AI 투자 챔피언은 누구?
GPT·Llama·Qwen·Gemma 투자 실험
AI가 금융 투자자의 직감을 대신할 수 있을까?
사람의 감각이나 직관 같은 비정량적인 요소가 중요한 투자 세계에서, 과연 언어모델이 그 역할을 대신할 수 있을까요?
지난 4월, 싱가포르에서 열린 ICLR 2025 워크숍에서 이 질문과 관련한 아주 흥미로운 논문이 발표되었습니다.
*ICLR(International Conference on Learning Representations): NeurIPS, ICML과 함께 인공지능 및 머신러닝 분야에서 가장 권위 있는 학회 중 하나로, 매년 전 세계의 연구자들이 최신 연구 결과를 발표하고 토론하는 장입니다.
바로 엘리스 AI팀이 발표한 오픈소스 LLM(대규모 언어모델)을 금융 투자에 적용해 인간 투자자의 의견 대신 모델의 분석 결과를 활용한 실험인데요,
엘리스클라우드를 기반으로 진행된 이 실험은 AI가 실제 투자 시장에서도 의미 있는 성과를 낼 수 있다는 가능성을 보여주며 많은 이들의 관심을 끌었습니다.
이번 글에서는 엘리스 AI팀이 이 실험을 어떻게 설계했고 엘리스클라우드를 통해 어떤 방식으로 효율성을 극대화했는지, 그리고 앞으로 AI 연구자들이 주목할 만한 클라우드 활용법은 무엇인지 살펴보려 합니다.
[논문 정보]
Youngbin Lee*, Yejin Kim, Suin Kim*, Yongjae Lee, Integrating LLM-Generated Views into Mean-Variance Optimization Using the Black-Litterman Model, ICLR 2025 Workshop on Financial AI. (*Elice)
https://arxiv.org/abs/2504.14345
GPT vs Llama vs Gemma vs Qwen, 최고의 AI 투자자는 누구?
엘리스 AI팀은 과거 주식 수익률 데이터를 다양한 오픈소스 LLM에게 입력해 미래 시장에 대한 전망을 생성하도록 실험을 설계했습니다.
이번 실험에 참여한 주요 모델은 다음과 같습니다.
GPT-4o-mini (OpenAI)
Llama 3.1 8B (Meta)
Gemma 2 7B (Google DeepMind)
Qwen 7B (Alibaba Cloud)
각 모델이 생성한 시장 전망은 Black-Litterman 모델에 적용되어 인간 투자자의 주관 대신 AI 분석을 기반으로 포트폴리오를 최적화했습니다.
실험은 2024년 6월부터 2025년 2월까지 총 8개월간의 주가 데이터를 기반으로 하는 백테스팅(backtesting) 방식으로 진행했습니다. 미국 주요 50개 종목을 대상으로 했으며, 2주마다 포트폴리오를 리밸런싱하여 다양한 포트폴리오 케이스를 폭넓게 시뮬레이션했습니다.
최종 결과가 매우 흥미로웠는데요,
- GPT 4o mini: 전반적으로 낮은 성과를 기록했습니다. GPT가 제시한 전망은 자산별로 일관성이 부족하고 변동이 심했기 때문에, 효과적이고 안정적인 자산 배분이 어려웠습니다. 결과적으로 투자 성과 역시 부진했습니다.
- Llama 3.1 8B: 가장 높은 연평균 수익률을 보였습니다 (CAGR 67.31%). 이 모델이 제시한 전망은 전체적으로 긍정적이고 일관성이 있었으며, 특히 일부 주식에 대해 극단적인 예측을 자주 내놓는 특징이 있었습니다. 이 덕분에 우수한 주식과 그렇지 않은 주식을 명확하게 구분할 수 있었고, 결과적으로 효과적인 포트폴리오 구성이 가능했습니다.
- Gemma 2 7B: 상대적으로 저조한 투자 성과를 보였습니다. 이 모델은 주식 수익률에 대해 변동성이 크고 불안정한 전망을 제공했고, 특히 수익률 예측이 전반적으로 부정적인 경향이 있어 비관적인 포트폴리오 구성을 초래했습니다. 이로 인해 장기적으로 일관된 수익을 얻기 어려웠습니다.
- Qwen 7B: 다소 보수적인 전망을 내놓으며 중립적이고 신중한 성향을 보였습니다. 이 모델의 예측은 대부분 수익률 0 근처에 집중되어 있어 안정적이었지만, 특별히 뛰어난 수익을 기대할 만큼 명확하게 종목 간의 차별화를 제공하지는 못했습니다. 그 결과, 꾸준하지만 다소 평범한 투자 성과를 기록했습니다.
[참고 자료]
이번 실험은 LLM이 단순히 언어 이해·생성 기능을 넘어 실제 금융 시장에서 의미 있는 투자 인사이트를 제공할 가능성을 보여줬다는 점에서 주목할 만합니다.
특히, 오픈소스 모델들도 대형 상용 모델에 뒤지지 않는 투자 성과를 낼 가능성이 있다는 점에서 연구자나 투자자들에게 흥미로운 참고 사례가 될 수 있습니다.
30시간에 6만 원? : 엘리스클라우드로 대규모 AI 실험하는 법
이번 실험과 같이 고성능 GPU가 필요한 대규모 실험은 비용과 리소스 면에서 큰 부담이 될 수 있습니다.
엘리스 AI팀은 이번 실험에서 엘리스클라우드 A100 80GB 인스턴스를 활용해 이러한 문제를 해결했는데요.
약 30시간 동안 진행된 추론에 들어간 비용은 단 6만 원.
시간당 약 2천 원 수준의 합리적인 비용 덕분에, 자체 서버나 비싼 GPU를 구매할 필요 없이 실험을 완료할 수 있었습니다.
또한 엘리스클라우드는 온디맨드 인스턴스와 모델 라이브러리를 제공해,
Llama, Gemma, Qwen 같은 오픈소스 LLM을 별도의 복잡한 세팅 없이 불러와 손쉽게 사용할 수 있도록 지원합니다.
이런 접근성은 특히 연구실이나 작은 팀에서 큰 장점이 됩니다.
AI 연구자들이 엘리스클라우드를 선택하는 이유 4가지
합리적인 비용: 필요할 때만 빌려 쓰고, 사용한 만큼만 지불합니다.
고성능 GPU 제공: H100, B200과 같은 최신 GPU를 바로 사용할 수 있어, 대규모 LLM 실험도 문제없습니다.
간편한 오픈소스 모델 접근: 클릭 몇 번으로 원하는 모델을 불러와 실험할 수 있습니다.
유연한 확장성: 작은 실험부터 대규모 프로젝트까지, 필요한 만큼 확장 가능합니다.
엘리스클라우드로 확장하는 AI 연구 아이디어
금융 분야뿐 아니라, 엘리스클라우드를 통해 LLM을 활용할 수 있는 연구 주제는 다양합니다.
[연구 주제 아이디어 예시]
에이전트(Agent) 시스템
멀티모달 LLM
추론 능력 평가
GPU 환경 때문에 창의적인 아이디어를 포기한 적이 있다면, 이제 엘리스클라우드를 통해 다시 도전해볼 수 있습니다.
글 이영빈 편집 진예지
