같은 날 뉴스가 낙관적이라고 해서 시장 참가자가 같은 판단을 하는 것은 아니다. 이 연구는 GDELT의 글로벌 뉴스에 금융 언어모형 FinBERT를 적용해 평균 감성과 기사 사이 의견차를 함께 측정한다. 기사량과 사건 중요도도 일별 입력으로 만들어 뉴스가 전달하는 정보의 여러 면을 구분한다.
입력을 XGBoost에 넣어 환율과 미 10년 국채선물의 다음 날 수익을 예측했다. 학습자료를 시간에 따라 늘리는 2017년~2025년 4월 표본 밖 검증에서 위험 대비 수익을 나타내는 저자 보고 비용 반영 샤프비율은 4.65였다. 매우 높은 성과여서 독립 재현이 필요하다. 모형 기여도에서는 감성 수준보다 의견의 분산과 기사 중요도가 주요 변수였으나 인과효과를 측정한 값은 아니다.
이 결과는 뉴스 방향만큼 의견이 얼마나 갈리는지도 확인할 가치가 있다는 연구 가설을 제공한다. 다만 설명 기여도는 해당 모형에서의 역할이며 경제적 인과효과를 뜻하지 않는다. 보존된 기록도 높은 성과 수치와 프리프린트 상태를 유보하므로 코드와 기사 공개시점을 맞춰 재현하는 절차가 필요하다.
SCOPE보존된 연구 기록이다. 보고된 높은 성과의 재현 여부와 자료 누출, 비용 가정은 재확인하지 않았다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Interpretable Machine Learning for Macro Alpha: A News Sentiment Case Study0 primary · 2 archived +
These 2 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: 논문 · arXiv / NLP·Treasury Futures
최신 논문일: 2026년 8월 11일
원문 링크: https://arxiv.org/abs/2505.16136
핵심 요약
GDELT의 글로벌 뉴스 데이터를 FinBERT로 처리해 평균 sentiment뿐 아니라 sentiment dispersion, 기사량, event impact 등을 일별 feature로 만들고, 이를 XGBoost에 넣어 EUR/USD·USD/JPY와 미 10년 Treasury futures(ZN)의 익일 수익률을 예측한다. 저자는 2017년~2025년 4월 expanding-window OOS 검증에서 거래비용을 반영한 ZN 전략 Sharpe 4.65를 보고하며, SHAP 분석에서는 단순 sentiment level보다 뉴스 의견의 분산과 기사 중요도가 주요 변수로 나타났다고 주장한다. 코드도 공개돼 있다.
다만 수치가 상당히 높고 아직 프리프린트이므로 headline Sharpe 자체보다 feature construction과 검증 구조를 재현해 보는 자료로 보는 것이 적절하다. 특히 논문은 FX와 채권 간에도 뉴스 feature의 중요도가 다르다고 분석한다.
실무 시사점
금리 트레이딩: 뉴스 NLP에서 hawkish/dovish 하나만 뽑는 방식보다 다음 네 층으로 분리하는 것이 좋다.
mean sentiment
sentiment disagreement
news volume
event importance
채권에서는 특히 disagreement가 중요할 가능성이 있다. 같은 금통위 문장을 두고 뉴스 해석이 크게 갈리는 순간이 향후 변동성과 포지션 조정의 신호가 될 수 있기 때문이다.
한국 적용: 한국은행·기재부·미 Fed·물가·고용·지정학 뉴스를 시점별로 수집해 뉴스 feature → 3선/10선/3-10/10-30 다음 5분·30분·종가 수익을 각각 학습시키는 것을 추천한다.
주의: 이 정도 Sharpe가 국내에서도 재현될 것이라고 기대해서는 안 된다. 기사 timestamp 정합, 중복기사 제거, 미래정보 누출과 거래비용을 매우 엄격히 다시 검증해야 한다.
데스크 적용 우선순위: ★★★★★