THEME: Enhancing Thematic Investing with Semantic Stock Representations and Temporal Dynamics
Created by
Haebom
저자
Hoyoung Lee, Wonbin Ahn, Suhwan Park, Jaehoon Lee, Minjae Kim, Sungdong Yoo, Taeyoon Lim, Woohyung Lim, Yongjae Lee
개요
본 논문은 구조적 트렌드에 맞춰 포트폴리오를 구성하는 테마 투자의 어려움을 해결하기 위해, 텍스트 데이터로부터 투자 테마의 의미적 표현을 구축하는 새로운 프레임워크인 THEME를 제안합니다. 기존의 대규모 언어 모델(LLM) 임베딩 모델이 금융 자산의 미묘한 특징을 포착하는 데 적합하지 않다는 점을 지적하며, 계층적 대조 학습을 통해 임베딩을 미세 조정하는 THEME 프레임워크를 제시합니다. THEME는 테마와 구성 주식 간의 계층적 관계를 정렬하고, 주식 수익률을 통합하여 임베딩을 개선함으로써 테마적으로 일치하고 높은 수익률 잠재력을 가진 자산을 검색하는 데 효과적인 표현을 생성합니다. 실증 결과, THEME는 테마 자산 검색에서 주요 LLM을 능가하며, 구성된 포트폴리오의 성과 또한 우수함을 보여줍니다. 텍스트의 테마 관계와 수익률의 시장 역학을 결합하여 다양한 실제 투자 응용 프로그램에 맞게 특별히 설계된 주식 임베딩을 생성합니다.
시사점, 한계점
•
시사점:
◦
계층적 대조 학습을 활용하여 테마 투자에 특화된 효과적인 주식 임베딩 생성 가능성 제시
◦
기존 LLM보다 향상된 테마 자산 검색 성능 및 포트폴리오 성과 달성
◦
텍스트 데이터와 시장 데이터를 통합한 새로운 테마 투자 접근법 제시
◦
다양한 실제 투자 응용 프로그램에 적용 가능성 높음
•
한계점:
◦
본 논문에서 제시된 THEME 프레임워크의 일반화 성능 및 장기적인 성과에 대한 추가 연구 필요
