인공지능을 활용해서 금융투자를 하려고 시도할 경우 다음과 같은 내용을 발견하게 됩니다.
(1)심각한 한계를 가진 예측은 결국 도움이 되지 않음
컴퓨터의 감성분석 방법이 그동안 비효과적이었던 이유가 이러합니다. 감성분석이란 말이 문맥분석을 하지 않는다는 것을 의미하는 것이었는데, 다음과 같은 한계가 있었습니다.
의미를 잘 알 수 없어서 단어의 빈도 같은 것으로 긍정 표현일지 부정 표현일지 정도를 확률적으로 짐작하겠다는 것.
이것으로 금융투자 예측을 하는 것은 효과적일 수 없습니다. 금융 뉴스를 예로 들자면, 뉴스 내용이 유가가 오르겠다는 것인지 내리겠다는 것인지를 문맥을 통해 파악해야 하는데 그 단계로 가기 전에 단어 빈도로 내용을 확률적으로 짐작한 뒤 그것을 바탕으로 유가를 예측하는 것이라면? 사람이 예측하는 것이 낫겠습니다.
(2)예측하지 말고 조종해야 함
사이버네틱스라는 분야가 만들어졌을 때 이는 배의 키를 조종하는 항해사를 뜻하는 헬라어 퀴버네티스(퀴베르네테스)에서 왔고, 여기서 사이버란 말도 나왔습니다. 사이버는 의미가 좀 달라지긴 했습니다.
컴퓨터에서 POSIX 환경을 만드는 도커의 컨테이너를 다루는 쿠버네티스도 같은 어원을 갖고 있습니다. 금융에서는 예측이 아니라 사이버네틱스 영역의 계산과 통계로 접근해야 할 부분들이 많습니다. 즉 파도를 예측하는 것에 그치는 것이 아니라 파도에 대처하고 해류를 이용하도록 키를 조종해야 한다는 것입니다.
(3)사이버네틱 금융인공지능
인공지능으로 금융투자나 혹은 다른 필요한 일을 할 때 확률적 예측 방식으로 방향을 잡고 확률에 매달리는 것은 문제를 발생시키는 방법이 될 수 있습니다.
과거에 금융투자에서의 예측이 시도될 때 근본적으로 의지할 수단으로서 기계가 사람보다 못한 위와 같은 한계 속에 있었기 때문에 결과가 좋을 수 없었던 면이 있습니다. 그래서 인공지능의 예측을 통해 투자를 성공하겠다는 시도가 있으면 사이버네틱스의 관점에서 바른지 아닌지 지금은 더 낫게 점검하고 있습니다.
사이버네틱 인공지능은 예측하기보다 조종하는 방식으로 작동하는 인공지능을 뜻합니다. 예측이 사람보다 낫기 위해서는 지금보다 월등하게 인간의 언어 등을 이해할 단계가 되어야 하고(사실은 점점 가능해지고 있음), 조종은 적어도 사람보다 안정적이어야 합니다.
(4)사람처럼 예측하지 말고, 사람처럼 조종할 때 성공적인 인공지능이 됨
여전히 금융투자에서 어떻게 예측해서 좋은 결과를 내겠다는 시도는 대부분 실패에 가깝게 될 것입니다.
사이버라고 하면 뭔가 차가운 이미지가 연상되기도 하는데, 어떻게 보면 어울립니다. 사이버네틱스는 매우 차가운 학문이자 방식일 수 있어서입니다. 확률에 의지하는 것이 아니라 확률을 이용합니다. 사이버네틱스 방식이라면, 예컨대 높은 확률로 지금 주가가 오를 것이라는 식으로 예측하지 않습니다. 그대신 차가운 계산과 통계를 써서 전체를 컨트롤합니다. 콜(공매수)과 풋(공매도)을 동시에 걸었을 때 얼만큼 변동할 때 한쪽 계약이 체결될 것인가와 같은, 확률에 의지할 필요가 없는 필연적인 계산을 함께 다룹니다. 어느 정도의 변동성이 마진을 위태롭게 하는가 같은 것들도 한 예입니다. 결국 목적은 시스템이 예측을 해 가며 이익을 쫓아가는 것이 아니라 시스템으로 이익이 흘러들어오게 하는 것입니다.
이렇게 사이버네틱스를 시도하는 인공지능은 확률에 의지하기보다는 확률을 이용합니다. 비슷해 보이지만 둘은 같은 것이 아닙니다. 쉽게 예를 들자면 전자는 높은 확률로 일어날 일에 베팅하는 것을 뜻합니다. 거의 일어나지 않을 일이 일어나면 큰 손해를 입게 됩니다. 반대로 후자는 낮은 확률로 어떤 일이 일어났을 때 대책이 있을뿐 아니라 오히려 더 큰 이익을 얻을 수도 있게 설계되어 있는 경우입니다. 이것은 확률을 의지하지 않은 것입니다.
예를 들어 미국의 서브프라임 모기지론 사태도 확률에 의지하는, 냉정하지 않은 시스템 때문에 일어난 일이었습니다. 발생하지 않을 확률에 의지하다가 낮은 확률의 일이 일어나고 만 것으로 볼 수 있습니다.
(5)금융투자에서 인공지능 사용법
사람도 교육에 의해 변화하는데, 인공지능도 마찬가지입니다. 좋은 방향을 설정해서 교육해야 합니다. 즉 인공지능에게 금융투자와 관련하여 확률을 의지하지 않고 이용만 하도록 시켜야 합니다. 예측하기보다 조종하게 해야 합니다.
인공지능에게 지금까지의 금융투자 데이터로 교육하려 하지 말고 금융투자 데이터를 생산하게 하는 시도도 필요합니다.(이것이 루미네움이 금융인공지능 분야에서 하려는 일 가운데 하나입니다.) 금융투자 데이터는 매우 적기 때문에(진정한 빅데이터가 주어지지 못하기 때문에) 안그래도 예측하기 힘든 조건인데 더 나빠집니다. 인간 기보를 통해 배운 알파고 마스터보다 인간 기보 없이 배운 알파고 제로가 강한 이유는 알파고 제로는 더 근본적인 데이터를 스스로 생산했기 때문입니다.
금융투자 데이터처럼 진정한 빅데이터가 없는 영역에서는, 예컨대 강화학습 개념으로 보자면 몇 에이전트에게는 많은 돈을 할당하고, 대다수의 에이전트에게는 매우 적은 돈을 할당해서 매우 빠른 연산을 통해 서로 수많은 경쟁을 하는 데이터도 수집이 아니라 만들어내야 합니다. 아울러 일종의 GAN 시스템을 구축해야 합니다. 의미를 가지는 규모의 내부 데이터를 스스로 만들게 하는 것입니다.
루미네움은 사이버네틱 금융인공지능을 위해 많은 연구를 해 왔습니다.