금융 뉴스가 단기 주가 변동을 안정적으로 예측할 수 있을까요? 거대 언어 모델 (Large Language Models, LLMs)의 발전에도 불구하고, 이 질문은 여전히 해결되지 않은 상태로 남아 있습니다. 우리는 제로샷 자연어 처리 (Zero-Shot Natural Language Processing, NLP) 프레임워크를 사용하여 이 문제를 재검토하며, 모델이 도메인 특화 학습 없이 금융 뉴스에서 실행 가능한 신호를 추출할 수 있는지 조사합니다. 우리는 제로샷 자연어 추론 (Zero-Shot Natural Language Inference, NLI)과 시간적 집계 (Temporal Aggregation)를 결합한 구조화된 파이프라인을 설계하였으며, 기사 전반에 걸쳐 정보를 통합할 때 최신성 (Recency) 및 이벤트 의존적 영향 지평 (Event-dependent impact horizons)을 명시적으로 모델링합니다. 높은 이해관계가 걸린 환경에서의 투명성 요구를 해결하기 위해, 우리는 예측을 토큰 수준 (Token-level), 기사 수준 (Article-level), 그리고 집계된 증거 (Aggregate evidence)와 연결하고 근거 있는 자연어 근거 (Natural language rationales)를 생성하는 다층적 설명 가능성 (Explainability) 프레임워크를 도입합니다. 여러 모델과 예측 지평에 걸쳐 실험한 결과, 제로샷 접근 방식은 단순한 베이스라인 (Baselines)보다 일관되게 성능이 떨어지는 것으로 나타났으며, 특히 하락 변동 (Negative movements)에 대해 매우 취약한 성능을 보였습니다. 이는 뉴스 감성 (News sentiment)을 단기 가격 역학 (Price dynamics)으로 매핑하는 데 있어 더 깊은 구조적 한계가 있음을 시사합니다. 그러나 설명 가능성 신호 (Explainability signals)는 신뢰할 수 있는 예측과 신뢰할 수 없는 예측을 안정적으로 구분해 내며, 정확도가 제한적인 상황에서도 실질적인 가치를 제공합니다. 이러한 발견은 제로샷 금융 NLP의 한계를 강조하며, 투명성과 불확실성 인식 (Uncertainty awareness)을 우선시하는 의사결정 지원 시스템으로의 전환을 촉구합니다. Code: https://github.com/alimert05/zero-shot-stock-xai