[전문가기고] 4차 산업혁명 시대의 자산운용 이야~~

4차 산업 혁명 시대의 자산 운용:글로벌 자산 운용 업계의 인공 지능 활용 동향 ​

>

이 글은 국한투자공사 최원혁 이사의 기고를 받아 작성되었습니다.​

인공 지능(AI)라는 단어는 키위, 이전부터 중요한 기술 연구 분야에서 언급되어 왔지만 현재와 함께 폭발적으로 관심이 증가한 것은 최신 1임.20의 하나 연 IBM의 인공 지능 왓슨(Watson)은 믹크의 유명한 퀴즈 쇼'Jeopardy'의 역대 우승자들을 제치고 대중의 주목을 받고, 20하나 6년 구글 디프마잉도우이 개발한 알 빠코(Alphago)은 세계 정상급의 바둑 기사인 이세돌 9단과의 대국에서 4승 일패로 승리하고 세계를 놀라게 했다. 역시 20하나 7년 이 회사가 자율 주행 기술을 발표하고 인공 지능 기술의 폭발적 성장과 무한한 기회에 대한 사회적 관심이 급증했다.인공지능(Aritificial Intelligence, AI)이란 인간과 같은 지적 능력과 자율학습 능력을 나타내는 기계의 능력을 의미한다. 적응적인 예측 능력과 자율 학습 능력을 통해서 인간의 능력을 획기적으로 개선시킬 수 있는 1줄의 기술을 통칭하는 것도 있다. 인공지능은 특히 패턴 인식, 미래의 이벤트 예상, 적절한 룰 및 기준 수립, 의사결정 개선, 커뮤니케이션 방식 개선에 있어서 높은 수준의 능력을 발휘한다. 이러한 인공지능 기술을 활용해 각 주체는 새로운 가치를 창출해 기존 운용 모델을 재편할 수 있다.

"4차 산업 혁명(Industry 4.0)"은 20하나 6년 한월 스위스 다보스 포럼에서 문제화되면서 세계의 관심을 끌었고 역시 알 빠코 대국을 계기로 사회적 관심이 증가했다. 산업 혁명의 역사를 보면 하나 8세기의 증기 터빈 기관 기반의 기계화 혁명인 일차 산업 혁명, 하나 9세기 말 전기 에그 땅 기반의 대량 생산 혁명인 2차 산업 혁명, 20세기 후반 컴퓨터와 인터넷 기반의 지식 정보 혁명이다 3차 산업 혁명이 있었다. 이어 빅 데이터, 사물 인터넷(IoT)인공 지능 등 사이버 물리 시스템 기반의 만물 쵸지눙 혁명인 4차 산업 혁명이 대두되고 있다. 모든 것이 네트워크로 연결되어, 모든 것이 빅 데이터로서 보존되어 있다. 이를 기반으로 인공지능 및 데이터 과학기술이 학습하고 판단을 내리는 시대로 접어들고 있다.​ 4차 산업 혁명의 시대에서는 모든 산업이 데이터 카웅데우에 산업을 재구성하고 시대와 소비자 니즈에 맞추어 청천 하승진은 자가 이미 나의 가게는 것이었다. 축적된 지식, 암기하는 지식은 죽은 지식인 반면 인공지능에 의해 재해석되어 가공되는 지식의 양이 거의 매일 나올 것이다. 이러한 지식을 활용하는 것이 인간의 영역이 될 것으로 예상한다. 즉, 인간이 보여줄 수 있는 협동하고 창의적으로 소견하는 능력, 스스로 문제를 발굴하고 해결하는 능력, 기계를 활용하는 능력이 더 중요해질 것이다. 4차 산업 혁명은 인공 지능에 의한 자동화 연결성이 극대화하는 산업 환경의 청천 인 만큼, 인공 지능이 그 안에 있다고 해도 과언이 아닌 것이었다.

글로벌 자산운용업계는 다양한 산업 문제에 직면하여 많은 변천이 요구되는 상황이었다 자본수익률의 변동성 확대에 의해 계속적으로 알파(Alpha[일])를 창출하는 매니저의 수는 줄어들고 있다. 높은 수수료 대비 액티브(Active) 매니저들의 알파 창출력에 대한 의문이 커지면서 지상에서의 자금 유출 압박이 커지는 상황이었다. ETF및 인덱스 펀드 가운데 패시브(Passive)매니저들의 지속적인 비중 확대[2]과 함께 수수료 인하 경쟁, MiFID II의 도입 등 규제 강화를 통한 수익 구조의 투명화 기술 개발 등 경쟁 격화에 의한 마진 압박 상황이 거세지는 상황이던 기존 자산 운용 업계에서 전통적으로 차별화 요인으로 꼽힌 것은 더욱 더 상품화(commoditized) 되면서 그 효과를 잃어 가는 상황이었다. 인공지능은 비용절감과 운영의 효율화를 넘어 전략 차별의 관점에서 새로운 기회를 제공할 수 있을 것이다 자산 운용에 인공지능이 도입되면, 운용사들은 과거에 할 수 없었던 것들을 시험해 볼 수 있게 될 것이다 인재들의 지적 능력을 보강할 수 있고 차세대 운용 능력 개발을 촉진할 것이다 인공지능 활용을 통해 자산운용업계가 어떤 기회를 찾을 수 있는지, 또 현재 어떤 노력을 하고 있는지 자세히 살펴보겠습니다.​

현재 글로벌 자산운용업계에서는 인공지능 및 대체 데이터(Alternative Data)의 활용 전망에 대한 높은 기대감과 함께 현실적인 고민과 혼란이 공존하고 있는 귀취입니다. 알파소스를 찾는 것은 언제 내 자산운용사가 '나답지 않다'를 차별화하고 영역을 넓혀가는 데 가장 중요한 요소입니다. 끊임없이 새롭게 데이터 소스가 확대되고 컴퓨팅 기술의 비용이 지속적으로 하락함에 따라 새롭게 인공지능 기술이 도입되는 귀취는 업계의 판도를 근본적으로 바꿀 수 있을 전망이다.​

인공 지능이나 데이터 과학 관련된 자산 운용 업계의 최신 동향은 1째, 인공 지능이나 기계 학습 등 새로 기법을 모델 수립 과정에 활용하려는 노력, 차남 데이터 프로세싱의 개선 등을 통해서 업무의 효율화 세번째 새로 대체 데이터 소스를 발굴하려는 노력으로 크게 요약된다.대부분의 메이저 운용사가 인공지능과 기계 학습 기법을 활용한 투자 프로세스를 준비하거나 실제로 활용하려는 다양한 시도를 하고 있다. 이러한 경향은 현재 단계에서는 새로운 것을 자연스럽게 추구하는 경향인데, 고객이 무엇을 요구하고 무엇을 구매하는지에 대한 광고적인 접근과 연결되는 것으로 보인다.

특히, 글로벌 자산운용업계의 인공지능 모델 활용 현황은 아직 초기 단계에 있으며, 특히 알파 창출의 관점에서는 운영 효율성의 개선, 비용 삭감에 비해 확신이 높지 않은 귀추로 보인다. 하나부의 작은 운용사가 인공지능 및 기계학습 기반의 독립적인 운용 전략을 발표하고 있는 것은 하본인, 업계 차원에서 독자적으로 완성된 인공지능 모델이 있다고 언급하기에는 시기상조입니다. 기존 투자프로세스에서 부분적으로 개선점을 찾고, 본인의 시각에서 인공지능 활용노력이 활발히 이루어지고 있는 귀추입니다.​ 알파 창출이라는 관점에서 많은 회사가 공통적으로 현실성을 인지하고 인공 지능이나 기계 학습 등의 최신 방법을 적용하면 활발히 노력하는 테마는 1)자연 언어 처리 기법을 활용한 텍스트 마이닝(text mining), 2)트레이딩 알고리즘을 통한 시장 타이밍과 거래 규모의 관점에서 거래 수행(trade execution)전략의 개선, 3)Feature Extraction(특징 추출)을 통한 데이터 분석 정도로 요약할 수 있겠다.​

최근 급증한 소셜 미디어, E-commerce, 사물인터넷 산업 등에 따라 경제·산업의 전 분야에 걸친 디지털화가 진행되어 데이터 홍수가 현실화되고, 대체 데이터(비정형 데이터, 빅 데이터)의 활용이 중요시 되고 있다. 이것에 의한 빅 데이터를 분석할 수 있는 최신의 통계 수법과 그 수법을 구현할 수 있는 새로운 기술력이 매우 중요한 시기였다. 개별 스토리에 의존하는 투자 방식보다는 빅데이터, 소셜미디어데이터 등 폭넓은 데이터를 활용해 전반적인 인간 특유의 행동이나 트렌드를 분석하는 작업이 더 의미 있는 작업이 될 가능성이 높다.

투자 데이터 처리과 정은 이후 4단계로 나뉜다.1)데이터의 수집과 보존 2)데이터의 전처리(Pre-processing)나 특징 추출(Feature extraction)3)전략적 의미를 이끌어 내4)알파 소스 개발 ​ 각 단계별로 산업 내에서 다양한 뵤은쵸은 카마 하고 있다. 데이터 프로세싱과 데이터 과학은 엄연히 같지 않다는 관점에서 보다 핵심이 되고 높은 스킬을 요구하는 고도의 업무에 역량을 집중하려는 시도가 잇따르고 있다.​ 데이터 수집과 보존 같은 업무 차별화가 어려운데 비해서 시간 테로그와 노력이 많이 소요되므로 합리적인 가격에 아웃 소싱 하는 프로세스를 효율화하는 시도가 1부 기업에서는 열린 형국이다. 데이터를 소싱하고 내부화하는 방식은 물리적인 부하를 많이 말하지만 차별화보다는 점점 범용화(comoditized), 표준화(standardized)되고 있는 정세이다. 무엇보다 새롭고 다양한 데이터를 확보하는 것이 차별성 확보의 핵심이다.

데이터의 전처리(pre-processing)와 특징추출(Feature extraction)은 잘 간과되지만 매우 중요한 단계이다. 특징추출(Feature engineering)은 기계학습 알고리즘을 동작시키기 위해 데이터의 도메인 지식(Domain knowledge)을 활용하여 특징(feature)을 만들어내는 과정입니다. 모델의 성능을 높이기 위해 모델에 입력할 데이터를 만들기 위해 주어진 초기 데이터에서 특징을 가공하여 생성하는 전체 과정을 의의한다. 특징추출(Feature engineering)은 모델성능에 미치는 영향이 크기 때문에 응용에 있어서 매우 중요한 단계로 전문성과 때때로 비용이 많이 드는 작업이라 생각된다.

데이터 프로세싱에 관해서는 다양한 산업 과제가 있는 상황이었다 대체 데이터 소스의 확보에 관해서는 많은 데이터 제공자와 높은 수준의 대체 데이터 소스의 활용이 가능하며, 지면에서 많은 발전을 이루고 있는 상황이었다. 데이터의 전처리, 자산매칭, 커버리지 분석 등을 상기하는 데이터 클린징에 관한 화제와, 보전화된 환경에서의 데이터 평가 문제에 대해서는 다양한 대응이 진행되고 있다. 모델 운용에 관해서는 분산화된 아키텍처의 통합을 위한 다양한 요구가 증가하고 있다.

빅데이터, 인공지능 등 관련 기술의 비약적인 발전은 해당 분야의 전문가가 필요하기 때문에 업계에는 우수한 인재 확보가 무엇보다 중요한 요소였다. 인공지능 관련 분야가 각광을 받기 시작해 해당 인재의 채용 수요가 기하급수적으로 증가하고 있는 상황이었다. 특히 산업의 경계를 넘어 우수한 인재에 대한 수요가 증가하고 있는 상황이기 때문에 우수한 인재를 확보하기 위해 금융업계가 실리콘밸리 내의 IT 대기업 및 미디어 산업과도 경쟁해야 하는 어려운 상황이었다.컴퓨팅, 계산능력도 중요하지만 더 중요한 것은 데이터 탐색능력이라고 할 수 있다. 즉, 이러한 과정에서 인간의 판단력은 필수적인 불허 요소였다 이 때문에 데이터를 분석, 판단할 수 있는 인재의 보유는 빠른 기술력의 선점보다 이야기의 설득력이 중요하다. 컴퓨팅 파워의 발전으로 인공지능, 기계학습 기법이 급부상하였는데, 다양한 기법의 장단점을 파악하고 데이터에 따라 특화된 알고리즘을 선택할 수 있는 사람의 역할이 중요해질 것으로 예상된다.기술의 급속한 발전으로, 산업과 학계의 협력도 더욱 강화되고 있는 상황이었다 영국의 MANGroup은 Oxford University와 미국의 SSGA는 Havard University와 산학연계 프로그램을 운용하여 새로운 아이디어를 발굴하고 있다. 학계도 실제 시장에서 실시 각 성과를 관찰할 수 있기 때문에 시뮬레이션에만 의존하던 기존의 연구 방식에서 벗어날 수 있어 향후 연구 테마가 다변화하는 상호 시그데이지가 높아지는 상황을 기대할 수 있다.

기업 분석을 하는 펀더멘털 애널리스트들은 소화해야 할 정보량이나 업무량에 비해 물리적으로 절대적으로 부족한 시각의 제약을 받게 된다. 그래서 보통 '나쁘지 않다'가 커버하는 몇몇 기업에 대해서만 실적자료를 분석하거나 자신의 컨퍼런스콜에 참여한다. 실적 시즌이 본격화되는 경우에는 하나 00을 넘는 기업이 같은 날 실적을 발표하고 관련 콘퍼런스콜을 진행하는 경우가 부지기수였다 텍스트 마이닝(text mining)을 기반으로 하는 AI 기법을 활용하는 경우, 인간보다 빠른 속도로 모든 가용 정보에 대한 분석을 마친 후 필요한 정보를 단기간에 추출하고 요약해 분석할 수 있다.​

기본적으로 투자 모델은 다소 이익이 3가지 요건을 갖추어야 한다. 둘째, 개선 및 향상이 가능해야 한다. 적은 수의 설명 변수로 모델이 구축되어야 하며, 이해 가능한 형태여야 한다. 둘째, 적응성을 갖춰야 한다. 변화하는 시장 환경에 유기적으로 변화/진화할 수 있어야 한다. 셋째, 과학적으로 예측 가능해야 한다. 그러기 위해서는 모델은 보편성과 인과성을 가지고 있어야 한다. 보편성(Universality)이란 어떤 현상이 특정 조건하에서 반복 관측될 수 있음을 의미하며, 인과성(Causality)이란 어떤 현상의 상세한 원인과 결과 사이의 역동적인 관계를 수학적으로 표현할 수 있다는 것을 의미한다. 이러한 관점에서 보면, 인공지능 기반 투자는 전통적인 모델에 비해, 이러한 요건을 보다 잘 갖추었다고 말할 수 있다.

새로운 규제 도입, 수수료 인하 압력, 저비용 passive 상품에 대한 투자흐름 전환 등 다양한 어려움에 맞서 운영비용을 효율적으로 관리하는 것은 생존을 위한 필수 전략이었다. 많은 대기업이 아웃소싱을 나쁘지 않고 프로세스 자동화를 통해 전체적인 운영비용을 효율화하기 위해 노력하고 있다. 잘 화도에고 나쁘지 않고 상품화된 데이터 프로세싱의 과정의 1부를 아웃 소싱 하고 나쁜 없는 자동화하려는 모습도 이런 노력의 1환으로 볼 수 있다.

인공지능은 전통적인 배급모델이 적절히 대응하지 못한 시장이 과잉고객군에 대한 접근을 가능하게 한다. 역시한 고객별로 차별화된 정보와 분석 수법을 공급하고 큰 기업들의 고객 접근성을 겨우 1뿐만 아니라 신규 사업을 발굴할 수도 있다.

리스크 관리의 관점에서는 쉽게 이해할 수 있거나 설명할 수 없는 것에 대해서는 꺼리는 경향이 있다. 그러나 전통적인 리스크 팩터 모델이 시장 시스템 리스크의 일부분밖에 설명할 수 없기 때문에 인공지능은 기존 리스크 모델의 한계를 극복하고 개선할 수 있는 수단이 될 수 있다.

글로벌 최대 퀀트 운용사 중 하 본 인 인 AQR과 구겐하임 파트너 히스(Guggenheim Partners)에서 머신 러닝 퀀트 전략을 이끈 Marcos Lopez de Prado박사의 최근 저술[3]으로 머신 러닝의 적용 사례를 해안과 같이 언급하고 있다. 기계 학습을 통해 고차원의 비선형 관계까지 표현 가능해지므로 비정형 데이터 내 인과관계 및 패턴의 관찰 및 습득이 가능하다. 금융 데이터를 이용한 기계학습의 성공적 구현은 무인운전이 본인 얼굴인식보다 어렵다고 할 수 있다.

하지만 그 후와 같은 금융 데이터 기반의 기계학습 사례는 적용 가치가 충분하다고 주장한다.하나)비선형 모델을 활용한 가격 예측 모델의 수립 2)포트폴리오 구축 위 함 분석 비법론의 개선 3)데이터 세트 내 아웃라이어 탐지 모형 4)Feature importance:기계 학습은 패턴을 찾기에 특화 되어 있으므로 데이터 내의 주요 feature를 추출하는 데 용이 5)Sentiment Analysis:자연 언어 처리 같은 기계 학습 방법을 활용한 텍스트 데이터 분석 6)Execution Analysis:거래 데이터에 대한 기계 학습의 분석에서 거래의 효율성 개선 등

머신러닝의 모수적 어프로치(parametricapproach)가 선형 모델(linear model)에 비해 상대적으로 유연해 창의적인 사고가 가능한 측면이 있다. 그러나 이것이 진짜 돌러의 약점으로 작용할 수 있지만 머신 러닝은 보통 샘플에 훨씬 민감하게 반응하며 모델을 구성하는 내부 인과관계에 대한 분석이 어려운 측면이 있다. 그래서 투자 아이디어의 경제적 상황증거(Economic Rational)가 훨씬 중요한 비중을 차지할 것이다.

비용, 데이터의 질 면에서 유효성 사건이 제기되는 경우도 있다. 인공위성의 이미지가 나쁘지 않고 각종 필드 데이터를 활용하는 것은 어떤 특정한 주제를 다룰 때는 좋은 접근이 된다. 하지만 이런 데이터는 가격이 매우 비쌀 뿐 아니라 데이터의 질도 활용하기에 좋지 않은 경우가 많다."데이터의 가용성을 높이기 위해서 들어가야 할 비용이 막대하기도 해, 실제의 데이터가 유효해도, 소수 종목의 투자 물증을 위해서 막대한 비용과 노력을 지불하는 것은 비용대 효과, 혹은 포트폴리오 운용의 관점에서는 유효성이 떨어질 수도 있다.

인공지능 기반의 투자 방식은 지속 가능하고 반복 가능하고, 비용 효율적인 효과적인 투자 전략을 창출할 수 있다. 그러나 도메인 지식(domain knowledge) 없이 모델을 훈련하면 잘못된 학습이 될 위험성이 매우 높다. 이런 부분을 보완하기 위해서는 인간의 경험과 가치판단 능력이 필수라고 할 수 있다.

글로벌 자산운용업계는 알파 창출 능력 다변화, 운영 효율성 개선, 상품 배급 시스템 개선, 리스크 관리 모델 개선을 위해 신규 대체 데이터 소스를 발굴 활용하려는 노력, 신규 인공지능 기법을 도입해 기존 프로세스를 개선하고 신규 전략을 개발하려는 노력을 더하고 있다. 앞으로 인공지능은 금융 분야에서 막대한 데이터를 이해하고 new 알파 투자의 기회를 창출하는데 큰 역할을 할 것입니다. 폭발적으로 증가하는 산업데이터를 어떻게 활용할 것인가를 생각하지 않으면, 어느 산업에서나 업계에서 뒤쳐질 가능성이 높아지게 됩니다.인공지능의 아빠로 불리는 Marvin Minsky 교수는 저서에서 다음과 같은 내용을 남겼다.

가끔 시간이 흐를수록 인간이 확보할 수 있는 데이터의 양은 증가할 것이고 기술은 발전할 것이며 기존의 가치판단 차원에서 불가능의 영역은 점차 줄어들 것이다. 데이터의 양이 증가하고 분석 기술이 발전할수록 인간의 역할은 더 중요해진다고 소견할 것이다.

투자를 넘어 인생에서 대부분의 가치판단이 명확하게 비교우위가 있다기보다는 선호 또는 다양한 옵션 중 선택의 영역인 경우가 많다. 기술의 빠른 발전 속에서도 인간의 역할이 강조되는 이유가 여기에 있는 듯하다. 인간은 전체적인 프로세스를 가이딩해 본인은 능력이 있고 높은 가치의 단계에서 종합적인 문제가 가능하다. 또한 기술은 인간 특유의 편견(bias)을 제어하고 지속, 반복 가능한 프로세스를 창출하기 때문에 인간과 기술의 발전은 상호 보완적이라고 할 수 있다. 새로운 기법을 도입하는 것보다 더 중요한 것은 전체적인 프로세스의 관점에서 높은 수준의 가치판단을 할 수 있는 인력을 갖추고 본인이 지속적이고 공고한 시스템(robust system)을 갖추어 운용하는 것 하나라는 소견이다.

액티브 투자의 성과 시장수익률 설정은 벤치마크(기준) 수익률 대비 상대적인 초과수익률을 뜻한다.투자전략 운용능력 측정. 이에 비해 베타(Beta)는 시장 수익률 설정은 벤치마크 수익률을 의미.최종 수익률에서 베타를 제외한 것이 알파.[2]The shift from Active to Passive Investing(20하나 8, FRB Working Paper)[3]"Ten Applications of Financial Machine Learning(20하나 8)– Marcos Lopez de Prado"(https://papers.ssrn.com/sol3/papers.cfm?abstract_id=336527개)