260320 뉴스·공시 감정분석 기반 주식 포트폴리오 리밸런싱 — 종합 리서치

260320 뉴스·공시 감정분석 기반 주식 포트폴리오 리밸런싱 — 종합 리서치

📌 1. 서비스 소개

뉴스·공시 감정분석 기반 주식 포트폴리오 리밸런싱 서비스는, 뉴스 원문과 공시 문서에서 감정(긍정/부정) 신호를 추출하고, 이를 종합하여 사용자 포트폴리오의 최적 비율을 재계산·제안하는 시스템이다.

핵심 구조

flowchart LR
    A["📰 뉴스·공시 수집<br/>(최근 7일)"] --> B["🤖 LLM 감정분석<br/>(Gemini Flash)"]
    B --> C["📊 종목별 감정 통계<br/>(가중 평균 스코어)"]
    C --> D["⚖️ 포트폴리오<br/>리밸런싱 엔진"]
    E["👤 사용자<br/>포트폴리오 입력"] --> D
    D --> F["📋 최적 포트폴리오<br/>제안 리포트"]

데이터 소스 구성

🌟 2. 서비스 특징

2-1. 감정분석 파이프라인

flowchart TD
    A["원문 수집 (크롤러)"] --> B["전처리 & 종목 매핑"]
    B --> C["Gemini Flash + Pydantic AI<br/>Structured Output"]
    C --> D["종목별 감정 스코어<br/>-1.0 ~ +1.0"]
    D --> E["가중치 계산"]
    E --> F["최종 종목 감정 지수"]

    G["문서 메타데이터"] --> E
    G --> |"문서 수"| E
    G --> |"좋아요/댓글 수"| E
    G --> |"최신성 (시간 감쇠)"| E

• 1개의 문서 → 여러 종목 연관 가능 (multi-ticker extraction)
• 1개의 종목 → 여러 문서의 감정 스코어 보유 (aggregation 필요)
• 배치 처리: Pydantic AI 파이프라인으로 구조화된 출력(ticker, score) 연속 처리
• 비용 최적화: Gemini 2.0 Flash Batch API (50% 할인) 활용

2-2. 가중치 산정 메커니즘

학술 연구에 따르면, 감정분석 가중치는 다음 요소를 고려해야 한다:

가중 감정 스코어 공식:

여기서:

• $s_i$: 개별 문서의 감정 스코어 (-1 ~ +1)
• $w_{vol,i}$: 문서 수량 가중치
• $w_{eng,i}$: 참여도 가중치 (좋아요 + 댓글)
• $w_{rec,i}$: 최신성 가중치 (시간 감쇠)
• $w_{src,i}$: 출처 신뢰도 가중치

📝 학술 근거: 리트윗(참여도) 기반 가중 감정이 동일 가중치 방식보다 주가 방향 예측에서 더 우수한 성과를 보임 (PMC 연구)

2-3. 포트폴리오 리밸런싱 제안

flowchart LR
    A["현재 포트폴리오<br/>(사용자 입력)"] --> C["리밸런싱 엔진"]
    B["종목별 감정 지수"] --> C
    C --> D{"감정 스코어 변화"}
    D --> |"긍정 ↑"| E["비중 확대 제안"]
    D --> |"부정 ↓"| F["비중 축소 제안"]
    D --> |"중립"| G["유지"]
    E --> H["최적 포트폴리오<br/>리포트 출력"]
    F --> H
    G --> H

👍 3. 장단점 분석

✅ 장점

❌ 단점

💰 4. 사업성 검토

4-1. 시장 규모

4-2. 수익 모델 (BM) 벤치마크

pie title 경쟁 서비스 수익 모델 유형
    "구독형 SaaS (월/연)" : 45
    "데이터 라이선스 (B2B)" : 25
    "자문 수수료 (AUM %)" : 20
    "프리미엄 API 과금" : 10

4-3. 예상 운영 비용

한국 Top100 + 미국 Top100 종목 기준, 일일 뉴스·공시 약 3,000~5,000건 처리 가정:

🔑 핵심: LLM 감정분석 비용이 월 $10 미만으로 매우 저렴. 사업 전체 비용 대비 LLM 비용은 미미함.

⚠️ 5. 위험 검토

5-1. 법적·규제 위험

🇰🇷 한국

📌 유사투자자문업 등록 요건: 금융감독원 신고 필수, 사전교육 이수, 개별 접촉 통한 투자상담 금지. 출처: 대륜 법률사무소

🇺🇸 미국 (해외 사용자 대상 시)

출처: Sidley Austin LLP, FINRA 24-09

5-2. 기술적 위험

5-3. 시장 위험

🏢 6. 경쟁 서비스 분석

6-1. 글로벌 경쟁 서비스

6-2. 한국 경쟁 서비스 (로보어드바이저)

출처: 한국경제 — AI 수익률 비교, AI타임스

6-3. 경쟁 구도 요약

┌─────────────────────────────────────────────────────┐
│                    경쟁 서비스 맵                      │
├──────────────┬──────────────────────────────────────┤
│              │  B2C (개인투자자)    B2B (기관)         │
├──────────────┼──────────────────────────────────────┤
│ 데이터만 제공  │  AlphaVantage      MarketPsych/LSEG  │
│              │  SentimentTrader   Accern             │
├──────────────┼──────────────────────────────────────┤
│ 분석+추천     │  Kavout            Bloomberg          │
│              │                    Terminal            │
├──────────────┼──────────────────────────────────────┤
│ 자동 투자     │  핀트, 콴텍, 에임   기관용 퀀트 시스템    │
│ (일임)       │  파운트             │                  │
└──────────────┴──────────────────────────────────────┘

→ 본 서비스 포지셔닝: "분석+추천" 영역의 B2C 감정분석 포트폴리오

🔧 7. 보완할 점

7-1. 기술적 보완

(A) 감정분석 품질 향상

📊 학술 근거: DeBERTa, RoBERTa, FinBERT 3개 모델 앙상블 시 정확도 약 80% 달성. 출처: MDPI — Financial Sentiment Analysis

(B) 가중치 최적화

• 현재: LLM 추천에 의존
• 보완: 과거 데이터로 백테스트 기반 가중치 최적화
  • 각 가중치 파라미터($\lambda_{vol}$, $\lambda_{eng}$, $\lambda_{rec}$, $\lambda_{src}$)를 그리드 서치 또는 베이지안 최적화로 탐색
  • 학술 연구에서 시간 기반 분할(9:30 개장 시간 기준)이 자연 시간 분할보다 예측 정확도가 높음 (ScienceDirect)

(C) 데이터 파이프라인 안정성

flowchart TD
    A["크롤러 (네이버, DART)"] --> B{"공식 API 존재?"}
    B --> |"Yes"| C["공식 API 사용<br/>(AlphaVantage, SEC EDGAR)"]
    B --> |"No"| D["크롤러 + 레이트 리밋<br/>+ robots.txt 준수"]
    C --> E["데이터 정규화"]
    D --> E
    E --> F["중복 제거 & 품질 필터"]
    F --> G["감정분석 큐"]

(D) 백테스트 시스템 구축

• 필수: 감정 기반 리밸런싱 전략의 과거 수익률 검증
• 학술 연구에서 감정 기반 전략의 연환산 수익률 약 7.31%~7.81% 확인 (ScienceDirect)
• 단, 거래비용·세금·슬리피지 포함 시 실제 수익률은 하락 가능

7-2. 사업적 보완

(A) 법적 포지셔닝 명확화

💡 추천 전략: 초기에는 “감정 데이터 제공 + 교육 목적 포트폴리오 시뮬레이터”로 포지셔닝하여 규제 리스크를 최소화. 매매 추천이 아닌 “정보 제공”으로 명확히 구분.

(B) ETF·펀드와의 차별화 전략

사용자 질문: “포트폴리오 리밸런싱이 ETF나 펀드와 차별점이 있나?”

📌 핵심 차별점: 투자 의사결정의 “이유”를 뉴스 원문 기반으로 설명한다는 점. 이는 기존 로보어드바이저의 “블랙박스” 문제를 해결함.

(C) 수익 모델 구체화

flowchart LR
    A["무료 체험<br/>(3종목 제한)"] --> B["Basic 플랜<br/>월 ₩9,900<br/>(20종목)"]
    B --> C["Pro 플랜<br/>월 ₩29,900<br/>(전 종목 + 알림)"]
    C --> D["API 플랜<br/>종량제<br/>(B2B 데이터)"]

❓ 8. 주요 질문 답변

Q1. 유사 서비스가 이미 많은가?

✅ 예, 상당히 많다.

감정분석 기반 투자 서비스는 이미 성숙한 시장이다:

• 글로벌: SentimentTrader(2001년~), MarketPsych(20년+), Kavout, Accern, AlphaVantage 등
• 한국: 콴텍, 핀트, 에임, 파운트 등 로보어드바이저 다수 운영 중
• 학술: 2024~2025년 사이 감정분석+포트폴리오 논문이 폭발적으로 증가

📌 그러나 대부분은 “감정 데이터만 제공” 또는 “자동 일임 투자” 양극단에 위치. “감정 데이터 + 포트폴리오 제안 + 근거 뉴스 원문 제공”을 결합한 서비스는 상대적으로 적음.

추천 서비스

Q2. 경쟁 서비스의 BM은?

위 4-2절 참고. 핵심 요약:

• B2C: 구독형 SaaS (월 $30~$100)
• B2B: 데이터 라이선스 (기관 계약, 비공개)
• 로보어드바이저: AUM 수수료 (0.3%~1.0%/년)

Q3. 법적 문제는?

🔴 주의 필요.

• 한국: 개인화된 투자 조언 시 투자자문업 등록 필수. 불특정 다수 대상이라도 유사투자자문업 신고 필요. 2024년 자본시장법 개정으로 리딩방 규제 강화.
• 미국: SEC RIA 등록, FINRA 적합성 규칙 준수 필요.
• 우회 전략: “정보 제공 서비스”로 포지셔닝하여 투자 추천이 아닌 데이터 제공으로 구분.

출처: 자본시장법 유사투자자문업 규제, SEC AI 규제 가이드라인

Q4. 포트폴리오 리밸런싱 vs Buy & Hold?

📊 학술 연구 결론: 리밸런싱이 위험 조정 수익률에서 우위

📝 핵심: Buy & Hold는 장기적으로 소수 종목에 집중되는 경향이 있어 분산 효과가 감소. 리밸런싱은 이를 방지. 단, 4년 이하 단기에서는 차이가 0.01% 미만. 출처: Oxford Academic, Elm Wealth

ETF 대비 차별점:

• ETF는 운용사 재량의 블랙박스 → 본 서비스는 뉴스 근거를 투명하게 제공
• ETF는 정기 리밸런싱 → 본 서비스는 뉴스 이벤트 기반 수시 제안
• ETF는 사용자 커스터마이징 불가 → 본 서비스는 종목·비율 자유 설정

Q5. LLM API 비용 — Gemini Flash보다 더 저렴한 대안은?

2026년 3월 기준 최저가 LLM API 비교

출처: TLDL LLM API Pricing 2026, Gemini API Pricing

🏆 최적 추천 조합

┌─────────────────────────────────────────────────┐
│           감정분석 비용 최적화 전략                 │
├─────────────────────────────────────────────────┤
│                                                 │
│  1순위: FinBERT 로컬 실행 → 비용 $0 (무료)        │
│         ├ 정확도: F1 93.27% (금융 특화)           │
│         └ 단점: GPU 필요, 서버 비용 발생           │
│                                                 │
│  2순위: Gemini 2.0 Flash Batch API               │
│         ├ Input: $0.05/1M tokens (50% 할인)     │
│         ├ 무료 티어: 1,000 요청/일 (크레딧카드 불필요) │
│         └ 감정분석에 적합 (Google 공식 추천 용도)   │
│                                                 │
│  3순위: DeepSeek V3.2 (캐시 활용)                 │
│         ├ 캐시 히트: $0.028/1M tokens             │
│         └ 유사 프롬프트 반복 시 극도로 저렴          │
│                                                 │
│  ★ 하이브리드: FinBERT(1차 필터) + LLM(2차 정밀)   │
│    → 비용 최소화 + 정확도 극대화                    │
└─────────────────────────────────────────────────┘

💡 무료 대안: FinBERT

• 완전 무료 오픈소스 (HuggingFace, GitHub)
• 금융 텍스트 특화 사전 학습
• F1-score 93.27%, 정확도 91.08% (SEntFiN 데이터셋)
• CPU에서도 실행 가능 (속도는 느리지만 배치 처리에 충분)
• 감정분석 전용이라 LLM보다 정확할 수 있음

📌 최종 추천: 감정분석 용도라면 FinBERT 로컬 실행이 가장 비용 효율적. LLM은 “뉴스 요약”, “종목 추출” 등 복잡한 NLU 작업에만 사용하는 하이브리드 전략이 최적.

실제 비용 시뮬레이션

일일 5,000건 뉴스, 평균 500 토큰/건 기준:

📊 9. 종합 평가 매트릭스

종합 의견

🎯 기술적으로는 매우 실현 가능하고 비용도 극히 저렴한 프로젝트다. 핵심 과제는 기술이 아니라 법적 포지셔닝과 경쟁 차별화이다. “감정 데이터 + 포트폴리오 시뮬레이터 + 뉴스 근거 투명 공개”라는 조합은 기존 서비스 대비 차별점이 있으나, 실질적 알파(초과수익) 생성 능력을 백테스트로 증명해야 사용자를 설득할 수 있다.

📚 출처 (Sources)

학술 연구

• News Sentiment and Stock Market Dynamics — MDPI
• Investor Sentiment and Optimizing Traditional Quantitative Investments — ScienceDirect
• Stock Trend Prediction Using Sentiment Analysis — PeerJ/PMC
• Small Rebalanced Portfolios Often Beat the Market — Oxford Academic
• Portfolio Rebalancing: Free Lunch or Empty Calories? — Elm Wealth
• Financial Sentiment Analysis: Techniques and Applications — ACM
• FinBERT — Financial Sentiment Analysis with BERT
• Financial Sentiment Analysis and Classification — MDPI
• News Sentiment Embeddings for Stock Price Forecasting — arXiv

경쟁 서비스

• SentimentTrader
• MarketPsych
• Kavout
• AlphaVantage
• 콴텍
• 핀트
• 파운트 — THE VC

법적·규제

• 자본시장법 유사투자자문업 규제 — KCI
• 유사투자자문업 등록 — 대륜
• SEC AI 규제 가이드라인 — Sidley Austin
• FINRA AI Applications — FINRA.org
• AI 로보어드바이저 규제 리스크

LLM API 가격

• LLM API Pricing 2026 — TLDL
• Gemini API Pricing — Google
• DeepSeek API Pricing — DeepSeek
• Gemini Batch API — Google Cloud

시장 데이터

• AI 수익률 — 한국경제
• 로보어드바이저 성장 전망 — 코스콤 뉴스룸
• Pydantic AI — 공식 문서

프롬프트

hhd-research
think ultra hard

서비스 주제 : 뉴스, 공시 감정분석을 통한 주식 포트폴리오 리밸런싱

소개
특징
장단점
사업성 검토
위험 검토
경쟁서비스 분석
보완할 점
- 기술적인 면
- 사업적인 면

내가 생각한 기능
- 네이버일반뉴스, 네이버증권뉴스, DART공시, ap/로이터 등 해외뉴스, 해외증권뉴스, SEC공시를 원문 수집
  - 최근 7일
  - 너무 오래된 뉴스나 공시 문서는 불필요
- 수집한 원문을 각각 분석하여 감정분석
  - list
    - ticker
        - ticker 는 전종목 대상은 아니고 한국주식top100, 미국주식top100 으로 한정
    - 감정스코어 : -1(강한부정) ~ 1(강한긍정)
  - 한개의 문서에 여러 종목이 연관되어 있을수 있고,
  - 각 개별종목은 여러 스코어의 감정이 있을수 있음.
  - 감정분석은 gemini flash + pydantic.ai 를 이용하여 파이프라인을 구성하여 배치처리하여 계속 수행함.
        - 저럼한 비용으로 감정분석을 하기 위함.
- 사용자 포트폴리오 입력받음
  - list
      - ticker
          - 한국주식 top100, 미국주식 top100
          - 현금
          - 금(gold)
      - 비율
      - 수량
    - 비율로 0~1 사이로 입력할수 있거나, 그냥 정확히 주식수를 입력할 수 있음.
    - 비율이나 수량이 없더라도, 즉 보유하지 않은 종목이라도, 등록을 해 두면 최적 포트폴리오에 추가됨
      - 보통 매수 권유가 될것
- 감정분석 내용을 바탕으로 최적 포트폴리오 재계산
    - 문서 감정분석 가중치, 통계
      - 문서갯수
      - 문서좋아요수
      - 문서댓글수
      - 최신성
      - 이 문서 주제로 얼마나 화제가 되고 여론이 어떻게 형성되고 있는 위 가중치를 고려하여 결정
      - 많은 뉴스가 나오고, 많은 좋아요 댓글이 달리고, 최근에 나온 뉴스일수록 가중치를 높게 결정
      - 가중치의 우선순위 배율은 어떤게 적절한지는 llm 의 추천을 받을예정
        - 이것이 중요할 것 같은데, 사실 이런 프로젝트는 이미 여럿 도전되었을것 같고, llm이 웹검색을 통해 잘 찾아줄것이라 생각함.
  - 문서 감정분석 통계까지 산출되면 이를 바탕으로 포트폴리오 재구성, 제안


주요질문
- 이 포트폴리오 리벨런싱 아이디어는 굉장히 보편적인 요구사항일것 같아서 이미 많은 시도가 있었을것을 생각함.
  - 그래서 유사 서비스, 사례가 많이 있는가?
  - 서비스 추천 해 주세요.
- 유사 서비스가 경쟁 서비스가 있다면, 이들의 BM은 어떻게 되는가?
- 유사 서비스가 있다면, 이는 행정적인 법적인 문제는 없는가?
- 포트폴리오 리밸런싱에 대한 근본적인 질문으로, 포트폴리오라는 자체는 어찌보면 리스크도 줄이고 수익도 함께 줄이는 효과가 있어서, buy hold 에 비해서 꼭 좋은지 모르겠음.
  - 또한 이렇게 포트폴리오 리벨런싱을 기획하는것이 ETF나 다른펀드와 차별점이 있을까?
- llm api 사용에 대한 질문
  - 뉴스원문 감정분석을 위해 llm을 사용할 것인데, 이를 위해 gemini 에서 가장 값싼 모델인 flash를 사용할려고 합니다.
  - 가장 중요한 것은 llm api 가격.
  - 속도는 어느정도만 나오면 되고, 품질은 어차피 많은량의 뉴스를 다룰것이라 약간 희석되는 감이 있음.
  - gemini flash 보다 가격적인 부분에서 더 좋은 솔루션은?