대형언어모델 기반 ETF 자산배분 전략 = ETF Asset Allocation Strategy based on Large Language Models (LLM)

국문 초록 (Abstract)

본 연구는 비정형 텍스트 정보를 구조화된 금융 데이터와 통합하는 ETF 자산배분 전략을 제안한다. 기존 자산배분은 주가, 수익률, 변동성과 같은 정량적 지표에 의존하지만, 금융시장은 투자자 심리, 산업 동향, 정책 기조와 같은 정성적 요인에도 큰 영향을 받는다. 이를 해결하기 위해, 본 연구는 대규모 언어모델(LLM, Large Language Models)을 활용하여 거시경제, 산업, 투자 관련 보고서에서 맥락적 신호를 추출하고, 이를 듀얼 모멘텀(Dual Momentum) 전략과 결합하여 포트폴리오를 구성한다. 2020년 1월부터 2025년 6월까지의 약 53만 건의 네이버 리서치 보고서와 TIGER 200 섹터 ETF 데이터를 사용한 실증 분석 결과, LLM 기반 모델은 기존 듀얼 모멘텀 및 평균–분산(MVO) 전략 대비 더 높은 수익률, 더 낮은 변동성, 더 우수한 하방 위험 보호 효과를 보였다. 이는 LLM이 정성적 정보로부터 미래지향적 통찰을 포착하여 가격 기반 모델의 한계를 보완함을 시사한다. 종합적으로, 언어 기반 지능을 양적 포트폴리오 설계에 통합하는 것은 정보 효율성과 예측 성능을 모두 향상시키며, 현대 자산운용에서 AI가 핵심 도구로서의 잠재력을 지님을 보여준다.

다국어 초록 (Multilingual Abstract)

This study proposes an ETF asset allocation strategy that integrates unstructured textual information with structured financial data using Large Language Models (LLMs).
Traditional asset allocation relies on quantitative indicators such as price, return, and volatility, yet financial markets are also influenced by qualitative factors like investor sentiment, industry dynamics, and policy trends. To address this, LLMs are employed to extract contextual signals from macroeconomic, industry, and investment reports, which are then combined with a Dual Momentum strategy to construct portfolios. Using about 530,000 Naver Research reports (January 2020–June 2025) and TIGER 200 sector ETF data, the LLM-based model outperforms conventional Dual Momentum and Mean–Variance (MVO) strategies, achieving higher returns, lower volatility, and better downside protection.
These results suggest that LLMs capture forward-looking insights from qualitative information, complementing the limits of price-based models. Overall, integrating language-based intelligence into quantitative portfolio design enhances both informational efficiency and predictive performance, underscoring AI’s potential as a core tool in modern asset management.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1. 연구배경 1
• 2. 연구목표 4
• Ⅱ. 이론적 배경 5
• 1. 현대 포트폴리오 이론 5
• 2. 모멘텀 기반 자산 배분 전략 8
• 3. 대형언어모델의 구조와 특징 11
• 4. 대형언어모델의 프롬프팅 기법 15
• 5. 멀티에이전트 기반 대형언어모델 17
• 6. 금융 텍스트 기반 자산배분 19
• 7. 대형언어모델을 활용한 금융 연구 22
• Ⅲ. 연구 방법 26
• 1. 연구 모형 26
• 2. 데이터 수집 및 전처리 33
• Ⅳ. 결과 분석 36
• 1. 듀얼모멘텀 및 LLM 자료 분석 결과 36
• 2. 포트폴리오 성과 분석 39
• Ⅴ. 결론 49
• 참고 문헌 52
• Abstract 61