FinRobot: AI Agent for Equity Research and Valuation with Large Language Models

이 논문은 기존 자동 주식 리서치 도구가 기술적 지표와 단순한 모델에 기대는 경향이 있어 애널리스트의 재량 판단을 담는 데 한계가 있는 문제를, 데이터 수집, 개념 분석, 투자 논지 작성을 나눠 맡는 세 CoT(Chain-of-Thought, 단계별 추론) agent로 증권사(sell-side) 보고서를 만드는 FinRobot으로 풀었다.

이 논문은 한마디로 증권사 애널리스트가 쓰는 주식 리서치 보고서를 세 단계 CoT agent가 나눠 만드는 multi-agent 시스템이다. Data-CoT agent가 SEC(미국 증권거래위원회) 공시, 실적 발표, earnings call 기록 등에서 재무 지표를 뽑고, Concept-CoT agent가 매출 전망, EBITDA(이자, 세금, 감가상각비와 무형자산상각비를 빼기 전 이익), ROIC(투하자본수익률)와 WACC(가중평균자본비용), 경쟁사 비교를 분석하며, Thesis-CoT agent가 매수, 보유, 매도 의견이 담긴 보고서를 쓴다. 저자들은 Waste Management, Inc. 보고서 한 편을 투자은행 애널리스트 7명에게 0에서 10점으로 채점받았고, 정확성에서 4명이 10점, 3명이 9점을 줬다.

핵심 요약

• 문제: 주식 리서치 보고서는 정량 모델 이해와 산업별 전문 지식이 함께 필요한 노동 집약적 작업이다. CapitalCube, Wright Reports 같은 기존 자동화 도구는 사람 애널리스트의 폭넓고 세밀한 분석을 재현하는 데 자주 모자라고, 기술적 지표와 단순한 모델에 크게 기대는 경향이 있어 재량 판단과 정성 평가를 담는 데 한계가 있다. 저자들은 이런 한계가 새 데이터를 실시간으로 반영하고 위험을 정확히 평가하는 데 걸림돌이 된다고 봤다.
• 입력과 출력: 분석할 회사(예: Waste Management, Inc.)를 정하면 SEC 10-K(연간 보고서)와 10-Q(분기 보고서), 분기 실적 발표와 투자자 자료, earnings call 기록, 다른 증권사 보고서, Google Trends 같은 대체 데이터를 모아, 재무 요약, 가치평가, 위험, 경쟁사 분석과 매수, 보유, 매도 의견이 담긴 보고서를 낸다. 예를 들어 부록의 Waste Management 보고서는 매수(BUY) 등급과 12개월 목표가 219.17달러를 내면서, 주로 2019년부터 2023년 기업가치(EV)를 EBITDA로 나눈 배수 13배에서 15배에 근거해 주당 적정가를 144.3달러에서 176.6달러로 적었다. 논문 종류는 실제로 만든 시스템과 보고서 한 편의 사례를 보인 시스템 논문이다.
• 방법: 분석을 세 layer로 나눈다. Data-CoT agent는 원천 데이터에서 매출 성장률, contribution margin(매출에서 영업비용을 뺀 이익의 매출 대비 비율), SG&A(판매비와 일반관리비) margin, EBITDA margin 같은 지표를 계산해 중간 요약을 만들고, Concept-CoT agent는 예를 들어 매출 동인, 경쟁사 대비 margin, 위험 같은 질문을 스스로 묻고 답하며 매출 전망, ROIC와 WACC, DCF(현금흐름할인) 모형 기반 목표가를 낸다. Thesis-CoT agent는 이 결과를 sell-side 보고서 형식으로 엮어 투자 논지와 매수, 보유, 매도 의견을 만든다.
• 구현: 데이터 저장과 처리에는 Oceanbase, PostgreSQL, DFS(분산 파일 저장소), Minio를 쓰고 PDF, Word 문서, 이미지 파일을 처리하며, 표 1의 공식에서 매출 성장률 전망은 이전 성장률에 1%를 더하고 contribution margin 전망은 이전 값에 0.5%를 더한다. 공식 GitHub 저장소 README 기준으로 저장소에는 AutoGen 기반 V0 library, ticker를 받아 웹 페이지(HTML)나 PDF 주식 리서치 보고서를 만드는 V1 web app(finrobot_equity), PydanticAI 기반 V2 desktop app이 함께 있고, README 인용 목록에 이 논문이 올라 있다.
• 결과: 투자은행 애널리스트 7명이 Waste Management 보고서 한 편을 0에서 10점으로 채점했을 때 정확성은 4명이 10점, 3명이 9점이었고, 논리성은 2명이 10점, 4명이 9점, 1명이 9.5점이었으며, storytelling은 7점에서 10점으로 갈렸다. 같은 기준으로 GPT-4는 정확성 9점, 논리성 8점, storytelling 7점을 줬다. 저자들은 같은 주제로 만든 여러 보고서를 GPT-4로 채점한 density plot에서 FinRobot이 zero-shot, few-shot, chain-of-thought prompting보다 높았다고 보고했다.
• 한계: 저자들은 FinRobot이 JPMorgan, UBS(스위스 금융그룹) 같은 기관의 기준에 맞는다고 밝혔지만, 실험은 Waste Management 보고서 한 편을 애널리스트 7명과 GPT-4가 채점한 결과이고, 안정성 비교 결과는 density plot 그림으로 제시됐다. 평가자 의견에는 수치가 왜 중요한지 흐릿할 때가 있어 때로 통계 나열처럼 읽힌다는 지적(평가자 1)과, 뉴스에 민감한 우량주의 정성 분석은 아직 사람이 맡는 편이 낫다는 지적(평가자 4)이 있었다. 저자들은 다음 과제로 Dow 30 전체를 포함한 여러 산업과 자산군으로의 확장, reinforcement learning과 sentiment analysis 추가를 들었다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.