arXiv:2610.36083v1 발표 유형: 신규
요약: 생성형 AI 분야의 최근 발전은 사후 학습된 금융 전문 대규모 언어 모델(LLM)을 통해 재무 감성 분석의 성능을 크게 향상시켰습니다. 그러나 기존 접근법들은 여전히 각 기사의 감성을 개별적으로 예측하는 데에 그치며, 흑백 상자와 같은 작동 방식으로 인해 맥락적 이해가 제한되고 고위험·고중대성 재무 의사결정에서의 실제 적용에도 어려움이 따릅니다. 이에 우리는 FinLLM-KG를 제안합니다. 이는 모델에 독립적인 프레임워크로서, 인과관계 기반 LLM과 금융 지식 그래프를 결합하여, 모델 가중치를 업데이트하지 않고도 추론 시 SEC 10-K 서류에 포함된 시간적 근거를 갖춘 기업 수준의 지식을 주입할 수 있도록 설계되었습니다. FinLLM-KG 내에서는 맥락 정보를 자연어로 작성된 기업 프로필 또는 관련성 순위에 따라 정렬된 소규모 사실 트리플 집합 중 하나로 제공합니다. 이를 통해 감성 예측이 단순히 기사 내용만을 반영하는 것이 아니라 기업 전체의 보다 광범위한 정보를 고려하도록 하여, 거의 무한한 계산 비용 부담 없이 모든 인과관계 기반 LLM에서 구현할 수 있습니다. 또한, 각 기사 수준의 감성 점수를 개별 문장 및 검색된 지식 그래프의 사실에 할당함으로써 예측의 근거를 검증 가능하게 만들어 설명 가능성을 높이고, 인간이 개입하는 심사 과정을 지원합니다. 시뮬레이션 결과, FinLLM-KG는 최신 기술 기반 베이스라인에 비해 포트폴리오 성과를 일관되게 개선하는 것으로 나타났습니다.