리서치의 긍정·부정 점수만으로는 무엇에 대한 전망인지 알기 어렵다. 성장 전망이 좋아도 물가와 정책금리 기대가 함께 오르면 채권 반응은 다를 수 있다. BlackRock의 공개 접근은 리서치·투자자 대화의 숨은 경제 전망과 의견 차이를 LLM으로 추출하는 것이다.
기록은 성장·물가·정책을 어떻게 보는지 구조화하고 이를 체계적 거시 신호에 연결한다고 소개한다. 별도의 체계적 연구에서는 여러 국가 자료를 공동 학습하거나 상대가치 순위로 목표를 바꾸는 방법도 다룬다. 인플레이션 국면 변화에 따라 신호 비중을 조정하는 듀레이션 사례가 함께 소개된다.
언어를 정형 변수로 바꾸는 역할과 포지션을 결정하는 수치모형의 역할을 구분할 수 있다. 다만 함께 소개된 사례를 모두 한 LLM의 통제된 성능 실험으로 읽을 수는 없다. 국내 시험은 성장·물가·정책 문장의 변화를 추출하고 당시 시장 기대 대비 새 정보가 있는지 별도로 평가해야 한다.
SCOPE회사 연구 소개와 별도 운용 사례의 기록으로 LLM 단독 수익성과 제시된 예시 수치는 실측 결과가 아니다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
경제 서사에서 성장·물가·정책 전망을 추출하다0 primary · 6 archived +
These 6 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓Show the original briefing text
구분: 주요 금융기관 리서치 · BlackRock Systematic Investing
발표일: 2026년 3월 5일
원문: BlackRock Systematic Investing
핵심 요약
BlackRock은 LLM을 이용해 리서치·투자자 대화 등 비정형 텍스트에서 숨겨진 경제 전망, 시장 컨센서스와 의견 차이를 추출하고 이를 systematic macro signal로 연결하는 접근을 공개했다. 즉 단순 뉴스 sentiment가 아니라 “시장 참가자들이 성장·물가·정책을 실제로 어떻게 보고 있는가”를 구조화하는 데 LLM을 사용한다.
BlackRock의 더 넓은 systematic 연구에서는 ML을 개별 자산의 정밀한 return prediction에 억지로 적용하기보다, 여러 국가·시장의 데이터를 pooling하거나 상대가치 ranking problem으로 바꾸는 방법을 강조한다. 실제 duration timing 사례에서는 여러 시장을 함께 학습한 pooled learner가 인플레이션 레짐 변화에 따라 관련 시그널의 가중치를 빠르게 높이는 방식을 공개했다.
채권 데스크 시사점
이 방식은 금통위·FOMC 분석에 꽤 적합하다.
LLM에게
“이번 금통위는 hawkish인가 dovish인가?”
라고 묻는 것은 너무 단순하다.
대신
텍스트
→ 성장전망 변화
→ 물가전망 변화
→ 정책반응함수 변화
→ 인하/인상 속도 변화
→ 시장 컨센서스 대비 surprise
로 분해해야 한다.
예를 들어 출력이
- 3개월 인하확률: +8%p
- 1년 성장 expectation: -0.15%p
- inflation persistence score: 변화 없음
- market consensus deviation: dovish 0.7σ
처럼 만들어지면 3년 선물·3/10 커브의 quantitative feature로 사용할 수 있다.
핵심: LLM은 트레이더가 아니라 비정형 데이터를 정형 factor로 변환하는 perception layer로 쓰는 편이 현재로서는 더 강하다.
데스크 적용 우선순위: ★★★★★