할 수 있어서는 안 됩니다.

하이브리드 아키텍처 (Hybrid Architecture) 선택하기

대부분의 프로덕션 시스템 (production systems)은 이러한 접근 방식들을 결합합니다:

• 예측 모델 (Predictive models)은 수익률, 리스크, 비용 또는 예외 확률을 추정합니다.
• 최적화 도구 (Optimizers)는 예측과 제약 조건을 후보 포트폴리오 또는 거래로 변환합니다.
• 생성형 모델 (Generative models)은 근거를 설명하고 인간의 검토를 지원합니다.
• 에이전트 (Agents)는 권한이 부여된 시스템 전반에서 제한된 단계들을 조정 (coordinate)합니다.

이러한 하이브리드 설계는 실제 투자 라이프사이클 (investment lifecycle)에 부합합니다. 예를 들어, 리밸런싱 (rebalance)은 예측된 리스크 추정치로 시작하여, 최적화를 통해 거래를 제안하고, 결정론적 사전 거래 컴플라이언스 (deterministic pre-trade compliance)를 적용하며, 생성형 모델을 사용하여 어드바이저 (advisor)에게 변경 사항을 설명하는 방식으로 진행될 수 있습니다. 인간의 승인은 관련 수탁 의무 (fiduciary) 및 적합성 (suitability) 결정에 계속 결합되어 있습니다.

적절한 평가 방식 또한 달라집니다. 예측 모델 (Predictive models)은 표본 외 지표 (out-of-sample metrics)가 필요하며, 최적화 도구 (optimizers)는 포트폴리오 결과와 안정성 테스트 (stability tests)가 필요합니다. 생성형 시스템 (generative systems)은 사실성 (factuality) 및 인용 확인 (citation checks)이 필요하며, 에이전트 (agents)는 작업 완료 (task-completion), 권한 (permission), 그리고 복구 테스트 (recovery tests)가 필요합니다. 따라서 투자 관리에서의 AI는 단일 모델 이니셔티브 (single-model initiative)라기보다 아키텍처 포트폴리오 (architecture portfolio)로 다루는 것이 더 적절합니다.

결론

어떤 접근 방식도 모든 유스케이스 (use case)에서 승리할 수는 없습니다. 예측 모델은 스코어링 (scoring)에 탁월하고, 최적화는 제약 조건이 있는 배분 (constrained allocation)을 처리하며, 생성형 모델은 언어를 합성하고, 에이전트는 제어된 워크플로우 (workflows)를 조정합니다. 기업은 기술이 가장 최신이라는 이유가 아니라, 결정의 종류와 그에 따른 리스크에 따라 이들을 결합해야 합니다. 생성형 AI 투자 솔루션 (Generative AI Investment Solutions)은 정량적 모델 (quantitative models), 신뢰할 수 있는 계산, 그리고 확립된 투자 통제 수단 (investment controls)을 보완할 때 가장 효과적입니다.