AI는 개인 투자자에게 가장 중요한 의미에서 주식을 분석할 수 있습니다. AI는 사람이 시간 내에 다 읽을 수 없는 훨씬 더 많은 자료—공시(filings), 회의록(transcripts), 뉴스, 공개 정보(disclosures)—를 읽고, 이를 알려진 사실에 대한 읽기 쉬운 요약본으로 압축합니다. AI는 가격을 예측할 수 없으며, 그렇지 않다고 암시하는 모든 도구는 분석이 아닌 확신을 팔고 있는 것입니다. AI 주식 분석 도구의 올바른 테스트 기준은 그 예측이 맞느냐가 아니라, 증거를 보여주는지, 주장에 날짜를 명시하는지, 그리고 증거가 엇갈릴 때 이를 알려주는지 여부입니다.

질문 뒤에 숨겨진 질문

"AI가 주식을 분석할 수 있는가"라는 질문은 대개 "AI가 무엇을 사야 할지 알려줄 수 있는가"라는 질문으로 던져집니다. 이 둘은 서로 다른 질문이며, 이 둘을 혼동하는 것이 설계된 대로 정확히 작동하고 있는 도구에 대해 사람들이 실망하게 되는 이유입니다.

분석(Analysis)은 증거를 수집하고 이를 읽기 쉽게 만드는 과정입니다. 예측(Prediction)은 다음에 무슨 일이 일어날지 안다고 주장하는 것입니다. AI는 첫 번째 작업에는 진정으로 뛰어나지만, 구조적으로 두 번째 작업은 불가능합니다. 다른 모든 사람도 마찬가지입니다. 차이점은 AI는 추가 비용 없이도 매우 확신에 찬 것처럼 '들리게' 만들 수 있다는 것이며, 이것이 바로 위험 요소입니다.

AI가 잘하는 것

읽기 양(Reading volume). 이것이 진정한 강점이며 결코 작지 않은 이점입니다. 단 하나의 10-K(연례 보고서)만 해도 200페이지에 달합니다. 여기에 최근 4번의 실적 발표 회의록(earnings-call transcripts), 분기별 뉴스 보도, 내부자 공시(insider filings), 기관 소유권 변동 사항을 추가하면 한 기업을 철저히 검토하는 데만 꼬박 하루가 걸립니다. 관찰 대상(watchlist)이 30개라고 가정하면 어떤 개인 투자자도 이를 수행할 수 없습니다. 모델은 이 읽기 작업을 단 몇 분 만에 수행합니다.

일관성 (Consistency). 금요일 오후의 인간 분석가는 화요일 오전의 분석가와 동일하지 않습니다. 그들은 이미 자신이 선호하는 기업이나 최근에 들은 내러티브 (narrative)에 더 큰 영향을 받습니다. 반면 모델은 첫 번째 기업에 적용한 것과 동일한 프로세스를 서른 번째 기업에도 적용합니다. 이것이 반드시 정답을 의미하는 것은 아닙니다. 일관된 프로세스가 일관되게 틀릴 수도 있기 때문입니다. 하지만 일관성은 여러 종목 간에 결과를 비교 가능하게(comparable) 만드는 요소이며, 비교 가능성은 스크리닝 (screening) 프로세스에 가장 필요한 핵심 요소입니다.

번역 (Translation). 재무 공시는 규제 기관을 위해 변호사들이 작성합니다. "회사는 2021년 인수로 인해 발생한 영업권과 관련된 비현금성 손상차손을 기록했습니다"라는 문장을 "그들은 2021년에 인수한 기업에 과도한 비용을 지불했으며 이제 이를 인정했습니다"로 바꾸는 것은 진정으로 유용한 작업이며, 언어 모델 (language models)은 이를 잘 수행합니다.

모순점 발견 (Finding the tension). 종종 가장 가치 있는 결과물은 결론이 아니라 모순입니다. 예를 들어, 컨퍼런스 콜에서 경영진의 어조는 자신만만하지만, 리스크 요인 (risk-factor) 관련 문구는 조용히 변경되었고, 내부자 3명이 주식을 매도했으며, 마진 (margin)이 하락한 경우입니다. 단 하나의 항목만으로는 결정적이지 않습니다. 하지만 이러한 패턴은 주목할 가치가 있으며, 이를 표면화하는 작업은 사람에게는 지루하지만 모델에게는 저렴하게 수행할 수 있는 전형적인 문서 간 교차 작업 (cross-document work)입니다.

AI가 잘하지 못하는 것

가격 예측 (Predicting prices). 이 점은 명확하게 다시 언급할 가치가 있습니다. 주가는 더 나은 데이터, 더 빠른 실행력, 그리고 수억 달러의 연구 예산을 보유한 기업들을 포함하여 모든 참여자의 집합된 기대치를 반영합니다. 개인 투자자용 모델은 그들에 비해 정보 우위 (informational edge)를 점하지 못합니다. 헤지펀드 (hedge fund) 역시 대부분의 경우 마찬가지입니다. 가격 목표를 여러 시나리오 중 하나가 아닌 하나의 예측값으로 제시하는 것은, 해당 도구가 정확도 (accuracy)보다는 확신 (confidence)을 최적화하고 있다는 가장 명확한 신호입니다.

자신이 무엇을 모르는지 아는 것. 이는 언어 모델 (Language Models)의 전형적인 실패 사례이며, 금융 분야에서는 매우 심각한 문제입니다. 모델에게 자신이 가지고 있지 않은 지표에 대해 물으면, 답변을 거부하기보다 그럴듯한 숫자를 만들어내는 경우가 많습니다. 구체성이 핵심인 영역에서, 유창한 날조 (fabrication)는 침묵보다 더 나쁩니다. 이에 대한 완화 방법은 대화 기술이 아닌 구조적 (architectural) 접근에 있습니다. 즉, 모델이 사실을 회상 (recalling)하기보다는 검색된 문서들을 요약하도록 제한하고, 숫자는 모델 외부에서 결정론적 (deterministically)으로 계산해야 합니다.

새로움을 판단하는 것. 모델은 과거로부터 패턴을 학습합니다. 전례 없는 규제 체제나 비즈니스 모델을 무효화하는 기술적 변화와 같이 진정으로 새로운 상황은, 패턴 매칭 (pattern-matching)이 가장 신뢰하기 어렵고 이해관계 (stakes)가 가장 높은 지점입니다.

중요한 것을 가려내는 것. 모델은 12가지의 관련 요인을 나열할 수 있습니다. 하지만 그중 실제로 결과를 결정짓는 3가지가 무엇인지 결정하는 것은 판단 (judgment)의 영역이며, 판단은 여전히 인간, 특히 해당 산업을 잘 아는 인간이 우위를 점하고 있는 영역입니다.

AI 주식 분석 도구를 평가하는 방법

본능적으로 정확도 (accuracy)에 대해 묻게 됩니다. 하지만 그 질문은 답하기가 매우 어렵습니다. 어느 기간 동안, 어떤 벤치마크 (benchmark)를 기준으로, 어떤 유니버스 (universe)를 대상으로, 그리고 얼마나 많은 조용한 수정 과정을 거쳤는지에 따라 달라지기 때문입니다. 대신 다음과 같은 질문들이 더 진단적입니다:

근거를 제시하는가? 모든 중요한 주장 (claim)은 사용자가 직접 열어볼 수 있는 출처로 추적 가능해야 합니다. "매출 성장세가 둔화되고 있다"는 것은 단지 주장 (assertion)일 뿐입니다. 반면 "지난 3분기 동안 매출 성장률이 전년 대비 24%에서 11%로 하락했다 (FY26 3분기 10-Q)"는 확인 가능한 주장 (claim)입니다.

날짜가 명시되어 있는가? 시장 분석의 유효 기간은 몇 주 단위로 측정됩니다. 날짜가 없는 분석은 분석이 아니라, 그저 하나의 문서일 뿐입니다.

증거가 모호하다고 명시하는가? 모든 기업에 대해 깔끔한 결론을 내리는 도구는 기업을 분석하고 있는 것이 아닙니다. 실제 증거는 빈번하게 모호하며, 모호함을 전혀 보고하지 않는 시스템은 발견된 사실을 보고하기보다는 확신을 만들어내도록 설계된 것입니다. 진정으로 불분명한 상황에 대한 정직한 출력값은 no trade(거래 없음)입니다.

무엇이 자신의 생각을 바꿀지 명시하는가? invalidation(무효화) 조건이 없는 결론은 모니터링할 수 없습니다. 이것이 의견 (opinion)과 테제 (thesis)의 차이입니다.

숫자가 계산된 것인가, 생성된 것인가? 재무 지표가 소스 데이터로부터 결정론적 (deterministically)으로 계산된 것인지, 아니면 언어 모델 (language model)에 의해 생성된 것인지 물으십시오. 전자는 산술 (arithmetic)이며, 후자는 그럴듯하게 들리는 추측입니다. 이것이 진지한 도구와 단순한 래퍼 (wrapper)를 구분할 가능성이 가장 높은 질문입니다.

분석에 버전을 부여하는가? 기업의 상황은 변합니다. 이전의 관점을 덮어쓰고 기록을 남기지 않는 도구는 책임을 물을 수도 없고, 배울 수도 없는 도구입니다. (Analysis versions(분석 버전)와 hypothetical performance(가상 성과)는 Synoptiv가 해당 기록을 유지하는 방식이며, methodology(방법론)는 무엇이 계산되고 무엇이 작성되는지를 설명합니다.)

이것이 개인 투자자에게 남기는 시사점

주식 분석에서 AI의 현실적인 역할은 모든 것을 읽은 연구 보조원 (research assistant)이지, 신탁 (oracle)이 아닙니다.

그러한 프레임워크가 올바른 기대치를 설정해 줍니다. 당신은 연구 보조원에게 다음 분기의 가격을 예측하라고 요구하지 않을 것이며, 무엇을 읽었는지 묻지 않고서는 "기업의 입지가 좋다"라는 말을 받아들이지 않을 것입니다. 당신은 하루치 읽을거리를 20분 분량의 브리핑으로 압축하는 데 AI를 활용할 것이고, 그다음의 사고는 당신이 직접 할 것입니다.

이것이 포함된 프레임워크를 알고 싶다면, 주식을 매수하기 전에 분석하는 방법에서 인간이든 기계든 분석가가 답해야 하는 6가지 질문을 제시하고 있습니다.

피해야 할 실패 모드(failure mode)는 미묘합니다. '읽기(reading)'를 위임하는 것은 명확한 이득입니다. 하지만 '확신(conviction)'을 위임하는 것은 기존의 문제를 새로운 형태로 반복하는 것입니다. 즉, 스스로 검증할 수 없는 결론에 따라 행동하게 되는 것이며, 여기에 더해 그 결론이 이제는 자신감 넘치고 잘 정돈된 문체로 전달된다는 위험 요소가 추가됩니다.

AI 분석의 가치는 그 출처와 정직함의 가치와 같습니다. AI가 상황이 불분명하다고 말할 때, 그것은 도구가 실패한 것이 아닙니다. 그것은 대개 AI가 하루 종일 내뱉는 말 중 가장 정확한 내용일 것입니다.

일반적인 질문들

AI가 주가를 예측할 수 있을까요?

아니요, 다른 그 어떤 것도 할 수 없습니다. 가격은 더 나은 데이터, 더 빠른 인프라, 그리고 그 어떤 개인용 도구보다 큰 연구 예산을 가진 기관들을 포함하여, 거래하는 모든 사람의 집합적인 기대치를 반영합니다. 모델은 현재 알려진 내용과 결과의 범위가 어떠한지는 설명할 수 있습니다. 가격 예측을 신뢰할 수 있는 전망(forecast)으로 제시하는 모든 제품은 자신이 무엇을 하는지 왜곡하고 있는 것입니다.

AI 주식 분석은 신뢰할 수 있나요?

합성(synthesis)에는 신뢰할 수 있지만, 판단(judgment)에는 신뢰할 수 없습니다. 언어 모델(Language models)은 많은 문서를 읽고 그 내용을 추출하는 데 강력하지만, 불확실한 내용을 유창하고 자신감 있게 말하는 경향이 있습니다. 따라서 AI 분석이 출처를 인용하는지, 주장에 날짜를 명시하는지, 그리고 상충하는 증거를 인정하는지 등 분석의 제시 방식이 그 분석이 도달한 결론보다 더 중요합니다.

AI 주식 분석의 주요 실패 모드는 무엇인가요?

네 가지가 반복됩니다. 첫째, 최신 데이터인 것처럼 제시되는 오래된 데이터(stale data); 둘째, 그럴듯하게 읽히지만 출처에는 존재하지 않는 숫자나 인용구 같은 조작된 세부 사항(fabricated specifics); 셋째, 진정으로 모호한 증거를 깔끔한 판결로 제시하는 거짓된 자신감(false confidence); 마지막으로, 미래 데이터를 예측하지 못한 채 과거 데이터에만 맞춰진 생존 편향된 백테스트(survivorship-flattered backtests)입니다.

직접 조사하는 대신 AI를 사용해야 할까요?

결정을 내리는 용도가 아닌, 읽는 용도로 사용하세요. AI 분석은 문서가 무엇을 말하고 있는지, 그리고 의견이 엇갈리는 지점이 어디인지를 알려주는 시작점으로서 가장 가치가 있습니다. 이를 통해 여러분의 시간은 정보 검색(retrieval)이 아닌 판단(judgment)에 쓰일 수 있습니다. 결정 자체를 위임하는 것은 원래의 문제, 즉 스스로 검증할 수 없는 결론에 따라 행동하는 문제를 재현할 뿐입니다.

원문은 synoptiv.com에 게시되었습니다. Synoptiv는 개인 투자자를 위해 버전별로 관리되는 AI 보조 미국 주식 분석을 발행합니다. 이는 하나의 결론(verdict), 그 근거(reasoning), 그리고 우리의 판단을 바꿀 수 있는 조건들을 다룹니다. 투자 조언이 아닌, 분석과 교육을 목적으로 합니다.