IPO-Mine: 길고 멀티모달(Multimodal)인 IPO 문서의 섹션 구조 분석을 위한 툴킷 및 데이터셋

기업 공개 (IPO) 신고서는 비상장 기업이 상장될 때 공개되는 문서로, 개인 (리테일) 투자자들이 해당 기업의 주식을 구매할 수 있게 합니다. 이러한 신고서는 기업의 사업, 재무 상태 및 리스크를 설명하며, 서술형 텍스트와 이미지가 포함된 길고 멀티모달 (Multimodal)인 문서입니다. 금융 시장에서 이들의 중요성에도 불구하고, 현대적인 언어 및 멀티모달 모델을 사용하여 IPO 신고서를 연구할 수 있는 대규모의 표준화된 데이터셋이나 벤치마크는 존재하지 않습니다. 이러한 문서들은 상당한 어려움을 안겨줍니다. 신고서는 빈번하게 500,000 토큰을 초과하며 일관된 구조적 조직이 부족합니다. 우리는 IPO 신고서를 표준화된 섹션 구조 텍스트와 추출된 이미지로 다운로드하고 파싱(Parsing)할 수 있는 오픈 소스 프레임워크인 IPO-Toolkit을 소개합니다. 이 툴킷은 신고서를 분할하고, 내장된 이미지를 추출하며, 길고 멀티모달인 문서에 대해 대규모의 재현 가능한 분석 워크플로우를 가능하게 하는 구조화된 출력을 생성합니다. 이 인프라를 사용하여, 우리는 1994년부터 2026년까지 109,000개 이상의 IPO 신고서 및 수정안을 다루고 76,000개 이상의 이미지를 포함하는 대규모의 섹션 구조화된 멀티모달 데이터셋인 IPO-Dataset을 구축합니다. 우리는 추출된 재무 차트를 대상으로 차트 품질 및 오도 가능성 평가를 포함한 구조화된 평가 과제를 설정합니다. 우리의 실험은 최첨단 멀티모달 모델들이 이러한 과제에서 전문가의 인간 판단과 자주 일치하지 않음을 보여주며, 길고 실제적인 규제 문서에 대한 멀티모달 추론에서의 정렬 (Alignment) 문제를 드러냅니다. 벤치마킹을 넘어, IPO-Dataset은 섹션 수준의 텍스트 변이와 시각적 및 텍스트 공시 관행에서의 산업 간 차이에 대한 대규모 분석을 가능하게 합니다. 우리의 코드, 데이터셋 및 웹사이트는 CC-BY-4.0 라이선스 하에 공개적으로 사용할 수 있습니다.