260315 경제뉴스 여론기반 포트폴리오 설계

15 Mar 2026 Tags:

경제뉴스, 여론기반, 포트폴리오, 설계

260315 경제뉴스 여론기반 포트폴리오 설계

기준 시각: 2026-03-15 14:48:23 +09:00

한눈에 결론 🚦

경제뉴스 + 여론은 단기(당일~수일) 포트폴리오 조정 신호로는 의미가 있다. 다만 중기 이상 성과를 단독으로 책임질 주신호로 보기는 어렵다.
사용자가 직감한 “실제 주가를 움직이는 것은 여론이 더 크다”는 생각은 단기, 이벤트성, 개인투자자 비중이 높고 차익거래가 어려운 종목에서는 꽤 맞다. 하지만 장기 구간에서는 결국 펀더멘털과 밸류에이션이 더 강한 닻(anchor) 역할을 한다.
기사 본문 + 최신성 + 종목 연관도 + 이벤트 타입 + 출처 신뢰도는 핵심 피처다. 반면 PV/좋아요/댓글/댓글 좋아요는 보조적인 attention proxy로는 쓸 수 있지만, 가용성 부족, 소스별 편차, 조작 가능성 때문에 1차 신호로 두면 위험하다.
유튜브는 분명 중요해지고 있다. 뉴스 소비 자체가 텍스트에서 영상/플랫폼형으로 이동 중이고, 특히 한국/미국 모두 개인투자자 관심 형성에 영향을 준다. 다만 공식 API로 얻을 수 있는 데이터가 제한적이고, 자막/음성분석/채널 신뢰도 추정이 필요해 구현 난도가 뉴스보다 높다.
시스템 설계의 정답은 단일 벤더가 아니라 하이브리드다.
- 한국: Naver News Search API + DART + IR
- 미국/글로벌: GDELT + Alpha Vantage News & Sentiment 또는 FMP/Marketaux
- 보강: YouTube Data API
- 해석: PydanticAI + LLM
- 최적화: 기존 포트폴리오 종목만 대상으로 수량 재조정
실서비스 핵심 리스크는 LLM 비용보다 뉴스 라이선스, 종목 매핑, 평가셋, 데이터 편향, 리밸런싱 과최적화다.

1. 질문별 핵심 답변 🔍

1-1. 경제뉴스의 여론분석과 근미래 주가예측의 상관관계가 큰가?

짧게 답하면 있다. 하지만 조건부다.

연구 해석

NBER의 Media Sentiment and Stock Prices는 뉴스 감성이 주가 움직임과 연결되며, 특히 감성의 전달 방식과 시장 반응의 연결을 다룬다.
Baker & Wurgler의 Investor Sentiment and the Cross-Section of Stock Returns는 투자심리가 모든 종목에 동일하게 작동하지 않고, 작고 변동성이 높고, 가치평가가 어려운 종목에서 더 크게 작동함을 보여준다.
Seeking Alpha 데이터를 분석한 Wisdom of Crowds 논문은 기사 본문보다 댓글이 미래 수익률과 실적 서프라이즈를 더 잘 설명하는 구간이 있음을 보여준다. 이것은 “여론”이 단순 헤드라인보다 더 많은 정보를 포함할 수 있음을 시사한다.

내 해석 💡

당일~5영업일 정도의 짧은 구간에서는 뉴스 감성과 군중 반응이 실제 가격 형성에 유의미하다.
하지만 시간이 길어질수록 뉴스 감성의 설명력은 약해지고, 실적/가이던스/금리/현금흐름/밸류에이션 같은 구조적 변수의 영향력이 더 커진다.
따라서 이 시스템은 장기 종목 발굴 시스템보다 단기~중단기 포트폴리오 조정 시스템으로 포지셔닝하는 것이 맞다.

결론

상관관계는 있다
그러나 크고 안정적인 초과수익으로 이어지려면
- 이벤트 타입 분류
- 종목 연관도 추정
- 최신성 가중
- 거짓/중복 기사 제거
- 뉴스 이후 실제 수익률로 검증
  가 반드시 붙어야 한다.

1-2. “실제 주가를 움직이는 것은 애널리스트보다 여론”이라는 생각은 일반적으로 맞는가?

반만 맞다.

맞는 부분

단기 가격은 결국 주문 흐름(order flow) 이 만든다.
주문 흐름은 많은 경우 심리, 관심, 기대, 공포, 유행, 해석 경쟁의 결과다.
그래서 장중과 단기 구간에서는 뉴스 여론, 커뮤니티 반응, 영상, 검색량 같은 attention/sentiment 신호가 매우 중요하다.

틀릴 수 있는 부분

장기적으로는 펀더멘털이 전혀 없는 자산이 계속 비싸질 수는 없다.
여론이 가격을 순간적으로 밀어도, 이후 실적과 현금흐름이 따라오지 않으면 되돌림이 발생한다.
특히 메가캡, 기관 비중이 큰 대형주, 정보 효율성이 높은 종목은 순수 감성 신호만으로 오래 이기기 어렵다.

실무 결론

당신의 직감은 단기 트레이딩/전술적 리밸런싱 관점에서는 꽤 타당하다.
하지만 시스템을 만들 때는 여론 > 펀더멘털로 두지 말고, 아래처럼 두는 것이 더 정확하다.

단기 가격결정:
여론/뉴스/attention > 펀더멘털

중기~장기 가격정착:
펀더멘털 + 금리 + 밸류에이션 > 여론

즉, 이 시스템은 전술 신호 레이어로 설계하고, 장기 전략 전체를 대체하는 엔진으로 과대해석하면 안 된다.

1-3. 기사 본문, PV, 좋아요, 댓글수, 댓글 좋아요/싫어요를 분석하려는 방향은 맞는가?

방향은 맞지만, 우선순위를 다시 정렬해야 한다.

우선순위 추천

기사 본문 의미
최신성
종목 직접 연관도
이벤트 타입
출처 신뢰도
기사 중복/재전송 여부
engagement(PV/좋아요/댓글)

왜 engagement를 뒤로 미뤄야 하나?

PV/좋아요/댓글수는 감성이라기보다 관심도(attention) 에 가깝다.
관심이 높다고 항상 호재는 아니다.
- 악재 기사도 댓글과 조회수가 폭증한다.
- 논란성 기사도 좋아요/댓글이 많다.
raw count는 퍼블리셔/플랫폼마다 스케일이 전혀 다르다.
- 네이버 메인 기사와 지방지 기사 PV는 구조적으로 다르다.
- 유튜브 대형 채널과 소형 채널도 절대값 비교가 어렵다.

따라서 이렇게 써야 한다 💡

text sentiment: 방향성
event type: 왜 움직여야 하는지
engagement: 시장이 그 뉴스를 얼마나 크게 보고 있는지

즉 engagement는 방향 결정용 주신호가 아니라 강도 조정용 보조신호가 맞다.

특히 주의할 점

댓글 좋아요/싫어요는 플랫폼 정책 변화 영향을 크게 받는다.
유튜브는 공개 dislike 집계가 사실상 사라졌고, 공식 API에서도 일반적인 public dislike count를 기대하면 안 된다.
네이버 기사 engagement는 공식 Open API에서 바로 주지 않는다.
비공식 스크래핑은 약관/차단/구조변경 리스크가 크다.

결론

기사 본문 분석은 맞다 ✅
댓글 텍스트 분석도 의미 있다 ✅
PV/좋아요/댓글수/댓글 좋아요는 보조 피처로는 유용할 수 있다 ✅
하지만 이것들을 중심 축으로 두는 것은 비추천 ❌

1-4. 뉴스보다 유튜브가 더 많이 소비되고, 여론 형성도 유튜브가 더 강해지는가?

점점 더 그렇다. 다만 “뉴스를 대체했다”가 아니라 “투자 attention 형성 채널이 추가되었다”에 가깝다.

근거

Pew Research에 따르면 미국에서 YouTube를 통해 정기적으로 뉴스를 접한다는 응답은 2020년 이후 크게 증가했다.
Reuters Institute Digital News Report 2024도 동영상 기반 플랫폼과 크리에이터 기반 뉴스 소비의 성장을 보여준다.
한국 관련 연구에서는 유튜브 경제/주식 채널의 조회수가 동시적 혹은 매우 단기적인 주가 반응과 연결될 가능성이 보고되었다.

내 해석 💡

텍스트 뉴스는 사실 전달과 속보성에서 아직 강하다.
유튜브는 해석, 프레이밍, 감정 증폭, 개인투자자 동원에서 강하다.
그래서 둘은 경쟁이라기보다 역할이 다르다.

텍스트 뉴스:
빠른 사실 전달, 기사 단위 이벤트 포착

유튜브:
서사 형성, 투자자 확신 강화, 관심 집중, 반복 노출

결론

유튜브를 분석하는 것은 충분히 가치 있다.
다만 뉴스 분석 MVP를 먼저 안정화한 뒤
YouTube는 phase 2로 붙이는 것이 현실적이다.

1-5. 유튜브 영상을 분석한다면 어떤 솔루션이 좋은가?

현실적인 권장안

A안. 저비용 자작형

YouTube Data API v3
- video metadata
- statistics(view/like/comment)
- comments
음성 추출 후 Whisper 계열 ASR
PydanticAI + LLM으로
- 영상 요약
- 종목 언급 추출
- 주장/근거/어조/시간축 구조화

장점:

자유도가 높다
종목별 맞춤 해석 가능
뉴스와 동일 스키마로 통합 가능

단점:

자막/ASR 품질 관리 필요
영상 길이 때문에 비용과 처리시간이 증가
노이즈가 매우 많다

B안. 범용 소셜 리스닝 툴 병행

Brandwatch
Talkwalker
Sprinklr

이들은 브랜드/소셜 분석에는 강하지만, 금융 종목별 relevance와 event taxonomy는 직접 얹어야 하는 경우가 많다.

C안. 금융 특화 데이터 벤더 + 유튜브 자작 혼합

뉴스: Benzinga / Marketaux / FMP / Alpha Vantage
유튜브: 직접 수집/분석

이 조합이 가장 현실적이다.
이유는 금융 특화 뉴스 sentiment 벤더는 있어도, 금융 특화 YouTube sentiment 완제품은 상대적으로 약하기 때문이다.

2. 시스템 설계 방향 🏗️

2-1. 시스템 목표 재정의

당신의 요구를 실무적으로 다시 정의하면 아래다.

입력:
- 현재 포트폴리오 = ticker, quantity 목록

데이터:
- 최근 7일 뉴스/댓글/유튜브/가격

출력:
- 입력에 있던 ticker만 유지
- quantity만 조정
- 전체 리포트 1개
- 종목별 리포트 N개

여기서 가장 중요한 제약은 이것이다.

핵심 제약

새 종목 추가 금지

이 제약은 시스템을 단순하게 만들지만, 동시에 한계도 만든다.

모든 보유 종목 신호가 나빠도
입력 포트폴리오에 현금 또는 금이 없으면
시스템은 결국 나쁜 종목들 사이에서만 비중을 재배치해야 한다.

그래서 권장하는 운영 규칙

입력 포트폴리오에 가급적 아래 pseudo ticker를 허용
- CASH_KRW
- CASH_USD
- GLD 또는 금 ETF
그러면 시스템이 방어적으로 숨을 곳이 생긴다.

2-2. 추천 아키텍처

전체 구조

flowchart TD
    A[Portfolio Input] --> B[Universe Builder]
    B --> C[News / YouTube Collectors]
    C --> D[Normalizer & Dedup]
    D --> E[Entity Linking]
    E --> F[Article / Video Analyst Agent]
    F --> G[Signal Aggregator]
    G --> H[Portfolio Optimizer]
    H --> I[Report Writer Agent]
    I --> J[Optimized Portfolio + Advice]

AWS 권장 구성

EventBridge
- 시간 기반 수집 스케줄
Lambda
- 가벼운 API 수집 작업
SQS
- 기사/영상 분석 작업 큐
ECS Fargate 또는 Batch
- 대량 ASR, 대량 기사 분석
S3
- raw JSON, transcript, parquet 저장
Aurora PostgreSQL
- 정규화된 엔터티, 시그널, 포트폴리오, 리포트 저장
Athena
- 백테스트와 ad-hoc 분석
CloudWatch
- 품질/지연/에러 모니터링

내 해석 💡

MVP는 Lambda + SQS + S3 + Postgres면 충분하다.
영상 ASR 비중이 커지면 Fargate 또는 Batch가 필요하다.
너무 일찍 복잡한 마이크로서비스로 가면 운영비만 커진다.

2-3. 데이터 소스 추천

한국 뉴스

1순위

Naver News Search API
DART 공시
상장사 IR / 보도자료

이유

한국 종목명/브랜드/그룹명 질의에 강하다
뉴스 발견용으로는 매우 실용적이다
DART와 붙이면 루머와 공식정보를 분리할 수 있다

한계

기사 본문 전문과 engagement를 공식 API로 바로 얻기 어렵다
따라서 본문 크롤링/저장 전략은 약관과 라이선스를 별도 검토해야 한다

미국/글로벌 뉴스

무료/저가 우선

GDELT
Alpha Vantage News & Sentiment
Yahoo Finance는 가격/메타 보조

품질 우선

FMP
Marketaux
Benzinga

각 후보 해석

GDELT
- 무료, 넓은 글로벌 커버리지
- 하지만 금융 종목 정규화는 약하다
Alpha Vantage News & Sentiment
- 무료 진입이 쉽고 sentiment/relevance 필드가 있다
- MVP 검증용으로 매우 좋다
FMP
- 가격/뉴스/재무를 한 API에 묶기 좋다
- 감성 자체는 직접 구축 성격이 강하다
Marketaux
- 금융 뉴스/엔터티/감성 필터가 좋아 실전성이 높다
Benzinga
- 미국 주식 뉴스 품질과 정량화가 강하지만 비용이 올라갈 수 있다

현실적 추천 조합

MVP

한국: Naver News Search API + DART
미국: Alpha Vantage News & Sentiment + Yahoo Finance
글로벌 보강: GDELT

운영형

한국: Naver + DART + IR
미국: Marketaux 또는 FMP
예산 허용 시: 미국 뉴스만 Benzinga 추가

3. 피처 설계 📊

3-1. 기사 단위 점수

각 기사 a, 종목 i에 대해 아래 구조를 만든다.

article_score(i, a)
= recency_weight(a)
* source_weight(a)
* entity_relevance(i, a)
* novelty_weight(a)
* impact_strength(i, a)
* signed_direction(i, a)

3-2. engagement 피처

engagement는 아래처럼 쓰는 것이 좋다.

engagement_score
= w1 * normalized_pv
+ w2 * normalized_like
+ w3 * normalized_comment_count
+ w4 * normalized_comment_reaction

단, 아래 원칙이 필요하다.

원칙 1. raw count 금지

반드시 source별 percentile 또는 z-score로 표준화
log1p 변환 후 clip 적용

원칙 2. 방향과 강도를 분리

댓글 수가 많다고 bullish가 아니다
댓글 텍스트 sentiment와 함께 써야 한다

원칙 3. 플랫폼별 가용성 차이를 인정

네이버 기사 좋아요/댓글은 일부 확보 가능해도 공식성/안정성이 약하다
유튜브 dislike는 일반 공개 지표로 보기 어렵다

결론

engagement = amplification proxy
text/event = direction proxy

3-3. 종목 단위 최종 시그널

최근 7일 기사/영상/댓글을 모아 종목 점수를 만든다.

ticker_signal(i)
= sum(article_score(i, a)) / sum(weights)

중요

증거 수가 너무 적으면 강한 조정 금지
출처가 한 채널에만 몰리면 강한 조정 금지
positive/negative가 섞이면 mixed 처리

4. 포트폴리오 재구성 로직 💼

4-1. 문제 정의

현재 포트폴리오:

[
    {"ticker": "005930.KS", "quantity": 10},
    {"ticker": "MSFT", "quantity": 4},
    {"ticker": "GLD", "quantity": 2},
    {"ticker": "CASH_USD", "quantity": 1000},
]

출력 제약:

ticker 추가 금지
ticker 삭제 가능 여부는 정책으로 결정
quantity만 조정
총 포트폴리오 가치 보존

4-2. 추천 최적화 로직

1단계. baseline weight 계산

현재 시가 기준 비중 산출

2단계. signal tilt 계산

tilt_i = alpha * normalized_signal_i
       - beta  * uncertainty_i
       - gamma * risk_penalty_i

3단계. 목표 비중 계산

target_weight_i
= baseline_weight_i + tilt_i

제약:

sum(target_weight_i) = 1
target_weight_i >= 0
max_turnover <= preset limit

4단계. quantity 변환

미국 주식, 한국 주식, 금 ETF는 정수 수량 반영
현금 pseudo ticker는 잔여 가치 흡수

4-3. 추천 정책

정책 A. 보수형

증거가 충분할 때만 ±5~10% weight 조정
turnover 상한 낮게

정책 B. 전술형

강한 악재/호재 이벤트에 더 크게 반응
단기성과는 좋아질 수 있으나 과최적화 위험 큼

내 추천

초기에는 무조건 보수형이 맞다.

이유:

뉴스 신호는 노이즈가 크다
거래비용, 세금, 슬리피지가 있다
사용자가 실제 운용할 때 심리적으로도 급격한 리밸런싱은 불편하다

5. PydanticAI 파이프라인 상세 🤖

5-1. 에이전트 분리 구조

Agent 1. Entity Linker

역할:

기사/영상에서 종목명, 회사명, 브랜드명, 티커 연결

입력:

title
content
candidate tickers from portfolio

출력:

primary_ticker
secondary_tickers
relevance score

Agent 2. Event Analyzer

역할:

이벤트 타입과 방향성 구조화

출력 필드 예시:

event_type
impact_direction
time_horizon
materiality
confidence
why
counter_argument
evidence_spans

Agent 3. Comment/YouTube Crowd Analyzer

역할:

댓글/영상의 crowd stance 추정

출력 필드:

crowd_bullishness
crowd_bearishness
controversy_score
manipulation_risk

Agent 4. Ticker Signal Aggregator

역할:

기사/영상/댓글 단위 결과를 종목 단위로 집계

Agent 5. Portfolio Optimizer

역할:

종목 점수 + 현재 수량 + 가격으로 목표 수량 산출

Agent 6. Report Writer

역할:

전체 advice
종목별 advice

5-2. 추천 자료구조

from __future__ import annotations

from datetime import datetime
from enum import Enum
from pydantic import BaseModel, Field


class AssetType(str, Enum):
    KR_STOCK = "kr_stock"
    US_STOCK = "us_stock"
    GOLD = "gold"
    CASH = "cash"


class PortfolioPosition(BaseModel):
    ticker: str
    quantity: float
    asset_type: AssetType
    currency: str


class NewsItem(BaseModel):
    source: str
    source_type: str
    url: str
    published_at: datetime
    title: str
    body: str | None = None
    pv_count: int | None = None
    like_count: int | None = None
    comment_count: int | None = None
    comment_like_count: int | None = None
    comment_dislike_count: int | None = None


class Mention(BaseModel):
    ticker: str
    relevance: float = Field(ge=0, le=1)
    is_primary: bool


class AnalyzedItem(BaseModel):
    item_id: str
    mentions: list[Mention]
    event_type: str
    direction: str
    confidence: float = Field(ge=0, le=1)
    time_horizon: str
    materiality: str
    text_sentiment: float = Field(ge=-1, le=1)
    crowd_sentiment: float | None = Field(default=None, ge=-1, le=1)
    controversy_score: float = Field(ge=0, le=1)
    novelty_score: float = Field(ge=0, le=1)
    evidence: list[str]


class TickerSignal(BaseModel):
    ticker: str
    score: float
    uncertainty: float
    evidence_count: int
    positive_events: int
    negative_events: int
    mixed_events: int
    summary: str


class RebalanceDecision(BaseModel):
    ticker: str
    current_quantity: float
    target_quantity: float
    delta_quantity: float
    reason: str


class PortfolioRebalanceReport(BaseModel):
    advice: str
    decisions: list[RebalanceDecision]

5-3. PydanticAI 적용 포인트

output_type
- 각 에이전트 결과를 강하게 구조화
deps_type
- API client, DB session, market data provider 주입
tool
- ticker lookup
- price lookup
- article fetch
- transcript fetch
- historical returns lookup
evals
- event classification accuracy
- ticker linking accuracy
- hallucination rate
durable execution / temporal
- 대량 배치와 재시도 안정성 확보

6. 백테스트 설계 📈

뉴스 여론 시스템은 백테스트 설계가 절반이다.

6-1. 먼저 검증할 가설

가설 A

최근 7일 뉴스 텍스트 시그널은 다음 1~5영업일 수익률 방향을 예측한다.

가설 B

engagement 피처를 추가하면 text-only 대비 성능이 개선된다.

가설 C

YouTube 피처를 추가하면 일부 종목군에서 추가 개선이 있다.

가설 D

이 시그널을 기존 포트폴리오 재구성에 쓰면 buy-and-hold보다 turnover 감안 후 성과가 개선된다.

6-2. 백테스트 단위

연구용 universe backtest

포트폴리오 몇 종목만으로 검증하면 표본이 너무 작다.
먼저는 다음처럼 넓게 검증해야 한다.

한국 대형주 100
미국 대형주 100
선택적으로 중소형주 버킷

운영용 portfolio backtest

실제 사용자의 보유 종목에 대해서만 constrained rebalance 시뮬레이션

6-3. 레이블

T+1d return
T+3d return
T+5d return
event type별 별도 레이블

6-4. 검증 방식

walk-forward
purged time split
시장 체제별 분리
- 상승장
- 하락장
- 변동성 급등장

6-5. 핵심 지표

방향 적중률
IC(rank correlation)
long-short spread
turnover-adjusted return
max drawdown
Sharpe
Calmar
feature ablation

6-6. 반드시 할 ablation

text only
text + recency
text + recency + engagement
text + recency + engagement + youtube
price momentum only
text signal + price momentum

이 테스트가 중요한 이유

이 시스템이 정말 의미 있으려면 최소한 아래 둘 중 하나는 보여야 한다.

engagement가 실제로 incremental value를 준다
아니면 engagement는 거의 가치 없고 텍스트/이벤트만 중요하다는 사실이 드러난다

둘 다 중요한 결과다.

7. 현재 로컬 코드/자료에 대한 평가 🧩

7-1. 기존 조사 문서의 가치

기존 문서들에서 이미 좋은 방향이 잡혀 있었다.

260311_2128_global_financial_news_api_research.md
- GDELT / Marketaux / NewsCatcher / LexisNexis의 성격 구분이 좋다
260312_0134_FMP_API_리서치.md
- FMP가 해석 레이어보다 원시 데이터 레이어라는 점이 정확하다
260312_1937_news_data_vendor_research.md
- 라이선스 리스크 인식이 좋다
260312_경제뉴스_뉘앙스_서비스_리서치.md
- pydantic.ai + 외부 데이터 공급자 조합이 현실적이라는 판단이 맞다

7-2. 기존 Python 스크립트 평가

`news_naver_crawl.py`

장점:

네이버 기사 좋아요/댓글수 확보 가능성 실험에 유용

한계:

랭킹 기사만 수집하므로 selection bias가 매우 크다
오늘 기사만 본다
최근 7일 전체 뉴스 coverage가 아니다

`news_us_crawl.py`

장점:

AP/Reuters 실험 출발점으로는 좋다

한계:

today only
Google News RSS 기반
종목 매핑/본문/감성 레이어가 없다

`padantic_ai_claude_basic.py`

장점:

structured output 실험으로 적절하다

다음 단계:

MyNumRes 대신 AnalyzedItem, TickerSignal, PortfolioRebalanceReport 같은 모델로 확장

`stock_query.py`

장점:

Yahoo Finance 기반 현재가/기초 시세 확인용으로 MVP에 충분

`ticker_query.py`

장점:

KR/US ticker universe 부트스트랩에 유용

총평

현재 코드는 프로토타이핑 출발점으로는 괜찮다.
다만 지금 상태에서 바로 서비스 아키텍처로 연결하기에는

coverage 부족
편향
지속 실행 구조 부재
저장 구조 부재

가 크다.

8. 권장 로드맵 🛣️

Phase 1. 연구 MVP

한국: Naver Search API + DART
미국: Alpha Vantage News & Sentiment + Yahoo Finance
최근 7일
text + recency + event type만 사용
engagement는 제외 또는 약하게만 사용
daily rebalance backtest

Phase 2. 운영 MVP

S3 raw lake
Postgres normalized store
PydanticAI agents
report generation
constrained optimizer

Phase 3. 고도화

YouTube
comment text sentiment
source credibility calibration
cross-market contagion signal
regime-aware optimizer

Phase 4. 상용화 검토

라이선스 점검
대체 벤더
모니터링
human-in-the-loop

9. 최종 권장안 ✅

지금 당신에게 가장 실용적인 설계는 아래다.

무엇을 버려야 하나

초기에 PV/좋아요/댓글에 과도하게 기대하는 것
초기에 뉴스와 유튜브를 동시에 완전하게 하려는 것
초기에 실시간 고빈도 시스템으로 가는 것

무엇을 먼저 해야 하나

text/event/recency 기반 백테스트
engagement incremental value 검증
유튜브는 그 다음

한 줄 최종 판단

이 프로젝트는 충분히 가치 있고 차별화 여지가 있다.
다만 승부처는 “뉴스를 많이 모으는 것”이 아니라,

종목에 맞게 정확히 연결하고
이벤트를 구조화하고
과최적화 없이 수량 조정으로 연결하는 것

에 있다.

참고한 주요 웹 자료 🔗

NBER, Media Sentiment and Stock Prices
https://www.nber.org/papers/w25353
NBER, Investor Sentiment and the Cross-Section of Stock Returns
https://www.nber.org/papers/w10449
Chen, De, Hu, Hwang, Wisdom of Crowds: The Value of Stock Opinions Transmitted Through Social Media PDF
https://www.bhwang.com/Research/SeekingAlpha_R2.pdf
Pew Research Center, social media and news / YouTube news use
https://www.pewresearch.org/journalism/fact-sheet/social-media-and-news-fact-sheet/
Reuters Institute, Digital News Report 2024
https://reutersinstitute.politics.ox.ac.uk/digital-news-report/2024
YouTube Data API videos resource
https://developers.google.com/youtube/v3/docs/videos
YouTube Data API commentThreads resource
https://developers.google.com/youtube/v3/docs/commentThreads
YouTube Data API captions resource
https://developers.google.com/youtube/v3/docs/captions
Naver Search API 뉴스 검색
https://developers.naver.com/docs/serviceapi/search/news/news.md
Naver DataLab 검색어 트렌드
https://developers.naver.com/docs/serviceapi/datalab/search/search.md
Alpha Vantage documentation
https://www.alphavantage.co/documentation/
GDELT DOC 2.0 API
https://blog.gdeltproject.org/gdelt-doc-2-0-api-debuts/
Financial Modeling Prep pricing
https://site.financialmodelingprep.com/pricing-plans
Financial Modeling Prep stock news docs
https://site.financialmodelingprep.com/developer/docs/stable/stock-news
Marketaux pricing
https://www.marketaux.com/pricing
Marketaux documentation
https://www.marketaux.com/documentation
NewsCatcher docs
https://www.newscatcherapi.com/docs
PydanticAI agents
https://ai.pydantic.dev/agents/
PydanticAI evals
https://ai.pydantic.dev/evals/
PydanticAI models
https://ai.pydantic.dev/models/

이번 작성에 사용한 사용자 질문 프롬프트

$hhd-research

think ultra hard

주제
- 경제뉴스 분석으로 여론파악후 주식 포트폴리오에 미치는 영향을 파악하여 포트폴리오 재구성 하는 시스템 설계

기능
- 경제뉴스의 본문, PV count, 좋아요 count, 댓글 count, 댓글 좋아요/싫어요 count 를 분석하여, 각 종목의 여론을 파악한후
- 입력 포트폴리오에 미치는 영향을 파악하여 포트폴리오 재구성
- 출력 포트폴리오 구성에는 입력 포트폴리오의 항목들로만 수량만 변경하여 재구성
- 경제뉴스는 최근일주일 분량만 사용

- 그중에서도 최신성이 높을수록 가중치를 더 높게 부여

입력
- 현재 포트폴리오 현황
  - list
    - ticker : ex) 삼성전자ticker, msft ticker
    - quantity

출력
- 최적화 포트폴리오 현황
  - advice : str : 전체적인 조언, about pdf 1page, 리포트 형식
  - list
    - ticker : ex) 삼성전자ticker, msft ticker
    - quantity
    - advice : 종목별 조언, about pdf 1page, 리포트 형식

- 포트폴리오 가능 구성
  - 미국주식
  - 한국주식
  - 금
  - 현금

기술 솔루션
- python
- pydantic ai
- aws
- 무료 데이타 조회 솔루션 선호
  - ex) yahoo finance
  - 그외 뉴스 데이타 여론분석이 이미 되어 있는 솔루션도 가능
- 필요하면 한두개 정도 유료 데이타 조회 솔루션 가능

- ex) https://site.financialmodelingprep.com/

- 그외 뉴스 데이타 여론분석이 이미 되어 있는 솔루션도 가능

리서치 세부 방향
- 경제뉴스의 여론분석과 근미래 주가예측이 상관관계가 클까?
  - 이 부분에 대한 기존 연구 리서치
  - 연구 동향이 없다면 이것을 측정하기 위한 백테스트는 어떻게 하면 좋을지?
- 개인적인 생각으론 기업 재무재표나 사업분석등 애널리스트 분석이 있다고 해도, 실제 주가를 움직이는것은 여론이 더 크다고 경험적으로 생각하고 있음.
  - 이것은 일반적으로 맞는 생각일까?
  - 이 부분에 대한 기존 연구 리서치
- 경제뉴스 분석할때 본문, PV count, 좋아요 count, 댓글 count, 댓글 좋아요/싫어요 count 를 분석 를 할려고 하는데 이 방향은 맞는가?
  - 이 부분에 대한 기존 연구 리서치
- 최근에는 텍스트 형식의 뉴스말고 유투브 영상들이 더 많이 소비되는 추세인것 같음.
  - 그래서 경제 컨텐츠도 뉴스를 통한 여론 형성말고, 유투브를 통한 여론형성이 더 많이 되는것 아닌가?
  - 그렇다면 이를 분석하는 것은 어떤가?
  - 이 부분에 대한 기존 연구 리서치
- 유투브 영상을 분석한다고 하면
  - 어떤 솔루션으로 진행할 수 있을까?
  - 기존 여론분석 솔루션 추천
  - 이 부분에 대한 기존 연구 리서치
- 뉴스 여론 분석을 진행할때 pydantic ai 를 이용한 파이프라인 구성 상세
  - 조금더 구체적인 파이프라인 추천
  - 조금더 구체적인 자료구조 추천

황현동 블로그 개발, 인생, 유우머

260315 경제뉴스 여론기반 포트폴리오 설계

260315 경제뉴스 여론기반 포트폴리오 설계

한눈에 결론 🚦

1. 질문별 핵심 답변 🔍

1-1. 경제뉴스의 여론분석과 근미래 주가예측의 상관관계가 큰가?

연구 해석

내 해석 💡

결론

1-2. “실제 주가를 움직이는 것은 애널리스트보다 여론”이라는 생각은 일반적으로 맞는가?

맞는 부분

틀릴 수 있는 부분

실무 결론

1-3. 기사 본문, PV, 좋아요, 댓글수, 댓글 좋아요/싫어요를 분석하려는 방향은 맞는가?

우선순위 추천

왜 engagement를 뒤로 미뤄야 하나?

따라서 이렇게 써야 한다 💡

특히 주의할 점

결론

1-4. 뉴스보다 유튜브가 더 많이 소비되고, 여론 형성도 유튜브가 더 강해지는가?

근거

내 해석 💡

결론

1-5. 유튜브 영상을 분석한다면 어떤 솔루션이 좋은가?

현실적인 권장안

A안. 저비용 자작형

B안. 범용 소셜 리스닝 툴 병행

C안. 금융 특화 데이터 벤더 + 유튜브 자작 혼합

2. 시스템 설계 방향 🏗️

2-1. 시스템 목표 재정의

핵심 제약

그래서 권장하는 운영 규칙

2-2. 추천 아키텍처

전체 구조

AWS 권장 구성

내 해석 💡

2-3. 데이터 소스 추천

한국 뉴스

1순위

이유

한계

미국/글로벌 뉴스

무료/저가 우선

품질 우선

각 후보 해석

현실적 추천 조합

MVP

운영형

3. 피처 설계 📊

3-1. 기사 단위 점수

추천 세부 항목

3-2. engagement 피처

원칙 1. raw count 금지

원칙 2. 방향과 강도를 분리

원칙 3. 플랫폼별 가용성 차이를 인정

결론

3-3. 종목 단위 최종 시그널

중요

4. 포트폴리오 재구성 로직 💼

4-1. 문제 정의

4-2. 추천 최적화 로직

1단계. baseline weight 계산

2단계. signal tilt 계산

3단계. 목표 비중 계산

4단계. quantity 변환

4-3. 추천 정책

정책 A. 보수형

정책 B. 전술형

내 추천

5. PydanticAI 파이프라인 상세 🤖

5-1. 에이전트 분리 구조

Agent 1. Entity Linker

Agent 2. Event Analyzer

Agent 3. Comment/YouTube Crowd Analyzer

Agent 4. Ticker Signal Aggregator

Agent 5. Portfolio Optimizer

Agent 6. Report Writer

5-2. 추천 자료구조

5-3. PydanticAI 적용 포인트

추천 구현 순서

`news_naver_crawl.py`

`news_us_crawl.py`

`padantic_ai_claude_basic.py`

`stock_query.py`

`ticker_query.py`