뉴스가 긍정적인지와 기사들이 같은 방향인지 다른 방향인지는 별개의 정보다. 연구는 글로벌 헤드라인을 FinBERT로 처리해 평균 감성, 의견의 분산, 기사량, 사건 중요도와 과거 통계를 만든다. 이 입력을 XGBoost에 넣어 다음 날 미 국채선물의 방향을 예측한다.
2015년부터 학습하고 시간이 지나며 표본을 늘리는 검증에서 각 구간 안의 설정 조정을 별도로 수행했다고 기록됐다. 평가기간은 2017년부터 2025년 4월까지다. 저자 보고 비용 반영 샤프비율은 4.65로 높지만, 설정 조정을 분리했다는 설명만으로 모든 자료 누출이 사라졌다고 확정할 수는 없다.
모형 기여도 분석에서는 평균 감성보다 의견의 분산과 기사 중요도가 주요 입력으로 나타났다. 이는 해당 학습모형의 설명이며 시장이 감성에 인과적으로 반응했다는 증명은 아니다. 공개 코드와 기사 시점을 맞춘 독립 재현으로 높은 성과와 입력의 추가 가치를 따로 확인해야 한다.
SCOPE프리프린트의 역사적 보고치다. 매우 높은 성과의 독립 재현, 자료 누출과 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 · 3 archived +
These 3 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: 최신 업데이트 연구 · NLP/ML + U.S. Treasury futures
최신 원고일: 2026년 8월 24일
핵심 요약
이 연구는 GDELT 글로벌 뉴스 피드에서 헤드라인을 모은 뒤 FinBERT로 sentiment를 추출하고, XGBoost로 다음 날 10년 Treasury futures(ZN) 방향을 예측한다. 뉴스 feature는 단순 평균 sentiment뿐 아니라 sentiment dispersion, 기사량, event-impact score, lag/rolling statistics까지 포함한다. arXiv 원문
훈련은 2015년부터 시작해 5-fold expanding-window 방식으로 2017년~2025년 4월을 OOS 평가하고, 각 fold 안에서 hyperparameter tuning을 별도로 수행해 미래 정보 누출을 방지한다. Treasury에서는 logistic-regression baseline이 부진한 반면 저자들의 XGBoost 전략은 비용 반영 후 높은 OOS 성과를 보고하지만, 보고된 ZN Sharpe 4.65는 매우 큰 숫자이므로 독립적 재현 전에는 절대적인 성과수치보다 feature 설계 자체에 무게를 두는 것이 적절하다.
SHAP 분석에서 중요한 점은 평균 sentiment보다 sentiment dispersion과 article impact가 주요 feature로 등장한다는 것이다. 즉 시장은 “뉴스가 긍정적인가”뿐 아니라 시장 narrative가 얼마나 합의돼 있는가/분열돼 있는가에도 반응할 수 있다.
채권 트레이딩 시사점
이 논문에서 가장 가져올 만한 것은 FinBERT 자체가 아니라:
News → multidimensional state
라는 구조다.
예를 들어 금리 뉴스에서:
- 평균 hawkishness
- hawkishness dispersion
- 기사량
- surprise/intensity
- 최근 5일 narrative momentum
을 각각 feature로 만든다.
특히 dispersion이 중요하다. 모든 언론이 같은 방향을 말하는 상황과 의견이 극단적으로 갈리는 상황은 평균 score가 같아도 금리 volatility와 positioning risk가 전혀 다를 수 있다.
한국 시장 복제 아이디어
한국은행·기재부·국내외 경제뉴스를 대상으로:
inflation_sentiment_mean
inflation_sentiment_dispersion
growth_sentiment_mean
policy_hawkishness
policy_hawkishness_dispersion
news_volume_zscore
를 만든다.
그리고 target을 단순 국고 10년 방향 하나로 두지 말고:
- 3선 next-30min return
- 10선 next-30min return
- 3/10 slope
- realized volatility
로 분리한다.
실무 적용 우선순위: ★★★★★