매일경제


인공지능의 미션 "알파를 찾아라"

기사입력2017.04.05 오전 8:48




<안명호의 인공지능과 미래금융>

0003917630_001_20170405084802262.jpg?type=w430원본보기

[사진 출처 : 매경DB]금융 시장에서는 시장평균보다 높은 수익률을 ‘알파(Alpha)’라고 부른다. 알파가 크면 수익률이 그만큼 상대적으로 우수하다는 의미다. 시장평균수익율이 6%인데 자신의 투자수익율이 20%라면 시장수익대비 초과수익율, 즉 알파가 14%이기 때문에 우수한 수익률을 올렸다고 할 수 있다.

금융, 특히 투자에 연관된 일을 하는 사람들은 이 알파를 창출하는 데 필사적이다. 우수한 인력을 고용하고, 더 많은 정보를 수집하고, 더 많은 회사를 방문하고 조사하는 활동 등은 빙산의 일각에 불과하다. 알파만 만들 수 있다면 불구덩이에도 들어가는 것이 바로 금융 시장의 생리다.

따라서 알파 창출에 컴퓨터를 도입하는 시도는 너무도 필연적이다. 수많은 숫자들을 분석하고 조합해 불확실성을 감소시키고 다른 이들은 모르는 그 무엇인가를 찾는 것이야말로 컴퓨터와 수학에 적합하기 때문이다.

컴퓨터, 수학을 투자에 활용한 시도는 사실 꽤 오랜 역사를 갖고 있다. 약 오십년 전인 1969년, 에드워드 소프 UCLA수학과 교수는 프린스턴 뉴포트 파트너스라는 헤지펀드를 만든다. 이 펀드는 18년동안 연평균 20%라는 수익률을 기록했는데 성과가 워낙 좋아 주식투자계의 전설인 워렌 버핏이 자신의 첫번째 헤지펀드 고객에게 소프의 헤지펀드로 옮기라고 권유하는 해프닝도 일어났다.

이같은 수익률의 비결은 바로 수학이었다. 소프 교수는 옵션 가치 산출에 사용하는 ‘블랙 숄즈 공식’과 유사한 방정식을 독자 개발해 투자에 활용했다. 일련의 연속된 투자를 해야 할 때 투자금액을 어떻게 결정하는지 정하는 수식인 ‘켈리의 공식(Kelly Crietrion)’의 열렬한 신봉자이기도 하다.

0003917630_002_20170405084802295.jpg?type=w430

켈리의 공식 [사진 출처 : 딥넘버스]컴퓨터와 수학을 접목한 금융투자가 돈이 된다는 것은 1990년대에 와서 르네상스 테크놀로지의 창립자인 제임스 사이먼이 다시 증명한다. 그 역시 수학에 천부적인 재능을 가진 교수 출신이다. 르네상스 테크놀로지의 대표펀드인 메달리온펀드는 1994년부터 2014년까지 연평균 71.8%(수수료 제외하기 전)이라는 놀라운 수익률을 보여줬다.

이러한 흐름은 이런저런 수학, 과학, 공학 천재들이 월스트리트에서 컴퓨터와 수학이라는 무기를 양손에 쥐고 맹활약할 수 있는 공간을 만들어줬다. 투자은행이나 헤지펀드에서 MBA 출신자나 경제학자를 채용하지 않고 물리학자, 수학자, 화학자, IT 엔지니어를 찾고 있다는 것은 이미 심심치 않게 언론에서 볼 수 있다.

세계최대 헤지펀드인 브리지워터에서 IBM 왓슨의 책임자를 채용하고 또 다른 헤지펀드인 블랙락, 그리고 투시그마에서 구글의 엔지니어를 채용하는 것은 더이상 뉴스거리도 되지 않는다.

0003917630_003_20170405084802303.jpg?type=w430원본보기

르네상스 테크놀로지를 설립한 제임스 사이먼 교수 [사진 출처 : 위키피디아]여기에 딥 러닝이 등장한다. 딥 러닝의 부상으로 금융계에서 알파를 만드는 새로운 아이템으로 딥 러닝이 주목받고 있다. 딥 러닝 이전에는 수학을 통해 투자를 할 수 있는 모델을 만들고 이를 컴퓨터 프로그램으로 만들어 활용했다면 딥 러닝 이후에는 수학적 모델과 딥 러닝을 활용해 투자에 활용하는 것은 물론 기존의 수학적모델만으로는 만들지 못했던 새로운 투자모델들을 만들어내고 있다. 여담으로 지난해 열린 딥러닝학회에서 학생과 교수 다음으로 많이 볼 수 있었던 부류의 사람들은 우수한 딥러닝 연구자를 채용하기 위한 헤지펀드 종사자들이었다는 얘기도 있다.

수학과 딥 러닝과 같은 머신러닝 기술을 이용해 모델을 만드는 사람들을 통칭 퀀트(Quant)라고 부른다. 이들은 기계를 이용해 쓸만한 정보를 찾으며 주가의 흐름을 예측하기 위해 주가데이터 수집은 기본이고 날씨패턴, 경제상황, 쌀과 밀같은 주요 곡물의 작황, 출산율, 기온의 변화 그리고 페이스북 포스트, 구글검색에서의 인기검색어까지 분석한다. 골드만삭스는 정량적 투자 전략(QIS)이라는 퀀트팀을 운영하고 있는데 QIS팀에 의하면 자연어처리기술(NLP)을 이용해 분기별실적을 발표할 때 사용한 단어와 문장을 분석하면 사람이 쉽게 찾지 못하는 실적결과를 암시할 수 있는 미묘한 단서를 찾을 수 있고 이를 투자에 활용한다고 한다.


robo advisor에 대한 이미지 검색결과



특히 주목할 만한 경향은 머신러닝 기술을 활용해 모델 자체를 프로그램이 스스로 만드는 방향으로 진화하고 있다는 것이다. 1783년 설립된 헤지펀드인 맨 그룹은 스스로 투자에 활용할 수 있는 패턴을 찾고 모델을 개선해 수익을 낼 수 있도록 만드는 머신러닝 기술을 활용하고 있다. 맨 그룹의 펀드매니져인 닉 그랜저는 이러한 머신러닝 기술이 맨 그룹의 강력한 경쟁력이고 이를 활용한 투자금액이 계속해서 증가하고 있다고 밝힌 바 있다.

이전에는 수익을 낼 수 있는 수학적모델을 만들 수 있는 수학에 재능이 있는 사람들을 찾고 있었다면 이제는 스스로 진화하는, 그리고 수익을 스스로 만들어내는 머신러닝 기술을 가진 사람들을 금융업계에서는 원하고 있다. 

마지막으로 금융계는 왜 알파를 사람이 아닌 머신러닝 기술에서 찾게 됐을까, 그리고 앞으로 이러한 경향이 지속될 수 있을까에 대한 의문을 가진 사람들에게 의미있는 단서를 제공할, 투시그마 창립자인 데이비드 시걸의 말을 인용한다.

“50년전에는 펀드매니져는 투자를 잘하기 위해 필요한 것을 잘 알 수 있었습니다. 하지만 이제는 그것이 가능하지 않습니다.(시장과 경제가 복잡해져서)”

[안명호 딥넘버스 대표]


금융과 IT의 만남, 주도권은 누가?


<안명호의 인공지능과 미래금융>

0003946259_001_20170523171006016.jpg?type=w430

[사진 출처 : 매경DB]작년 이세돌과 바둑대결에서 알파고가 보여준 위력은 정말 가공할만했다. 대국시작전에는 기계는 아직 인간을 이기지 못할 것이라고 생각했지만 끝난 후에는 알파고의 능력을 인정하고 머신러닝 기술이 새롭게 펼쳐나갈 세상에 대한 기대감으로 바뀌었다.

알파고의 위력을 확인한 사람들의 관심은 자연스럽게 금융으로 쏠렸다. 이세돌을 격파할 정도로 대단한 알파고가 금융투자에 적용된다면 사람이 하던 기존 투자보다 더 우월하지 않을까 하는 생각을 많이 가졌고 모언론사에서는 인간과 기계의 투자대결을 실제로 실행하기도 했다. 

사실 금융은 태생부터가 머신러닝에 적합한 분야라고 할 수 있다. 모든 것이 숫자로 이뤄져 있는 데다가 숫자를 잘 계산하기 위해 필요한 수학적인 지식들도 잘 갖춰져 있다. 머신러닝 기술을 사용하기 적합한 환경이다.

그렇다면 알파고에 사용된 강화학습, 딥러닝등의 최신 머신러닝기술을 금융투자에 적용하면 높은 수익률을 만들수 있을까?

이에 대한 나의 대답은 “가능하다. 단 적절히 잘 사용한다면”이다. 특히 뒷부분에 기술한 “적절히 잘 사용한다면"이 핵심 포인트다. 머신러닝이 무작정 좋은 결과를 만들어 내지는 않는다.

모든 투자는 예측을 필요로 한다

모든 종류의 투자는 어쨌든간에 예측을 필요로 한다. 투자가가 A회사 주식을 매수했다는 것은 그 회사가 좋아서, 혹은 그 회사의 창업이념이 좋아서가 근본적인 이유는 아닐 것이다. 미사여구를 제외하고 한마디로 줄이면 A회사의 주가가 올라갈 것이라는 예측을 했기 때문이다. 그리고 우리는 머신러닝을 이용한 예측으로 수익을 만들어내고 싶어한다.

금융투자에 머신러닝기술을 사용하는 방법은 딥러닝에 의한 예측, 강화학습에 의한 예측으로 분류할 수 있다. 어떤 머신러닝기술을 사용하더라도 크게 보면 스토리는 비슷하다.

1)예측에 도움이 된다는 데이터를 수집하고

2)수집된 데이터와 머신러닝기술로 예측모델을 만들고

3)예측된 결과에 따라 투자를 실시한다.

머신러닝 기술은 2번째 단계에 활용되며 머신러닝기술로 금융투자를 하려면 일정수준 이상의 정확도를 보여줘야 한다. 이 시점에서 중요한 의문 “머신러닝기술은 어떻게 예측을 할 수 있을까?”에 대해 생각해볼 필요가 있다.

담은 의외로 간단하다. 과거를 학습해 미래를 예측한다. 과거 데이터를 이용해 입력된 데이터들간의 상관관계를 학습하고 주어진 데이터들이 어떤 확률분포의 모습을 보이는지를 학습하고 이것들을 이용해 예측한다.

그러나 위의 설명에는 다음과 같은 매우 강력한 한가지 전제가 필요하다. 바로 “과거에 발생했던 일은 미래에도 발생한다”이다. 만약 과거에 보였던 특성이 미래에 동일 혹은 유사하게 나타나지 않는다면 과거의 데이터를 학습하는 것은 아무런 의미가 없다.

미래 예측의 전제 ‘정상성’

여기서 대두되는 개념이 바로 정상성(Stationarity)이다. 머신러닝기술을 이용해 예측하려면 과거의 데이터와 미래의 데이터가 유사한 모습을 보이는 성질을 가져야 한다. 이러한 성질, 데이터의 분포를 정상성이라고 한다.

정상성은 머신러닝의 적용 가능성에 큰 영향을 미치는 요소다. 시간에 따라 변화하지 않는다는 것은 시간의 흐름에 따라 달라지지 않는, 즉 과거에 나타난 데이터 패턴이 미래에도 반복해서 나타나는 것을 의미하기 때문이다. 목표로 하는 데이터에 정상성이 있다면 머신러닝기술은 과거데이터를 학습해 미래를 잘 예측할 수 있다. 물론 정상성이 있다하더라도 데이터의 패턴이 학습에 용이하냐, 그렇지 않냐에 따라 예측성능이 달라질 수 있다.

0003946259_002_20170523171006038.jpg?type=w430

정상성을 보여주는 데이터와 그렇지 않은 데이터의 차이 [사진 출처 : 위키피디아]너무도 당연하게도 정상성이 없다면 머신러닝기술이 별다른 위력을 보여주지 못한다. 아무리 멋진 최신 딥러닝기술이라 하더라도 데이터 패턴이 일정한 규칙없이 시시각각 변한다면 예측력은 기대할 바가 못된다.

금융 데이터는 정상성을 가지고 있을까?

그렇다면 금융시장의 데이터들은 과거와 유사한 흐름을 보여줄까? 즉 정상성을 가지고 있을까? 이 질문이 바로 머신러닝 기술의 적용여부와 예측력에 대한 키 포인트다. 그동안 수많은 사람이 연구하고 논의한 결과 다수설은 바로 “정상성이 없다"이다.

즉 과거의 데이터로 미래를 예측하는 것은 쉽지 않다고 이야기한다. 실제 주가데이터를 테스트해보면 브라운운동(Brownian Motion)의 특성을 보여준다. 브라운 운동은 1827년 스코틀랜드 식물학자 로버트 브라운(Robert Brown)이 발견한 것으로 액체나 기체 속에서 미소입자들이 불규칙하게 운동하는 현상을 말한다. 브라운 운동에 의한 물체의 움직임을 표류(漂流)라고 한다.

0003946259_003_20170523171006047.jpg?type=w430원본보기

브라운 운동을 도식화한 그래프 [사진 출처 : 위키미디어]브라운 운동은 시간에 따라 확률분포가 변화하기 때문에 당연히 정상성을 가지고 있지 않다. 정상성이 없다는 것은 비유하자면 매번 규칙이 바뀌는 게임을 하고 있다고 할 수 있다. 예를 들어 동전던지기를 하는데 동전의 앞면이 나오면 이기는지 지는지가 무작위로 결정된다고 생각할 수 있다.

상식적으로 생각해도 금융시장이 정상성을 가지고 있다면 불확실성이 사라지기 때문에 주식시장은 존재할 수 없다. 주식투자에 실패했던 뉴턴의 말을 인용해보자.

“천체의 움직임은 계산할수 있어도 인간의 광기는 도저히 측정할 수 없다."(I can calculate the movement of the starsbut not the madness of men

앞서 얘기한 사실들을 종합해보면 머신러닝기술은 정상성이 없는 금융데이터를 다루기에 적합하지 않다라고 결론을 내리는 것은 전혀 어색하지 않다. 분명히 정상성을 가지고 있지 않은 데이터에 머신러닝기술을 적용하는 것은 크게 기대할바가 되지 못한다.

그러나 관점을 달리 하면 아예 불가능한 것은 아니다. 마조도일이 자신의 제자에게 했던 질문인 “수레가 움직이지 않는다면 수레를 때릴 것인가? 아니면 소를 때릴 것인가?” 는 머신러닝을 금융에 어떻게 적용해야 하는지를 잘 설명해준다고 볼 수 있다. 내가 가지고 있는 도구를 잘 활용할 수 있도록, 즉 데이터를 머신러닝이 학습하기 쉬운 형태로 만드는 것이 중요하다.

정상성이 없는 데이터라도 정상성이 있도록 데이터를 변환한 후에 머신러닝기술을 사용하면 결과는 매우 달라질 수 있다. 머신러닝 기술은 그 자체로서 결과물이 아니라 결과물을 만들기 위해 사용하는 하나의 도구이기도 하기 때문이다. 이 도구를 어떻게 활용하느냐에 따라 모든 것이 달려있고 금융투자 역시 예외가 아니다.

무작정 머신러닝 기술을 적용했다고 해서 좋은 수익율을 기대하는 것이 아니라 좋은 수익률이 나오도록 머신러닝 기술을 활용하는 것이 핵심이다. 머신러닝 적용보다 앞서 데이터 정상성을 먼저 생각해야 하는 이유이며 여기서 앞으로 수많은 발전이 있을 것으로 기대한다.

[안명호 딥넘버스 대표]


인공지능 주식 투자에도 다수결의 법칙 있다?


<안명호의 인공지능과 미래금융>

미래 예측은 결코 단순한 일이 아니다. 하지만 우리는 늘 이런저런 이유로 미래를 예측하고 싶어한다.

알고리즘 트레이딩에서도 어떤 형태로든간에 미래 예측이 필수적이다. 그런데 문제는 내일 금융상품의 가격이 어떻게 될지 예측하는 것이 쉽지 않다는 점이다. 고도의 수학적 지식을 활용한 예측모델이나 머신러닝을 이용한 예측모델, 도메인 지식을 이용한 예측모델도 모두 정확성에는 한계가 있고 각 예측모델의 특성도 모두 다르다.

어떤 시기에는 수학적 예측모델이 높은 성과를 보여주지만 다른 시기에는 도메인 지식을 활용한 예측모델이 더 좋은 결과를 낳기도 한다. 예를 들어 투자에 적용한 수학적 예측모델의 대전제가 정상성(Stationarity)라면 금융데이터가 정상성을 보여주는 시기에는 당연히 다른 시기보다 좋은 예측력을 갖는 이치다.

보다 높은 투자수익을 위해서는 시기의 특성을 파악하고 그에 맞는 예측모델을 적용해야 하는데 관건은 현 시기가 갖고 있는 특성을 일정 시간이 지나야만 파악할 수 있다는 것이다. 수익극대화가 목표라면 초기에서는 파악해야 하는데 쉽지 않은 일이다. 그렇기 때문에 지금 이 시기에 어떤 예측모델이 좋을지를 선택하는 것이 어려울 뿐 아니라 수익성과도 직결되는 중차대한 문제가 된다.

알고리즘 트레이딩 시스템에서는 이런 난관을 극복하기 위해 하나가 아닌 여러 개의 예측모델을 동시에 사용해 미래예측력을 높이고 리스크를 줄인다. 이처럼 여러 예측 모델을 사용하는 것을 델파이 기법이라고 한다.

위키에 따르면 델파이 기법은 어떤 문제에 관해 전문가들의 견해를 유도하고 종합해 집단적 판단으로 정리하는 일련의 절차라고 정의할 수 있다. 추정하려는 문제에 관한 정확한 정보가 없을 때 "두 사람의 의견이 한 사람의 의견보다 정확하다"는 계량적 객관의 원리와 "다수의 판단이 소수의 판단보다 정확하다"는 민주적 의사결정 원리에 논리적 근거를 두고 있다. 또 전문가들이 직접모이지 않고 주로 우편이나 전자 메일을 통한 통신수단으로 의견을 수렴해 돌출된 의견을 내놓는다는것이 주된 특징이라 할 수 있다.

다양한 테스트와 검증을 통해 예측모델A,예측모델B,예측모델C 3개가 예측력이 있다고 확인되면 이들 중 하나의 모델을 선택해서 사용하지 않고 3개 예측모델들을 모두 활용하는 것이 핵심이다. 트레이딩 시스템에 3개 모델들을 모두 구현하고 특정 종목에 대해 3개의 예측모델들이 각각 내놓은 결과를 종합해 가장 많은 결과값을 최종 예측결과로 활용하는 방식이다. 

0003966586_002_20170623172404992.jpg?type=w430원본보기

이같은 방식을 하드 보팅(Hard Voting)이라고 한다. 하드 보팅은 모든 예측모델의 능력을 동일하게 취급하는 방식이며 사용하는 예측모델의 수는 당연히 홀수로 가져간다.

또 다른 방식으로는 소프트 보팅(Soft Voting)이 있다. 소프트 보팅은 각 모델들의 확률값을 더해 최종적인 예측값을 결정한다. 아래의 표처럼 모든 예측모델의 확률을 더해 가장 높은 확률을 보여준 것을 최종 예측값으로 결정한다.

0003966586_003_20170623172405015.jpg?type=w430원본보기

경우에 따라서는 소프트 보팅과 하드 보팅 적용에 가중치를 할당해 예측능력이 우수한 모델이 결과값에 더 많은 영향력을 줄 수 있도록 조정하기도 한다. 예를 들어 예측모델A가 매우 우수하다고하면 예측모델A값에는 2를 곱해서 사용하는 방식이다.

상식적으로 생각해봐도 알고리즘 트레이딩 시스템에 하나의 예측모델을 사용하는 것보다 여러 개의 예측모델을 사용하는 것이 좀 더 나은 성능을 보여줄 수 있고 위험의 분산 차원에서도 더 우수할 것이다. 하나의 예측모델이 그릇된 결과를 가져오기보다는 여러 개의 예측모델이 모두 잘못된 판단을 할 가능성이 낮고 또 검증된 예측모델들이 틀렸다 하더라도 특수한 상황으로 볼 여지가 있기 때문이다.

그런데 델파이 기법을 알고리즘트레이딩에 적용할 때 재밌는 점은 바로 모델들간의 적합도(궁합)을 고려한다는 것이다. 선정된 예측모델들이 우수한 예측력을 가지고 있다는 것이 확인되면 다음단계로 각 모델들간의 상관관계를 계산해 상관관계가 높은 예측모델은 제외한다. 예를 들어 3개의 예측모델이 있는데 예측모델A와 예측모델B가 상관관계가 높고 예측모델 B와 예측모델 C가 상관관계가 낮다면 예측모델 B와 예측모델C를 선택해 알고리즘 트레이딩 시스템을 개발한다.

이렇게 하는 이유는 쉽게 유추되듯이 위험의 분산과 예측력의 향상이다. 모든 예측모델들이 높은 상관관계를 갖는다면 미래예측에 대해 유사한 결과를 내놓을 가능성이 매우 높아지기 때문에 애초에 델파이 기법을 적용하려는 의도가 심각하게 훼손된다. 

현실에서 내가 어떻게 해야 할지 모르는 문제가 있다고 하면 주변의 사람들에게 조언을 구한다. 편향적인 결과를 방지하기 위해 되도록이면 서로 다른 배경을 가지고 있는 사람들에게 다양한 의견을 구하고 최종적인 결론을 내린다. 알고리즘 트레이딩도 마찬가지이다. 잘 모르는 미래에 대해 상관관계가 낮은 여러 개의 예측모델 결과값을 이용해 최종적인 투자결정을 한다.

알고리즘 트레이딩 시스템을 개발하다 보면 많은 것이 우리의 현실과 맞닿아 있음을 느끼곤 한다. 세상이 우리에게 균형잡힌 삶을 요구하는 것처럼 숫자에 의해 결정되는 알고리즘 트레이딩에서도 편향되지 않은 다양한 의견을 필요로 함은 금융도 우리가 살고 있는 세상의 일부이기 때문일 것이다.

[안명호 딥넘버스 대표]


금융과 IT의 만남, 주도권은 누가?


<안명호의 인공지능과 미래금융>

0003978829_001_20170713183054210.jpg?type=w430

금융의 뜻을 사전에 찾아보면 다음과 같다.

“금융이란 이자를 받고 자금을 융통하여 주는 것을 말한다. 즉 일정기간을 정하고, 앞으로 있을 원금의 상환과 이자변제에 대해 상대방을 신용하여 자금을 이전하는 것을 말한다.”

IT 용어를 차용해 표현하면 자금이라는 리소스를 요청하는 클라이언트와 이를 제공하는 서버를 연결해주는 아주 일반적인, 그리고 흔히 볼 수 있는 서비스라고 말할 수 있다.

금융 서비스에서 리소스를 자금이 아니라 다른 것, 예를 들어 텍스트와 같은 것으로 대치한다면 금융에서 제공하고 있는 서비스는 일반 IT 서비스가 잘 할 수 있는, 그리고 현재 잘하고 있는 서비스와 거의 차이가 없다고 할 수 있다. IT의 데이터라는 리소스, 금융서비스의 자금이라는 리소스는 둘다 무형이라는 공통점도 갖고 있다.

우리가 매일매일 사용하는 자금은 데이터와 마찬가지로 실체가 없어진지 오래다. 브레튼우즈체제가 유지됐던 1971년 이전에는 내가 갖고 있는 화폐를 은행에 제출하면 일정량의 금으로 교환해줬지만 폐지 이후에는 더이상 교환할 수 없다. 금융체제도 금과 같은 실물기반이 아니라 신용기반으로 바뀌었다.

이런 측면에서 보면 IT에서 다루는 데이터 역시 실체가 없고 데이터베이스와 같이 이를 잘 다루기 위한 여러가지 기술과 제품들이 잘 발전돼 IT가 금융서비스를 하기에는 별다른 무리가 없어 보인다. 

하지만 데이터와 자금이라는 리소스의 차이는 IT 서비스와는 다른 무엇인가를 요구한다. 자금이라는 리소스는 효용가치가 크고 거의 모든 지구상의 사람들에게 유용하기 때문에 어떤 사람들은 불순한 의도를 가지고 요청하며 사용한 자금을 제때 반환하지 못하기도 하는 등 끝없이 복잡 다단한 일들을 야기한다.

이러한 이유들로 인해 금융서비스는 신용과 위험관리가 필수불가결하다. 자금을 요청하는 클라이언트가 불순한 의도를 가진것인지, 제때 리소스를 반환할 수 있는지 판단하고 경우에 따라서는 강제회수와 같은 결정을 내리는 것이야말로 금융서비스의 중요한 역할이며 금융의 특별한 가치다. 가끔 영화나 드라마에서 금융인이 담보가 부족한 사업가를 믿고 사업자금을 빌려주는 장면이 나오는데 이러한 신용평가 능력은 금융서비스의 핵심이라고 해도 과언이 아니다. 고로 소중한 리소스인 자금을 안전하고 무리없이 운영하는 쉽지 않은 일을 금융기관들이 맡게 됐고 그에 대한 댓가로 수수료나 이자등을 지급하고 있다.

IT와 금융, 융합이 가능한 이유

그러나 필자는 이같은 차이에도 불구하고 다음의 3가지 이유로 IT의 영역이 금융으로까지 확장 할 수 있을것이라 본다. 

첫번째는 데이터의 확보다. 자금을 필요로하는 클라이언트를 평가하기 위해서는 해당 클라이언트에 대한 신용평가가 필요하다. 스마트폰이 일반화되고 각종 IT 서비스들이 우리의 생활에 깊숙이 침투한 요즘 상황에서는 신용평가를 위한 데이터 확보가 점점 쉬워지고 있다. 기사에 따르면 SK 텔레콤이 비식별 개인정보를 활용해 신용평가 분석기술을 개발했다. 보험과 통신등의 상관관계를 분석해 금융거래정보없이도 신용평가가 가능하다고 한다. 해외에서는 소셜네트워크서비스(SNS)를 이용한 신용평가가 이미 자리잡고 있는 상황이다.

두번째는 인공지능 기술의 발전이다. 인공지능기술은 주어진 데이터에 근거해 신용평가를 하기 때문에 사람이 가지는 편견이나 그동안의 관행으로부터 자유롭게, 그리고 공정하게 평가할 수 있다. 신한카드는 머신러닝기법을 적용한 신용평가시스템을 올해 초 오픈했다. 신한카드 관계자에 따르면, 지금까지 중금리 대출 이용 고객은 개별 고객의 차등적인 신용도 판단이 어려워 한도와 금리에서 우대 받기가 힘들었다. 이번 머신러닝 기법 도입에 따라, 동일한 신용도를 지닌 고객일지라도 더욱 차별적인 심사전략을 적용받을 수 있게 됐다"고 말했다. 앞으로 더욱 많은 데이터가 생성되고 활용될 수록 인공지능 기술에 의한 평가는 더욱 정확해 질 것이다.

세번째는 규제다. 금융은 산업의 중요성과 파급력으로 인해 대부분의 국가에서는 법적인 장치를 만들어 진입장벽이 매우 높다. 금융계는 이러한 진입장벽의 보호 아래 타산업에 비해 신규경쟁자가 많지 않다. 하지만 시간이 흘러가고 기술이 발전함에 따라 국가에서 바라보는 금융에 대한 역할과 정의가 달라진다면 규제 역시 이전과는 다른 모습을 지니게 될 것이다.

세번째 규제사항을 제외한다면 데이터와 인공지능 기술의 발전은 그동안 금융계가 가지고 있던 본질적인 가치를 희석시킬 것이라고 예상하는 것은 결코 지나친 일은 아닐것이다.

IT가 유형의 것을 다루는 분야로 확장해 주도권을 잡기는 결코 쉽지 않다. IT는 본질적으로 무형의 데이터를 다루기 때문에 유형의 것을 다루는데는 한계가 있을 수 밖에 없다. 하지만 금융은 이와는 다소 다르다. 앞서 얘기했지만 IT도 금융도 모두 무형의 데이터와 자금을 다루며 자금은 사실 ‘숫자데이터’ 일뿐이다. 어딘가의 데이터베이스에 기록된 것이 자금의 실체다.

신금융 주도권, IT가 가질 확률 높다

언제일지는 모르겠지만 IT와 금융 산업이 본격적으로 융합되는 시기가 도래하면 필자는 개인적으로 IT 진영이 더 유리한 고지를 점령할 것이라고 본다. 여기에는 몇가지 이유가 있는데 3가지로 정리해보자.

첫번째는 달라진 고객이다. 앞으로 우리사회의 주축이 될 90년대 이후의 출생자들은 IT에 매우 능하며, 새로운 기술에 대한 거부감이 매우 적다. 이들은 앱이나 웹서비스를 이용해 투자하고 송금하고 각종 금융서비스를 이용하는데 거리낌이 없으며 이전세대의 고객들보다는 요구사항이 많고 자신이 모든 것을 제어하기를 바란다. 이들에게 전통적인 금융서비스보다는 IT 서비스 형태가 훨씬 더 친숙하고 간편할 것이다.

예를 들어 대출을 받는데 각종 서류를 준비해야하고 은행지점을 방문해 상담해야하는 경우와 간단히 앱 실행 몇번만으로 대출을 받을 수 있는 경우를 비교하면 어디를 선택할지는 너무 당연하다.

국내1호 인터넷은행인 케이뱅크가 대출증가속도가 너무 빨라 직장인 신용대출을 중단한 것은 시사하는 바가 크다.

두번째는 기술의 내재화다. 금융의 고유한 가치는 앞으로 기술로 상당부분 대체가 가능해질 것이다. 그렇다면 관련 기술에 대한 내재화와 새로운 기술의 개발이 중요한 경쟁력이 될텐데 IT에 비해 상대적으로 금융은 기술에 대한 내재화가 약하다고 본다. 전통적인 금융회사였던 골드만삭스가 2015년 자신을 금융회사가 아닌 IT 회사라고 선언한 것은 중요한 이유가 있을 것이다.

세번째는 DNA가 다르다. IT는 성장하기 위해 고객을 파악해야 하고 끊임없는 개선을 통해 고객을 만족시켜야 하는 숙명을 가지고 있다. 이에 반해 금융은 이미 확보되어 있는 고객들에게 서비스 제공하는 입장이기 때문에 상대적으로 IT에 비해 고객에 대한 관점이 다르다고 할 수 있다.

인류역사를 보면 새로운 변화의 흐름은 전혀 새로운 시각과 기술을 장착하고 들어온, 기존의 시각에서 보면 이상하고 해괴하기 짝이 없는 신규 주자들에 의해 이뤄진 경우가 압도적이었다. 지금과는 다른 새로운 금융서비스가 나타난다면 아마도 기존 회사들로부터는 아닐 것이라고 조심스럽게 점쳐본다. 

금융서비스를 사용하는 입장에서는 IT 중심의 서비스인지 전통적인 방식의 서비스인지는 중요하지 않다. 서비스 제공자가 누구이던간에 내가 필요한 리소스를 빠른 시간에 공정하고 편리하게 제공한다면 그로써 족하다. 한사람의 금융소비자로 하루빨리 훌륭한 서비스가 나타나기를 희망한다. 

[안명호 딥넘버스 대표]

List of Articles
번호 제목 글쓴이 날짜 조회 수
» [안명호의 인공지능과 미래금융] 인공지능의 미션 "알파를 찾아라" image 가우스 2017-07-20 5695
119 [보고서] 국가/지자체 차익거래의 시장 영향 및 시사점 imagefile 가우스 2017-07-18 5073
118 [보고서] 메릴린치의 온라인 자산관리서비스 Merrill Edge 사례조사 imagefile 가우스 2017-07-17 5184
117 ELS 심층분석 : 2017년 상반기 파생결합증권시장 동향 imagefile 가우스 2017-07-06 5580
116 [자료] 인공지능. ‘로보어드바이저’어디까지 왔나? imagefile 가우스 2017-06-20 6604
115 글로벌증권사 자산관리 비즈니스 벤치마킹- 찰스스왑 imagefile 가우스 2017-05-12 7183
114 [기사] [KAIST MBA] 빅데이터·AI전문가 등 4차산업혁명 이끌 융합인재 키운다 image 가우스 2017-04-19 6069
113 [보고서] Chart book of DLS, 17년 상반기 전망 imagefile 가우스 2017-01-23 6006
112 [보고서] 파생결합증권시장 현황 - 2016년 연간동향 점검 및 2017년 점검 imagefile 가우스 2017-01-06 5927
111 [보고서] TRS 활용 자본구조화 사례분석 imagefile 가우스 2016-11-01 6966
110 [보고서] 8월 국제금융시장 및 원자재시장 동향 imagefile 가우스 2016-08-08 6660
109 [기사] 데이터 핀기반 퀀트 인기 직종으로 부상 image 관리자 2016-08-04 6676
108 [기사] 금융학과, 금융상품 설계부터 코딩까지…AI 금융시대 경쟁력 배운다 image 가우스 2016-05-04 7712
107 2015년 장외파생상품 시장동향 REPORT imagefile 가우스 2016-04-05 7626
106 [기사] 거래소, 순혈주의 벗고 파생 전문인력 영입 image 가우스 2015-07-16 8439
105 2015. 5월 ELS/ELB 발행 동향 및 점검 imagefile 관리자 2015-06-14 7690
104 [미국] 2015 퀀트취업시장: CDS시장은 불황, 데이터 분석시장은 호황 image 가우스 2015-05-17 9621
103 [보고서] 파생결합증권시장동향-2015년1분기시장현황 imagefile 가우스 2015-04-06 8330
102 [보고서] 위기와 기회의 러시아 - 해뜨기 직전이 가장춥다 imagefile 가우스 2015-03-24 9056
101 [보고서] 선강퉁이 가져올 투자기회 – 심천/중소형주 펀드를 주목하라 imagefile 가우스 2015-03-09 8450



XE Login