금융에도 머신러닝의 바람이 분다

한빛미디어

2022-01-11

by 하리옴 탓샛 외

15,312

"머신러닝은 금융을 큰 폭으로 뒤흔들 것이다." 2017년 이코노미스트에 등장한 말입니다. 현재 금융 시장에서 머신러닝과 데이터 분석이 새 물결을 일으키고 있습니다. 이와 관련된 활용은 향후 수십 년간 금융 산업을 변화시킬 것으로 보입니다.

헤지 펀드, 투자은행, 핀테크 회사 등 대부분의 금융회사가 앞다투어 머신러닝 기술에 투자하고 있으며, 이를 비즈니스에 적용하고 있습니다. 더 나아가, 금융기관에는 점점 더 많은 머신러닝 및 데이터 분석 전문가가 필요할 것으로 전망되기도 합니다.

현재와 미래의 금융 머신러닝

최근 들어 엄청난 데이터양과 저비용 처리속도 덕분에 금융 머신러닝 기술이 더 탁월해지면서 금융 분야에서 데이터 분석과 머신러닝의 활용 사례는 폭발적으로 증가하고 있습니다.

"금융 머신러닝의 성공은 효율적인 하부 구조의 구축, 적합한 툴의 사용, 올바른 알고리즘의 적용에 좌우된다."

그렇다면 금융에 머신러닝은 어떻게 적용되어 활용되고 있을까요? 현 시점에서 주목할 만한 금융 머신러닝의 활용을 살펴보려고 합니다.

알고리즘 트레이딩

알고리즘 트레이딩(혹은 알고 트레이딩)은 알고리즘을 사용해 스스로 트레이딩을 실행하는 것입니다. 1970년대로 거슬러 올라가면, 알고리즘 트레이딩(더 정확히 말해 자동화된 트레이딩 시스템)은 신속하고도 트레이딩을 결정하는 자동화된, 이미 짜인 트레이딩 명령어들의 수행에 불과했습니다.

머신러닝은 알고리즘 트레이딩을 새로운 차원으로 끌어올렸습니다. 더 발전된 전략을 실시간으로 적용해 채택할 수 있고, 머신러닝 기반 기술로 시장의 움직임을 포착하는 특별한 안목을 제공할 수 있습니다. 대부분의 헤지 펀드와 금융기관은 트레이딩을 위한 자사의 머신러닝 기반 접근법을 (합당한 이유로) 공개하지 않지만, 실시간 트레이딩을 결정하는 데 머신러닝의 역할이 점차 더 중요해지고 있는 것만은 분명합니다.

포트폴리오 관리와 로보 어드바이저

자산을 관리하는 회사는 투자 결정을 향상하기 위해 과거 데이터를 이용한 인공지능(AI) 해결책을 다방면에서 시도하고 있습니다.

한 예로 로보 어드바이저를 들 수 있습니다. 이는 알고리즘을 사용해 고객의 위험 감수 및 목표에 맞게 금융 포트폴리오를 조정하는 것입니다. 더 나아가 로보 어드바이저는 투자자와 고객에게 자동화된 재무 지침과 서비스까지 제공합니다.

예를 들어, 사용자는 저축예금 2억 8천만 원으로 65세에 은퇴한다는 조건을 입력하고, 연령, 소득, 현재 자산을 추가 입력합니다. 그러면 어드바이저가 고객의 목표에 맞게 자산 목록과 금융 도구에 맞춰 투자를 배분합니다. 그다음 시스템은 고객의 목표를 가장 잘 달성할 방법을 찾기 위해 고객의 목표와 시장의 실시간 변동에 맞춰 조정해 나갑니다.

이처럼 로보 어드바이저는 투자를 조언해 줄 사람이 필요하지 않은 고객에게 큰 호응을 얻고 있습니다.

이상 거래 탐지

사기는 금융기관에 중차대한 문제가 되는데, 바로 이 점이 금융 머신러닝 탐지가 필요한 주된 이유가 됩니다.

데이터 처리속도의 향상, 빈번한 인터넷 사용, 온라인에 저장하는 회사 데이터양의 급증에 따라 데이터 보안 위험도 높아지고 있는데요. 이전의 금융 사기 탐지 시스템이 복잡하고 고정화된 규칙에 기반해 작동했다면, 현대의 탐지 시스템은 위험 요소 확인을 넘어 새로운 잠재적(혹은 실제) 보안 위협을 학습하고 조정해 나갑니다.

머신러닝은 태생적으로 금융 거래 사기를 방지하는 데 이상적입니다. 머신러닝 시스템은 막대한 양의 데이터를 읽고 이상 행동을 탐지해 바로 알려 주기 때문이죠. 보안을 뚫을 수 있는 수많은 방법이 있음을 생각해 볼 때 조만간 진정한 머신러닝 시스템의 활용은 절대적으로 필요해질 것입니다.

대출/신용카드/보험 계약 심사

계약 심사(underwriting)는 금융 머신러닝에 딱 맞는 일입니다. 실제로 오늘날 수행되고 있는 많은 계약 심사 업무는 머신러닝으로 대체될 수 있다는 점에서 산업계의 우려가 높습니다.

특히 대형 은행과 보험사 같은 많은 회사에서 엄청난 양의 고객 데이터와 금융 대출 혹은 보험 심사 결과, 가령 채무 불이행 결과를 가지고 머신러닝 알고리즘을 훈련할 수 있습니다.

알고리즘으로 금융의 저변 기류를 평가해 향후 계약 심사 위험 및 대출에 영향을 미칠 추세를 지속적으로 분석할 수 있습니다. 알고리즘은 알맞은 데이터 기록을 찾고, 예외사항을 확인하며, 지원자의 신용도나 보험상품 자격 여부 계산과 같은 자동화된 업무를 수행할 수 있습니다.

자동화와 챗봇

자동화는 금융에 알맞은 시스템입니다. 노동자는 부가가치가 낮으며 단순하고 반복적인 업무의 수고를 덜고 되풀이되는 일상의 작업을 해결해 부가가치가 높은 업무에 시간을 할애함으로써 많은 시간과 비용을 절약하게 됩니다.

자동화와 결합된 머신러닝과 인공지능은 노동자를 또 다른 차원에서 지원합니다. 관련 데이터의 접근을 통해 어려운 결정을 해야 하는 금융팀에 심도 있는 데이터 분석을 제공하며, 일부 사례에서는 노동자가 승인하고 법제화하는 최상의 절차를 추천하기도 합니다.

금융 영역에서 인공지능과 자동화는 오류를 알아차리도록 학습되어 오류 감지 후 해결에 이르기까지 발생하는 시간의 소모를 줄여 줍니다. 따라서 종래에 지연되던 보고서 제출이 신속하게 이뤄지고 업무 수행 중 오류가 줄게 됩니다.

인공지능 챗봇은 금융 및 은행의 고객 지원 업무에 활용되며, 이들 사업에서 실시간 채팅 앱이 활성화되면서 챗봇도 진화하고 있습니다.

위험 관리

머신러닝 기술은 위험을 관리하는 접근법을 바꾸고 있습니다. 머신러닝이 주도하는 해결책이 진보하면서 위험을 이해하고 제어하는 양상이 혁신적으로 변하고 있는 셈이죠.

가령 은행이 고객에게 대출해 줄 금액을 결정하는 일부터 절차를 준수하고 위험을 줄이는 일까지 광범한 변화가 일고 있습니다.

자산 가치 예측

자산 가치 예측은 금융에서 자주 논의되는 가장 복잡한 영역입니다.

자산 가치를 예측한다는 것은 시장을 이끄는 요소를 이해하고 자산의 흐름을 내다본다는 것인데요. 종래에 자산 가치 예측은 과거 금융 보고서와 시장의 흐름을 분석해 특정한 증권 혹은 자산군이 어느 위치에 놓일 것인지를 판단할 뿐이었습니다. 하지만 금융 데이터양의 폭발적 증가로 종래의 데이터 분석과 주식 선택 전략은 머신러닝 기술로 보완되고 있습니다.

파생 상품 가격 책정

최근 머신러닝의 성공과 빠른 주기의 혁신을 보건대 파생 상품 가격 책정을 위한 머신러닝은 향후 수년 내에 폭넓게 활용될 것입니다. 블랙숄즈(Black-Sholes) 모델, 변동성 모델, 엑셀 스프레시트 모델 등의 세계는 머신러닝의 고도화된 방법을 즉각 사용할 수 있게 됨에 따라 점차 시들해질 것입니다.

전형적인 파생 상품 가격 책정 모델은 몇 가지 비현실적인 가정을 바탕으로 합니다. 그 가정은 중요한 입력 데이터(행사 가격, 만기, 옵션 형태)와 시장에서 관찰되는 파생상품 가격의 경험적 관계를 결정짓습니다. 그러나 머신러닝을 이용한 방법은 가정에 의존하지 않고, 입력 데이터와 가격 간의 함수를 예측해 모델의 결과와 예상 결과의 차이를 최소화합니다.

최신 머신러닝 도구를 사용해 적용 시간을 단축하는 것은 파생 상품 가격 책정에 머신러닝 활용을 가속화하는 장점 중 하나입니다.

감정 분석

감정 분석은 방대한 양의 비정형적 데이터인 비디오, 온라인 기록물, 사진, 오디오 파일, 소셜미디어 댓글, 뉴스 기사, 비즈니스 서류 등을 읽고, 시장의 긍정성과 부정성을 판단하는 것입니다. 감정 분석은 오늘날 다양한 비즈니스에서 필수이며 금융 머신러닝의 우수한 활용 예입니다.

금융에서 가장 일반적으로 사용되는 감정 분석은 금융 뉴스의 분석, 특히 시장의 움직임과 가능한 추세를 예측하는 것입니다. 주식시장은 사람과 관련된 수많은 요소에 반응해 움직이므로 머신러닝이 새로운 추세를 발견하고 신호를 알려 줌으로써 금융 활동에 대한 사람들의 직관을 모사하고 발전시켜 가기를 기대합니다.

하지만 머신러닝을 이용한 미래의 응용 다수는 소셜미디어, 뉴스 동향, 그리고 시장의 변화에 대한 소비자의 감정을 예측하기 위해 그 외 데이터 출처를 이해하는 데 집중할 것이며, 이는 단지 주가와 거래를 예측하는 일에만 국한되지 않을 것으로 보입니다.

거래 결제

거래 결제는 증권을 사는 사람의 계좌에, 현금을 파는 사람의 계좌에 각각 전달되는 금융 자산이 이동하는 과정입니다. 거래의 대부분이 자동으로 결제되지만, 약 30%는 사람이 직접 관여해 결제가 성사됩니다.

머신러닝은 성사되지 못한 거래를 찾을 뿐만 아니라, 거래가 왜 중단되었는지를 분석하고 해결책을 제시하며 어떤 거래가 실패할지 예측할 수도 있습니다. 사람이 해결하면 5분에서 10분 걸리는 일을 머신러닝은 단 몇 초 만에 끝낼 수 있습니다.

돈세탁 방지

유엔 보고서의 추산에 따르면 매년 세탁되는 자금이 세계 국내총생산(GDP)의 2%에서 5%에 이릅니다. 머신러닝 기술은 돈세탁 징후를 감지하기 위해 소비자의 광범한 네트워크에서 나오는 내부 및 외부의 거래 데이터를 분석할 수 있습니다.

여기까지 현재 그리고 미래에 금융 머신러닝이 활용되고 활용될 수 있는 11개 분야를 살펴봤습니다.

이 글은 <금융 전략을 위한 머신러닝> 도서 내용 일부를 발췌 편집하여 작성한 글입니다. <금융 전략을 위한 머신러닝>에서는 앞서 살펴본 금융 머신러닝 사례들을 포함해 주가 예측, 수익률 곡선 예측, 비트코인 거래 등과 연관된 19가지 실전 문제를 7단계 문제 접근방법으로 살펴봅니다. 템플릿 기반으로 보다 쉽고 체계적으로 금융 머신러닝의 구조를 이해하고 간단한 모델을 만들어 볼 수 있습니다. 도서에 대한 보다 자세한 내용은 하기 링크를 통해 만나보세요.