블룸버그 프로페셔널 서비스
늘 새로운 알파 창출의 기회를 찾고 있는 투자 기업들에게 데이터와 인재가 새로운 관심 대상이 되고 있다. 투자 기업들의 목표는 머신 러닝과 인공지능 알고리즘을 이용하는 체계적인 전략을 활용하여 대량의 데이터 행들을 신속히 분석함으로써 기초 자산의 움직임에 대한 의미 있는 신호를 포착하는 것이다. 이와 함께, 대체 데이터(alternative data), 즉 재무 보고서나 경제 지표 외부의 비 전통적인 정보가 중요해지기 시작했다.
대체 데이터에 잠재된 기회를 활용하는 방안으로 뉴스 감성 분석(news sentiment analysis)에 눈을 돌리는 기업도 있고, 더러는 기존 분석을 강화하는 알고리즘을 도입하기도 한다. 뉴스 기사나 소셜 미디어 게시물에서 가치를 추출하는 전략이 새로운 것은 아니지만, 최근 자연어 처리 관련 기술의 발전으로 기계 판독 가능 뉴스(Machine Readable News)의 효과가 증대되고 있다. 여러 출처에서 나온 대량의 뉴스 데이터에서 특정 회사명 등 공통된 내용을 추출하기 위한 방법은 다양하다. 일례로 블룸버그에서는 개체명 모호성 해소(NED: Named Entity Disambiguation)라는 기술을 이용한다. 이를 통해 주식 종목 코드나 주요 기업 인명 등 각 개체명 언급을 터미널의 지식 기반에 연결한다는 것이 블룸버그의 데이터 과학 총괄인 기데온 만(Gideon Mann)의 설명이다.
개체명 모호성 해소는 텍스트 데이터에서 신호를 찾는 다양한 기술 중 하나일 뿐이다. 그 외에도 긍정적이거나 부정적 단어에 가중치를 부여하는 주제 태그를 이용한 단순 감성 분석, 특정 이야기나 소셜 미디어 게시물이 주가에 미치는 영향을 평가하는 보다 복합적인 시장 동향 신호 분석 등의 방법이 있다. 특정 이야기가 시장을 움직일 가능성을 남보다 먼저 알아내는 것은 수익이냐 손실이냐의 갈림길이 될 수 있다. 최근 블룸버그가 개최한 웨비나에서 만 총괄은 2010년 미 증권거래위원회의 발표 내용과 블룸버그의 보도가 20분만에 12%의 매도로 이어졌는지 실연한 바 있다.
이런 분석이 가능한 분야는 주식시장만이 아니다. 자연어 처리를 활용하면 상품이나 여타 자산군 에서도 가치 있는 신호를 잡아낼 수 있다.
순수한 퀀트 전략이 없어도 여전히 기업들은 이 초기 시장의 이점을 누릴 수 있다. 펀더멘탈 매니저라면 가치, 모멘텀 및 품질 요소로부터 종합 점수를 도출하는 예측 평점 모델을 도입하여 개별 주식 종목 혹은 부문의 다양한 성과 동인을 체계적으로 가려낼 수 있다. 이 순위 체계는 금융공학(quantitative finance)과 전통적인 팩터 리서치 간의 가교 역할을 한다. 블룸버그의 CFA이자 주식 분석 및 퀀터멘털 솔루션 제품 총괄인 조나단 그린버그(Jonathan Greenberg)는 이를 이용해 보다 변동성이 큰 시장의 기존 포지션을 검증하거나, 최근의 하락세를 이용한 매수 기회를 포착할 수 있다고 설명한다. 또한 건전한 모델의 확보 외에도 투자자는 기업들 간의 수평적 관계를 이해하기 위해서는 블룸버그에서 제공하는 공급망 데이터 등 전문화된 제품도 필요하다.
이처럼 기업들은 자연어 처리와 평점 모델 등의 정량적 도구를 사용하여 금융시장을 모자이크처럼 한 조각씩 점차 맞추면서 자산 수익률에 대한 다면적인 관점을 구축해 나가고 있다. 아래 웨비나(영문)를 참조하면 데이터 사이언스 도구를 이용하여 대량의 데이터로부터 큰 그림을 그리는 방법에 대한 더 많은 정보를 얻을 수 있다.
데이터 사이언스 관련 영문 웨비나 및 자료를 아래 링크에서 열람하실 수 있습니다.
영문 웨비나 및 자료 열람하기
