(번역) ChatGPT가 금융 시장에 미치는 영향

https://www.garp.org/risk-intelligence/technology/chatgpt-financial-240126

Will ChatGPT Break Financial Markets?

ChatGPT와 같은 대규모 언어 모델(LLM)은 삶과 업무의 대부분 영역에 위협을 가하고 있습니다. 금융 거래도 예외는 아닙니다. 금융의 기초인 트레이딩에서는 메커니즘의 작은 변화라도 시장에 큰 영향을 미치며, 이는 엄청난 경제적 결과로 이어집니다.

 

HFT(고빈도매매)가 좋은 예입니다. 1990년대 후반에 도입된 HFT는 최종 구매자와 최종 판매자를 더 빠르고 효율적으로 연결하였으며, 이는 거래량을 크게 늘리고 거래 비용을 낮추며 금융 시장의 인력을 감축시켰습니다. 이로 인해 수수료가 없는 중개회사와 수수료가 없는 인덱스 펀드가 탄생했습니다. 이는 중개인과 자산 관리자가 처음 창설된 이후 의존해 왔던 수익을 없앤 것입니다. 더욱이 HFT는 두 개의 주요 금융 사업을 구조 조정하고 규제 기관에 도전하고 최종 투자자의 비용을 절감하는 것 외에도 새로운 현상을 제공했습니다.

 

트레이딩 분야에서 LLM의 증가: 유익한가, 해로운가?

LLM 알고리즘은 모든 시장에서 가격, 거래량, 기본 데이터, 변동성 또는 상관관계와 같은 금융 데이터의 모든 종류의 변칙을 검색할 수 있습니다. 거래에 사용되는 LLM 모델은 명백한 이익 영향이나 경제적 연관성 없이 수많은 수수께끼 관계를 드러낼 수 있으며, 이들의 조합이 실제로 어떤 영향을 끼칠지는 명확히 파악하기 어렵습니다.

 

'과학'은 흥미롭다고 알려진 질문을 무조건적으로 받아들이지 않고, 전문가가 묻고 답하며 끊임없이 검증합니다. 그러나 모든 분야의 흥미롭지만 수수께끼 같은 관계를 나열하는 LLM을 무분별하게 수용하는 경우 이는 검증되지 않은 관계를 맹신하는 것일 수 있습니다.

 

그럴듯한 가까운 미래의 이야기는 LLM 중심의 거래 모델이 대규모 자산 포트폴리오를 구축할 것이라는 것입니다. 이는 현재 글로벌 매크로 헤지펀드가 채택하고 있는 전략과 유사하지만 더 많은 레버리지, 더 많은 포지션, 더 활동적인 거래, 그리고 중요한 점은 논제를 설명할 사람이 없다는 점입니다.

우리는 새로운 가격 관계와 상관관계가 경제 현실을 더 잘 반영하여 자본을 더 효율적으로 배분하고 실제 경제적 결정을 더 잘 내릴 수 있기를 바랄 수 있습니다. 그러나 이러한 희망은 빈약한 위험 관리를 야기합니다. 앞서 언급한 경우에도 시장 간 금융 관계의 구조 조정은 많은 비즈니스 모델과 규제 체제를 혼란에 빠뜨릴 것입니다. 최소한 HFT에서 얻은 만큼의 혼란이 있을 수 있으며 아마도 금융 선물 및 옵션의 공개 거래에서 얻은 만큼의 혼란이 있을 수 있습니다.

 

미래에 LLM에 의한 "재미있는" 관계의 수가 증가하고, 이는 트레이딩 전략의 원재료가 될 가능성이 높습니다. 이것이 안정적이거나 좋은 균형으로 발전할 것이라고 가정할 이유가 없으며 실제로 상황이 무너질 때까지 점점 더 혼란스러워질 수 있습니다.

 

LLM 거래의 한 가지 대안은 "VaR 마진"입니다. 이는 포트폴리오에 다양한 자산 클래스의 포지션이 포함되어 있더라도 포트폴리오의 예상 꼬리 위험을 기반으로 레버리지를 허용합니다. 그러나 나는 VaR의 열렬한 팬이지만 LLM 거래 모델이 생산할 수 있는 다양한 포지션, 교차 시장 포트폴리오에 대해서는 VaR에 의존하지 않을 것입니다.

 

위험 관리자는 자산 간 레버리지를 높이고 시장을 혼란에 빠뜨릴 가능성이 있으므로 LLM 거래 전략 채택에 주의를 기울여야 합니다. LLM 모델은 재무와 일반 측면에서 많은 부분을 개선할 수 있는 능력을 갖추고 있지만 혼란과 불안정성에 대한 새로운 가능성을 제시합니다. 많은 재정적 위험과 마찬가지로, 새로운 거래 방법과 과도한 레버리지가 결합되어 재앙을 초래합니다. 레버리지를 신중한 수준으로 제한하면 나쁜 혁신으로 인한 피해를 제한할 수 있습니다.

---

1990년대에 고빈도 매매가 접목되며, 수수료가 줄어들고 인당 생산성이 빠르게 증가. LLM도 이 만큼의 변화를 가져다줄 것. 하지만, 그 영향이 긍정적일지 부정적 일지는 알지 못한다.

 

LLM이 기존에 알지 못했던 다양한 상관관계를 찾아내어 포트폴리오의 효율성을 더 높일 수도 있지만, 그 관계가 검증된 관계가 아니었다면 이는 위험을 과소평가하게 되는 것이며 레버리지를 높이고 추후 Tail Risk 발생 시 큰 손실이 생길 수 있다.

 

새로운 상품이 과도하게 낙관적으로 생각될 때 큰 위기가 발생한다고 생각함.

AI에 대한 맹목적 신뢰가 아닌 원리에 대한 이해도를 높여 잘 활용할 수 있도록 해야 함.