AI가 투자 연구를 한다 — 오세랩 시스템 트레이딩 R&D 소개

오세랩·2026년 6월 21일·13분 읽기

왜 AI 투자 회사가 논문을 읽을까?

오세에이아이연구소는 자기자본금융투자업과 AI 기술을 결합한 기업입니다. 단순히 AI 모델을 만들어서 파는 것이 아니라, 자체 자본으로 직접 투자하면서 그 과정에서 축적된 기술과 데이터를 제품 개발에 활용합니다.

이 구조의 핵심은 "연구 → 실전 → 제품"의 폐루프입니다.

학술 논문 수집 (일 96편+)
        ↓
인사이트 추출 (Wow 스코어링)
        ↓
실전 투자 전략에 적용
        ↓
결과 데이터 → AI 모델 개선
        ↓
제품 (ERP, 학습앱)에 기술 이전

대부분의 AI 투자 회사가 "모델을 만들어서 수익을 내는 것"에 집중한다면, 오세랩은 "끊임없이 새로운 연구를 수집하고, 실전에 적용하고, 그 경험을 기술로 축적하는 것"에 집중합니다.

13개 연구 분과 — 무엇을 연구하나?

오세랩의 시스템 트레이딩 R&D는 3개 대분류, 13개 소분과로 구성됩니다.

A. 시스템 트레이딩 (규칙 기반)

전통적인 기술적 분석과 알고리즘 트레이딩을 다룹니다.

분과	이름	핵심 키워드
A1	기술적 분석	차트 패턴, RSI, MACD, 이동평균
A2	알고리즘 트레이딩	실행 알고리즘, TWAP, VWAP, 주문 분할
A3	고빈도 트레이딩 (HFT)	초단타 매매, 시장 미시구조, 지연시간
A4	시장 미시구조	호가 구조, 유동성, 가격 발견

B. 퀀트 트레이딩 (통계 기반)

수학과 통계에 기반한 정량적 투자 방법론입니다.

분과	이름	핵심 키워드
B1	팩터 투자	Fama-French, 모멘텀, 밸류, 스마트 베타
B2	통계 차익거래	페어 트레이딩, 평균회귀, 공적분
B3	포트폴리오 최적화	리스크 패리티, 효율적 프론티어, Black-Litterman
B4	시계열 계량경제학	GARCH, 변동성 모델링, 공적분

C. AI/ML 트레이딩 (가장 빠르게 진화하는 영역)

딥러닝, 강화학습, LLM을 금융에 적용하는 최첨단 연구입니다.

분과	이름	핵심 키워드
C1	딥러닝 가격 예측	LSTM, Transformer, 시계열 예측
C2	강화학습 포트폴리오	RL 기반 동적 자산 배분
C3	NLP/센티먼트 분석	뉴스 감성, 소셜미디어, 실적발표 분석
C4	LLM 트레이딩 에이전트	대규모 언어 모델 기반 투자 의사결정
C5	합성 데이터 생성	GAN, Diffusion 기반 금융 시계열 생성

숫자로 보는 리서치 현황

분과별 논문 분포

항목	수치
수집된 논문	96편 (매일 증가 중)
시드 논문	17편 (파운데이션 연구)
총 인용수	300,000+ (시드 논문 기준)
연구 분과	13개
일일 수집 목표	100건
Wow Score 범위	45~88점 (평균 67.2)

자동화 파이프라인 — 매일 새벽에 일어나는 일

오세랩의 리서치는 완전 자동화되어 있습니다. 매일 오피크 시간대(01:00~09:00 KST)에 7단계 파이프라인이 실행됩니다.

[01:00 KST] 📥 스마트 수집기
    → arXiv, Semantic Scholar, Google Scholar에서 논문 수집
    → 중복 제외 (arXiv ID + DOI + 제목 해시 3중 체크)
    → paper_index.json 업데이트

[05:00 KST] 🔍 일일 리뷰
    → LLM 기반 초록 분석
    → 핵심 기여/한계/실용성 평가
    → Wow 스코어링 (실용성 30%, 독창성 25%, 성능 25%, 재현성 15%, 시의성 5%)

[07:00 KST] ✍️ 블로그 작성
    → Wow Score 80+ 논문 → 발행 가능한 블로그 초안 자동 생성
    → 핵심 기술 설명 + 실무 적용 방안 + 오세랩 관점 코멘트

[08:00 KST] 🔄 Git 동기화
    → 자동 커밋 & 푸시 (GitHub)

이 파이프라인이 매일 돌아가면서, 새로운 논문이 발표되면 하루 안에 분석되고, 가치가 높으면 블로그 초안으로 변환됩니다.

Wow Score — 논문의 가치를 숫자로

오세랩은 수집된 논문을 Wow Score라는 자체 기준으로 평가합니다. 이 점수가 80점 이상이면 블로그 초안이 자동 생성되고, 실전 투자 전략 적용을 검토합니다.

기준	가중치	설명
실용성	30%	실제 투자 전략에 적용 가능한가?
독창성	25%	기존 접근법과 어떻게 다른가?
성능	25%	벤치마크 대비 개선 수준
재현성	15%	코드/데이터 공개 여부
시의성	5%	현재 시장 상황과의 관련성

최고 Wow Score 논문 Top 5

Wow Score 상위 5편 논문

C4: LLM 트레이딩 에이전트 — 가장 뜨거운 연구 영역

13개 분과 중 C4(LLM 기반 트레이딩 에이전트)가 현재 가장 활발하게 연구되고 있습니다. 96편 중 25편이 이 분과에 속합니다.

C4에서 다루는 질문들

LLM이 직접 매매할 수 있을까? — FinAgent, TradingAgents 같은 시스템
LLM이 알파 팩터를 발견할 수 있을까? — AlphaAgent의 자동 팩터 생성
AI의 투자 결정을 설명할 수 있을까? — SHARP의 해석 가능한 규칙
AI가 스스로 투자 전략을 개선할 수 있을까? — FinCon의 자기개선 메커니즘

왜 C4가 중요한가?

[2020~2023] LSTM, CNN 등 전통 딥러닝 모델
    ↓
[2024] DRL + 포트폴리오 최적화, 멀티모달 데이터 결합
    ↓
[2025] LLM 에이전트 트레이딩 급증
    ↓
[2026] 하이브리드 모델 + 비판적 검증 연구 등장 ← 지금 여기

LLM은 단순히 "주가를 예측하는 모델"이 아닙니다. 뉴스를 읽고, 공시를 분석하고, 시장 심리를 파악하고, 투자 전략을 세우고, 실행까지 하는 "AI 트레이더"를 만드는 것이 C4의 목표입니다.

오세랩이 이 연구를 하는 이유

1. 자기자본 투자 = 연구의 즉각적 검증

대부분의 AI 연구실은 논문을 쓰고 끝입니다. 오세랩은 자체 자본으로 직접 투자하기 때문에, 연구 결과를 실전에서 바로 검증할 수 있습니다. 논문에서 제안한 전략이 실제로 수익을 내는지, MDD를 잘 제어하는지, 시장 환경 변화에 적응하는지를 확인합니다.

2. 한국어 금융 AI의 기회

현재 AI 트레이딩 연구의 95% 이상이 영어 데이터 기반입니다. KOSPI, KOSDAQ, 한국어 뉴스, 한국어 공시를 다루는 연구는 극히 부족합니다. 오세랩은 KULLM(한국어 오픈소스 LLM) 개발 경험을 보유하고 있어, 한국어 금융 특화 AI를 만들 수 있는 국내 유일의 위치에 있습니다.

3. 리서치 → 제품 기술 이전

투자 과정에서 개발한 기술은 자연스럽게 제품으로 이어집니다:

리서치 성과	제품 적용
시계열 예측 모델	ERP의 자산 가치 예측
NLP/센티먼트 분석	뉴스 기반 알림 시스템
포트폴리오 최적화	자산 배분 추천 도구
데이터 파이프라인	ERP의 데이터 가져오기