주식 시장의 변동성과 실시간 사건에 대한 민감성 때문에 주가 예측은 어렵다. 대규모 언어 모델(LLM)이 텍스트 기반 예측에 새로운 가능성을 제공하지만, 금융 분야에서 LLM을 적용하는 데는 노이즈가 많은 뉴스 데이터와 텍스트 내 명시적인 답변의 부족이 걸림돌이 된다. 일반적인 메모리 아키텍처는 가격 변동의 주요 동인을 식별하는 데 어려움을 겪는다. 이를 해결하기 위해, 본 연구에서는 사건-반사 듀얼 레이어 메모리 프레임워크인 StockMem을 제안한다. StockMem은 뉴스를 사건으로 구조화하고 두 가지 차원으로 분석한다: 수평 통합은 일일 사건을 통합하고, 종단 추적은 사건 진화를 포착하여 시장 기대 불일치를 반영하는 증분 정보를 추출한다. 이를 통해 시간적 사건 지식 베이스를 구축한다. 사건-가격 역학을 분석하여, 프레임워크는 인과적 경험에 대한 반사 지식 베이스를 형성한다. 예측을 위해, StockMem은 유사한 과거 시나리오를 검색하고 현재 사건, 증분 데이터 및 과거 경험을 통해 추론한다. 실험 결과, StockMem은 기존 메모리 아키텍처보다 우수한 성능을 보이며, 가격에 영향을 미치는 정보 체인을 추적하여 설명 가능한 추론을 제공함으로써 금융 예측의 의사 결정 투명성을 향상시킨다.
