Forge Fate
한국어
퀀트·데이터 연구

규칙, 머신러닝, 딥러닝, LLM: 같은 투자 질문을 푸는 네 가지 방식

약 20분

근거와 검증 범위 — 개념 비교·가상 사례

자료에 근거해 규칙·머신러닝·딥러닝·LLM의 입력·출력·평가 방식을 비교합니다. 투자 사례는 가상 설명이며, 방법별 수익성 우열이나 LLM의 일반적 생산성 효과를 검증한 실험은 아닙니다.

AI 도구의 이름보다 예측할 결과, 사용할 데이터, 평가 기준을 먼저 정해야 하는 이유

1편에서는 AI를 자동 종목 추천기가 아니라 투자 아이디어의 검증을 돕는 도구로 바라봤다. 그러자 다음 질문이 생겼다.

AI라는 이름 아래 묶이는 머신러닝, 딥러닝, 생성형 AI와 LLM에는 각각 무엇을 맡겨야 할까?

이동평균 교차 전략도 컴퓨터가 자동으로 실행하면 머신러닝일까? ChatGPT가 시장 상황을 자연스럽게 설명하는 것과 다음 달 수익률을 예측하는 것은 같은 작업일까? 딥러닝은 머신러닝보다 한 단계 높은 기술이므로 언제나 더 좋은 결과를 낼까?

처음에는 나도 이 기술들을 모두 ‘더 똑똑한 종목 선택 도구’ 정도로 생각했다. 그러나 공부할수록 중요한 차이는 이름이나 최신성보다 각 도구가 어떤 입력을 받고, 무엇을 출력하며, 그 결과를 어떻게 검증해야 하는가에 있었다.

AI는 예측·콘텐츠·추천·결정 같은 출력을 만드는 시스템을 포괄하는 넓은 개념이다. 그 안에서도 사람이 완성한 규칙을 실행하는 방식과 훈련 데이터에서 관계를 학습하는 머신러닝은 구분할 필요가 있다.[S1]

이번 글에서는 용어를 사전처럼 하나씩 외우지 않는다. 대신 하나의 투자 질문을 규칙 기반 전략, 머신러닝, 딥러닝과 LLM에 차례로 맡겨 보며 무엇이 달라지는지 살펴본다.

이 글의 사례는 개념을 설명하기 위한 가상 사례다. 특정 종목을 추천하거나 실제 매매를 지시하지 않으며, 어떤 방법의 수익도 보장하지 않는다.

하나의 질문부터 시작해 보자

글 전체에서 다음 질문을 사용해 보자.

최근 가격·거래량·변동성 정보를 이용해 다음 달을 어떻게 다룰 것인가?

그럴듯해 보이지만 아직 연구 문제로 쓰기에는 지나치게 모호하다.

‘어떻게 다룬다’는 말은 다음 중 무엇을 뜻할까?

  • 다음 달 수익률이라는 숫자를 예측한다.
  • 다음 달이 상승인지 하락인지 구분한다.
  • 현재와 비슷한 과거 시장 환경을 찾는다.
  • 관련 문서를 언어로 정리한다.
  • 예측 결과를 매매 신호로 바꾸는 규칙까지 만든다.

같은 가격·거래량 데이터를 사용하더라도 원하는 출력이 숫자인지, 범주인지, 데이터의 묶음인지에 따라 서로 다른 문제가 된다. 회귀·분류·군집화에는 각각 다른 평가 방법이 필요하며, 복잡한 모델의 점수는 단순한 기준 모델과 비교해야 의미를 해석할 수 있다.[S2][S3][S4]

따라서 앞으로 각 방법을 다음 틀로 비교한다.

비교 항목확인할 질문
문제정확히 무엇을 알고 싶은가?
입력어떤 데이터를 넣는가?
출력규칙 신호·숫자·범주·군집·언어 초안 중 무엇인가?
사람의 역할조건·레이블·모델·해석 중 무엇을 정하는가?
평가무엇과 비교해 성공과 실패를 판단하는가?
한계그 출력만으로 투자전략이 완성되는가?

먼저 개념 지도를 그리자

입문 단계에서는 다음과 같이 이해하면 편리하다.

text
AI: 예측·콘텐츠·추천·결정 등을 만드는 넓은 범주의 시스템├─ 규칙 기반 방식: 자동화 또는 AI 시스템의 일부일 수 있음│  └─ 사람이 완성한 조건을 실행하며, 자동 실행만으로 머신러닝은 아님└─ 머신러닝: 데이터에서 관계나 패턴을 학습   └─ 딥러닝: 여러 처리 계층으로 표현을 학습생성형 AI: 텍스트·이미지·음성 등 새로운 콘텐츠를 생성하는 AI 범주└─ LLM: 주로 언어를 학습하고 생성하는 대규모 모델

규칙 기반 시스템은 넓은 정의에서 자동화 또는 AI 시스템으로 분류될 수 있지만, 모든 규칙 기반 자동화를 곧바로 AI라고 단정할 수 있는 보편적인 경계는 없다. 분명한 구분점은 사람이 조건을 완성해 둔 시스템이 자동으로 실행된다는 사실만으로 머신러닝이 되지는 않는다는 것이다.[S1]

머신러닝은 사람이 모든 관계를 명시적으로 작성하는 대신 데이터에서 패턴과 입력·결과의 관계를 학습하는 기법의 집합이다.[S1] 딥러닝은 여러 처리 계층을 이용해 단계적으로 표현을 학습하는 머신러닝 접근이다.[S5] 이 부분은 AI ⊃ 머신러닝 ⊃ 딥러닝이라는 포함 관계로 이해할 수 있다.

다만 생성형 AI와 LLM까지 하나의 직선으로 나열하면 오해하기 쉽다. 생성형 AI는 입력 데이터의 구조와 특성을 모방해 텍스트·이미지·영상·음성 등의 새로운 콘텐츠를 만드는 넓은 범주다.[S8] LLM은 그중 주로 언어를 다루는 대규모 모델이며, 오늘날 많은 LLM은 딥러닝과 Transformer 계열 구조를 사용한다.[S9]

따라서 생성형 AI와 LLM은 동의어가 아니다. 이미지 생성 모델도 생성형 AI에 속할 수 있지만 LLM은 아니다.[S8] 반대로 모든 AI가 생성형 AI이거나 LLM인 것도 아니다.[S1][S8]

이 관계를 이해하면 “어느 기술이 더 고급인가?”보다 “내가 원하는 출력에 어느 기술이 맞는가?”라고 물을 수 있다.

첫 번째 방식: 규칙 기반 전략은 사람이 관계를 정한다

먼저 질문을 이동평균 교차 전략으로 바꿔 보자.

가령 사람이 다음 조건을 작성했다고 하자.

  • 단기 이동평균이 장기 이동평균을 위로 통과하면 신호를 만든다.
  • 최근 수익률이 미리 정한 기준을 넘으면 후보에 포함한다.
  • 변동성이 특정 수준보다 높으면 신호를 사용하지 않는다.

가격과 거래량 데이터는 이 조건을 계산하는 데 쓰인다. 그러나 컴퓨터가 데이터를 보고 이동평균 기간이나 임계값의 의미를 스스로 학습한 것은 아니다. 사람이 관계를 완성했고 컴퓨터는 그 관계를 일관되게 실행한다.

항목규칙 기반 전략
관계를 정하는 주체사람
데이터의 역할미리 정한 조건 계산
대표 출력진입·청산·관망 등의 신호
사람이 정할 것기간, 임계값, 포지션과 실행 조건
평가 질문미사용 기간과 비용 반영 후에도 규칙이 유효한가?

자동으로 실행된다는 사실만으로 머신러닝이 되는 것은 아니다. 사람이 명시한 지시를 실행하는 방식과 훈련 데이터에서 패턴을 학습하는 방식은 구조적으로 다르다.[S1]

이번 조사에서는 규칙 기반 전략과 머신러닝을 동일한 시장·기간·비용·평가 조건에서 비교해 어느 한쪽이 보편적으로 우월하다고 결론 내릴 근거를 확보하지 못했다. 여기서 확인할 수 있는 것은 성과의 우열이 아니라 관계를 누가 정하는가라는 구조적 차이다.

두 번째 방식: 머신러닝은 질문을 데이터로 정의한다

이제 같은 질문을 머신러닝에 맡겨 보자.

머신러닝을 시작한다는 것은 먼저 알고리즘을 고른다는 뜻이 아니다. 무엇을 입력으로 사용하고 무엇을 정답으로 삼을지 정해야 한다.

한 달 말에 다음과 같은 데이터 한 행이 있다고 하자.

시점입력값나중에 확인할 결과
어느 달 말최근 수익률, 변동성, 거래량 변화다음 달 수익률 또는 상승·하락

여기서 핵심 용어가 자연스럽게 등장한다.

  • **특징(feature)**은 예측에 사용하는 입력값이다. 이 예에서는 최근 수익률, 변동성, 거래량 변화가 특징이다.
  • **레이블(label)**은 모델이 맞히도록 정한 결과다. 다음 달 수익률이나 다음 달의 상승·하락이 레이블이 될 수 있다.
  • **학습(training)**은 과거 특징과 레이블의 관계가 모델 내부의 파라미터에 반영되도록 조정하는 과정이다.
  • **추론(inference)**은 학습을 마친 모델에 새로운 특징을 넣어 예측을 얻는 과정이다.
  • **평가(evaluation)**는 예측을 만드는 데 사용하지 않은 자료에서 미리 정한 지표로 성능을 측정하고 기준선과 비교하는 과정이다.

지도학습은 레이블이 있는 사례를 이용해 특징과 레이블 사이의 수학적 관계를 학습하며, 학습된 모델을 새로운 입력에 적용하는 과정이 추론이다.[S2] 평가는 과제에 맞는 지표로 수행하고 단순한 예측기나 기준 모델과 비교해야 한다.[S4]

시간 순서와 데이터 누수를 통제하는 구체적인 방법은 다음 편에서 자세히 다룬다.

회귀: 다음 달 수익률이라는 숫자를 예측한다

질문을 다음처럼 구체화해 보자.

최근 수익률, 변동성, 거래량 변화를 이용해 다음 달 수익률을 예측할 수 있을까?

이것은 회귀 문제다. 회귀는 숫자형 레이블을 예측하는 지도학습 과제다.[S2]

  • 특징: 최근 수익률, 변동성, 거래량 변화
  • 레이블: 다음 달 수익률
  • 출력: 예상 수익률 또는 연속적인 예측 점수
  • 평가: 회귀 오차가 단순 기준 예측보다 얼마나 개선됐는가

여기서 단순 기준은 “다음 달 수익률은 항상 과거 평균과 같다”거나 “항상 0으로 예측한다”처럼 복잡한 학습을 하지 않는 예측기일 수 있다. 어떤 기준이 적절한지는 연구 목적에 따라 정해야 하지만, 기준 없이 복잡한 모델의 오차만 제시하면 그 점수가 실제로 좋은지 판단하기 어렵다.[S4]

더 중요한 구분도 있다. 예상 수익률을 출력하는 모델이 생겼다고 투자전략이 완성되는 것은 아니다.

어느 수준의 예상 수익률부터 포지션을 취할지, 얼마나 배분할지, 언제 청산할지, 위험과 거래비용을 어떻게 처리할지는 별도의 의사결정 규칙이다. 회귀 모델은 숫자를 예측하지만 그 숫자를 행동으로 바꾸는 전체 전략은 아니다.

분류: 다음 달 상승과 하락을 구분한다

이번에는 질문을 바꿔 보자.

최근 수익률, 변동성, 거래량 변화를 이용해 다음 달이 상승인지 하락인지 구분할 수 있을까?

특징은 회귀와 같을 수 있다. 달라진 것은 레이블이다.

  • 회귀 레이블: 다음 달 수익률 2.1%, -1.4% 같은 숫자
  • 분류 레이블: 다음 달 상승 또는 하락이라는 범주

분류는 범주형 레이블을 예측하며, 결과는 하나의 범주나 각 범주에 속할 확률로 나올 수 있다.[S2]

모델이 상승 확률을 60%로 출력했다고 해도 매수 결정이 저절로 생기지는 않는다. 어느 확률부터 상승으로 판단할지, 확률 차이가 포지션 크기에 어떻게 반영될지, 손실 위험과 비용을 어떻게 제한할지는 사람이 별도로 정해야 한다.

또한 분류 정확도가 높아졌다는 사실만으로 비용을 차감한 투자성과가 개선됐다고 결론 내릴 수 없다. 분류 지표와 투자전략의 수익·위험 지표는 서로 다른 대상을 측정하기 때문이다.[S4]

결국 회귀와 분류를 가르는 핵심은 알고리즘의 멋진 이름이 아니다. 무엇을 정답으로 정의했는가다.

정답을 주지 않는다면: 비지도학습과 군집화

이번에는 다음 달 수익률도, 상승·하락 레이블도 주지 않는다고 해보자.

대신 다음과 같은 특징을 사용해 서로 비슷한 시기를 묶는다.

  • 변동성
  • 최근 추세
  • 거래량 변화
  • 자산 간 상관관계

레이블 없이 데이터 안의 구조를 탐색하는 접근을 비지도학습이라고 하며, 군집화는 사용자가 정한 특징과 유사도 기준에 따라 비슷한 관측치를 묶는 방법이다.[S3]

구분분류군집화
미리 정한 레이블있음없음
핵심 질문어느 범주에 속하는가?어떤 관측치끼리 비슷한가?
예시 출력상승·하락군집 1·2·3
의미 부여레이블을 만들 때 정함결과를 본 뒤 사람이 해석
주요 위험부적절한 레이블과 평가특징·척도·유사도 선택에 따른 변화

군집화 결과에서 어떤 시기들이 ‘군집 1’에 묶였다고 하자. 모델이 그 군집을 자동으로 상승장이나 위기장이라고 판정한 것은 아니다. 군집 번호 자체에는 경제적 의미가 없다. 사람이 각 군집의 평균 변동성, 수익률과 상관관계 등을 살펴본 뒤 어떤 이름이 적절한지 해석해야 한다.[S3]

특징의 단위와 유사도를 계산하는 방법을 바꾸면 군집 결과도 달라질 수 있다.[S3] 따라서 군집이 만들어졌다는 사실만으로 실재하는 시장 국면을 발견했거나 미래 투자성과에 도움이 된다고 주장할 수 없다. 다른 기간에서도 비슷한 구조가 유지되는지, 해석이 안정적인지, 실제 연구 목적에 유용한지를 별도로 평가해야 한다.

군집화는 시장의 숨은 정답을 알려주는 기계라기보다 선택한 기준에 따라 데이터를 탐색하는 도구에 가깝다.

세 번째 방식: 딥러닝은 더 복잡한 표현을 학습한다

딥러닝은 머신러닝과 경쟁하는 별개의 기술이 아니다. 여러 처리 계층을 통해 다양한 추상화 수준의 표현을 학습하는 머신러닝 접근이다.[S5]

따라서 딥러닝을 사용한다고 질문 자체가 자동으로 바뀌지는 않는다.

  • 다음 달 수익률을 예측하면 여전히 회귀다.
  • 다음 달 상승 확률을 예측하면 여전히 분류다.
  • 달라지는 것은 입력과 결과의 관계를 표현하는 모델의 구조와 복잡성이다.

딥러닝은 여러 층에서 점차 복잡한 표현을 학습할 수 있으며 이미지·영상·음성·텍스트 같은 고차원 비정형 데이터 처리에서 큰 성과를 보여 왔다.[S5] 투자 연구에서도 표 형태의 가격·거래량 데이터를 입력으로 삼거나, 뉴스 텍스트나 차트 이미지처럼 구조가 일정하지 않은 입력에서 표현을 학습하도록 설계할 수 있다.[S5]

‘복잡한 비선형 관계’라는 표현을 가상 사례로 풀어 보자.

단순한 모델은 최근 수익률이 높아질수록 다음 달 예상 수익률도 일정한 비율로 높아진다고 가정할 수 있다. 반면 더 유연한 모델은 최근 수익률이 같더라도 변동성이 낮을 때와 높을 때 결과가 다르게 나타나는 관계를 표현할 수 있다.

이것은 모델이 표현할 수 있는 관계의 모양을 설명하는 예일 뿐이다. ‘낮은 변동성에서 모멘텀이 반드시 더 잘 작동한다’는 검증된 투자 법칙을 뜻하지 않는다.

미국 주식 수익률을 분석한 한 대규모 연구에서는 트리와 신경망이 비선형 예측변수의 상호작용을 활용해 일부 선형 방법보다 나은 표본외 결과를 보였다.[S6] 그러나 그 결과는 1957~2016년 미국 시장과 연구진이 선택한 변수·모델·포트폴리오 설계에 한정되며, 다른 시장이나 개인 투자자의 조건에 그대로 적용할 수 없다.[S6]

복잡한데 왜 딥러닝부터 시작하지 않을까?

같은 미국 주식 연구에서도 신경망을 더 깊게 만든다고 성능이 계속 좋아지지는 않았다. 비교한 설정에서는 세 개의 은닉층 부근에서 성능이 정점을 찍었고 더 깊은 모델의 결과는 낮아졌다.[S6] 이 연구는 개별 주식 수익률을 예측 불가능한 뉴스의 영향이 큰, 신호대잡음비가 낮은 대상으로 설명한다.[S6]

그렇다고 모든 금융 데이터가 항상 작거나 모든 딥러닝 모델이 단순 모델보다 나쁘다는 뜻은 아니다. 데이터의 양과 구조는 대상 시장, 빈도와 공급원에 따라 달라지며, 이번 조사에서도 그러한 보편 명제를 뒷받침하는 근거는 확인되지 않았다.

따라서 결론은 딥러닝의 우열을 미리 선언하자는 것이 아니라 목표와 평가 지표를 먼저 정하고 단순한 기준 모델과 같은 조건에서 비교하자는 것이다. 일반 머신러닝 실무 지침도 단순한 모델로 기준 성능과 행동을 확보한 뒤 필요에 따라 복잡성을 추가할 것을 권한다.[S7] 이를 투자 연구에 적용하는 것은 실무적 추론이지 특정 전략의 성과를 보장하는 순위표는 아니다.

딥러닝을 선택할 이유는 ‘AI다운 이름’이 아니라 같은 문제에서 단순한 기준보다 의미 있는 추가 가치를 보였다는 증거여야 한다.

네 번째 방식: 생성형 AI와 LLM은 언어 작업의 초안을 만든다

생성형 AI는 텍스트·이미지·영상·음성 같은 새로운 합성 콘텐츠를 만드는 AI 모델의 범주다.[S8] LLM은 그중 주로 언어를 학습하고 생성하는 대규모 모델이며, 현대의 많은 구현은 딥러닝과 Transformer 계열 구조를 사용한다.[S9]

같은 투자 질문을 LLM에 맡길 때는 다음 달 수익률을 자동으로 맞히는 모델로 전제하기보다, 사람이 검토할 언어 작업의 후보 도구로 보는 편이 적절하다. 예를 들면 다음과 같은 초안을 만들도록 시도할 수 있다.

  • 뉴스와 공시의 핵심 내용을 요약하는 초안
  • 조사 질문과 반증 질문을 구조화한 초안
  • 데이터 처리나 실험 코드의 골격
  • 실험 조건·변경 이력·결과를 정리한 연구 기록

이 목록은 LLM이 투자 연구의 정확도나 생산성을 높인다는 검증된 효과가 아니다. 이번 조사에서는 이러한 작업이 일반적으로 얼마나 개선되는지 확인할 근거를 확보하지 못했으므로, 각각의 결과는 효용을 측정해야 할 후보이자 검토가 필요한 초안으로 다뤄야 한다.

LLM의 유창성은 사실성이나 예측력을 자동으로 뜻하지 않는다. 생성형 AI는 그럴듯하지만 사실과 다르거나 내부적으로 모순된 내용을 자신 있게 만들 수 있으며, NIST는 이를 주요 위험으로 다룬다.[S10] 언어 모델이 유창하면서도 틀린 답을 생성할 수 있다는 문제도 보고돼 있다.[S11] 투자자 보호기관 역시 AI가 만든 정보에만 의존하지 말고 그 바탕이 된 출처를 확인하라고 경고한다.[S12]

따라서 요약과 설명에 포함된 사실·수치·인용은 원자료와 대조해야 하며, 생성된 코드는 실제 실행 결과로 확인해야 한다.[S10][S11][S12] 자연스러운 문장은 별도 자료에서 평가한 회귀·분류 예측치가 아니고, 신호·포지션·진입·청산 규칙을 갖춘 투자전략도 아니다.

구체적인 확인 절차와 프롬프트 설계는 후속 10·11편에서 다룬다. 이번 편에서는 LLM은 언어 작업의 초안을 만들 수 있지만, 자연스러운 출력과 검증된 예측은 서로 다른 결과라는 경계까지만 기억하면 충분하다.

같은 질문, 서로 다른 역할

지금까지의 차이를 하나의 표로 모으면 다음과 같다.

방식사람이 먼저 정하는 것데이터가 하는 일대표 출력핵심 평가 질문
규칙 기반 전략이동평균 기간, 모멘텀 기준 등의 조건정해진 조건값 계산매매 신호미사용 기간과 비용 반영 후에도 유효한가?
지도학습 회귀특징과 숫자 레이블입력과 숫자 결과의 관계 학습다음 기간 수익률 추정치회귀 오차가 단순 기준보다 개선됐는가?
지도학습 분류특징과 범주 레이블입력과 범주의 관계 학습상승 범주 또는 확률분류 지표가 기준선보다 개선됐는가?
비지도학습 군집화특징과 유사도 기준레이블 없이 비슷한 관측치 탐색군집결과가 해석 가능하고 기간이 달라도 안정적인가?
딥러닝목표, 입력, 구조와 평가 기준여러 계층에서 복잡한 표현 학습숫자·범주 또는 학습된 표현단순 모델보다 추가 가치가 있는가?
LLM언어 과제와 검토 범위문맥에 맞는 언어 결과 생성검토할 언어 초안요구한 언어 과제를 충족하며 검토 가능한가?

이 표의 핵심은 모든 결과를 하나의 ‘AI 투자 성능’으로 합칠 수 없다는 점이다. 회귀·분류·군집화에는 서로 다른 평가 기준이 필요하며, 예측 지표가 좋아졌다는 사실과 실제 투자전략의 성과가 개선됐다는 사실도 구분해야 한다.[S4] 군집은 사람이 경제적 의미를 해석해야 하고,[S3] LLM의 자연스러운 답변은 검증된 예측 점수와 같은 종류의 출력이 아니다.[S10][S11]

내가 바꾼 것은 도구가 아니라 질문의 순서였다

처음에는 AI, 머신러닝, 딥러닝과 ChatGPT를 모두 더 똑똑한 종목 선택 도구처럼 생각했다. 복잡하고 최신인 기술일수록 시장에서 더 많은 것을 찾아낼 것이라고 막연히 기대했다.

첫 번째 변화는 이동평균이나 모멘텀 전략과 머신러닝의 차이를 이해하면서 시작됐다. 규칙 기반 전략에서는 사람이 관계를 정하고 컴퓨터가 실행한다. 머신러닝에서는 사람이 특징과 레이블, 평가 방법을 설계한 뒤 모델이 데이터에서 관계를 추정한다.[S1][S2]

두 번째 변화는 회귀·분류·군집화가 단지 알고리즘 목록이 아니라는 사실을 이해한 것이었다. 각각 숫자, 범주, 레이블 없는 구조라는 서로 다른 질문에 답하며 평가 방법도 달라야 한다.[S2][S3][S4]

세 번째 변화는 딥러닝을 자동 승급판처럼 보지 않게 된 것이다. 복잡한 표현을 학습할 수 있다는 능력과 특정 금융 문제에서 단순 모델보다 낫다는 결론은 별개의 주장이다.[S5][S6] 그래서 이제는 복잡한 모델을 시도하기 전에 목표와 지표를 정하고 단순한 기준선을 먼저 세운다.[S7]

마지막 변화는 LLM의 위치를 수치 예측기나 완성된 전략이 아닌 언어 도구로 다시 정한 것이었다. 자연스럽게 설명하는 능력은 회귀 오차, 분류 성능 또는 투자성과로 평가되는 능력과 같지 않다.[S10][S11]

이제는 유행하는 도구를 먼저 열지 않는다. 풀 문제를 한 문장으로 적고, 사용할 입력과 필요한 정답을 구분한 뒤, 원하는 출력과 성공 기준을 정한다. 그다음에야 규칙, 회귀, 분류, 군집화, 딥러닝 또는 LLM 가운데 가장 단순하게 목적에 맞는 후보를 고른다. 더 복잡한 도구는 같은 조건에서 기준선보다 추가 가치를 보일 때 선택한다.[S4][S7]

AI를 공부하며 얻은 가장 큰 변화는 더 복잡한 도구를 찾게 된 것이 아니다. 도구를 고르기 전에 문제와 검증 기준부터 쓰게 된 것이다.

연구 범위와 남아 있는 공백

이번 글은 각 도구의 포함 관계, 출력의 차이와 평가 원칙을 설명하는 개념 지도다. 규칙 기반 전략과 머신러닝의 보편적 우열, 딥러닝의 모든 금융 문제에 대한 상대 성능, 군집 결과의 경제적 실재성, LLM이 투자 연구의 정확도나 생산성에 미치는 일반적 효과는 현재 근거로 확정할 수 없다. 특정 미국 시장 연구의 결과를 다른 시장에 그대로 일반화할 수도 없다.[S3][S6] 따라서 본문의 투자 사례는 도구별 질문의 차이를 보여 주는 가상 사례이며, 확인된 투자 법칙이나 특정 시장에 대한 추천이 아니다.

결론: AI를 선택하기 전에 문제를 선택한다

1편의 결론이 “AI는 자동 종목 추천기가 아니라 검증을 돕는 도구”였다면, 이번 편에서는 그 도구도 하나가 아니라는 사실을 배웠다.

규칙 기반 방식은 사람이 정한 조건을 실행한다. 머신러닝은 데이터에서 입력과 결과의 관계를 학습한다. 딥러닝은 그중 여러 계층을 이용해 더 복잡한 표현을 학습하는 접근이다. 군집화는 정답 없이 선택한 기준에 따른 구조를 탐색하며, LLM은 주로 언어 결과를 생성한다.

이들은 한 줄로 세울 수 있는 성능 등급이 아니다. 서로 다른 문제에 답하고 서로 다른 방법으로 실패를 판정해야 하는 도구들이다.

중요한 질문은 “AI를 쓸까?”가 아니다. 먼저 “무슨 문제를, 어떤 데이터로, 어떤 기준에 따라 풀 것인가?”를 정해야 한다. 그다음에야 규칙, 머신러닝, 딥러닝과 LLM 가운데 무엇을 맡길지 판단할 수 있다.

다음 편에서는 이번 글에서 정의한 문제와 모델을 공정하게 시험하려면 왜 시간 순서를 지켜야 하는지, 데이터 누수와 반복 탐색을 어떻게 구분해야 하는지 살펴본다. LLM의 구체적인 안전 활용 절차와 프롬프트 설계는 10·11편에서 별도로 다룰 예정이다.

Sources

오류 제보·의견 보내기

글 제목과 주소가 포함된 메일 초안을 엽니다. 내용과 받는 사람을 확인한 뒤 보내주세요.

받는 사람: [email protected]

메일 앱에서 작성

메일 앱이 열리지 않으면 아래 내용을 복사해 평소 쓰는 이메일에 붙여 넣으세요.

문의 안내

관련 글