ChatGPT는 투자 조언자가 아니라 연구 보조원이다
AI에게 "사도 돼?"라고 묻는 순간 생기는 문제
많은 투자자가 ChatGPT 같은 AI에게 이렇게 묻고 싶어 한다.
"삼성전자 지금 사도 돼?"
"엔비디아 더 오를까?"
"다음 달에 오를 종목 추천해줘."
이 질문들은 자연스럽지만 투자 연구에는 좋지 않다. 이유는 간단하다. 질문 안에 검증할 기준이 없기 때문이다.
"사도 돼?"라는 질문에는 투자 기간이 없다. 하루를 말하는지, 6개월을 말하는지, 5년을 말하는지 알 수 없다. 투자자의 위험 감수 수준도 없다. 어떤 자료를 기준으로 판단해야 하는지도 없다. 실적을 봐야 하는지, 밸류에이션을 봐야 하는지, 차트를 봐야 하는지, 경쟁사를 봐야 하는지 정해져 있지 않다.
이렇게 질문하면 AI는 대개 그럴듯한 이야기를 만든다. "장기 성장성은 긍정적이지만 단기 변동성에 유의해야 한다" 같은 답이 나온다. 틀린 말은 아니지만, 투자 결정에 거의 도움이 되지 않는다. 더 위험한 점은 답변이 너무 자연스러워 보이기 때문에 검증하지 않고 믿게 된다는 것이다.
AI는 투자 결정을 대신하는 도구가 아니다. 특히 LLM은 문장을 잘 만들고, 자료를 요약하고, 비교표를 만들고, 코드 초안을 작성하는 데 강하다. 하지만 최신 사실을 항상 정확히 알고 있지는 않다. 수치를 틀리게 말할 수 있고, 없는 사실을 있는 것처럼 설명할 수 있다. 이런 현상을 흔히 '환각'이라고 부른다.
따라서 이 장의 원칙은 분명하다.
AI에게 결정을 맡기지 말고, 질문·요약·비교·검증 보조를 맡겨야 한다.
AI 생성 이미지
나쁜 질문은 추천을 요구하고, 좋은 질문은 분석을 요구한다
나쁜 질문은 대개 결론부터 요구한다.
"삼성전자 사도 돼?"
좋은 질문은 판단에 필요한 자료와 기준을 먼저 정한다.
"너는 반도체 업종을 담당하는 주식 애널리스트다. 아래에 붙여 넣은 최근 분기 실적 발표 자료와 주요 재무 수치를 바탕으로 삼성전자의 매출, 영업이익률, 메모리 반도체 업황, 재고 부담, 향후 가이던스 변화를 요약해줘. 마지막에는 투자 판단을 위해 추가로 확인해야 할 질문 5개를 제시해줘."
두 질문의 차이는 크다. 첫 번째 질문은 AI가 마음대로 판단 기준을 정하게 만든다. 두 번째 질문은 역할, 자료, 분석 항목, 출력 형식을 지정한다. AI가 해야 할 일이 "추천"이 아니라 "분석 보조"로 바뀐다.
투자 리서치용 프롬프트는 보통 다음 구조가 좋다.
역할 지정: "너는 반도체 업종 애널리스트다."
자료 제공: 실적 발표문, 재무표, 뉴스, 사업보고서 일부를 붙여 넣는다.
분석 기준 제시: 매출 성장률, 마진, 부채, 현금흐름, 경쟁사, 리스크 등.
출력 형식 지정: 표, 핵심 요약, 체크리스트, 질문 목록.
반대 논리 요청: "이 투자 가설이 틀릴 수 있는 이유를 말해줘."
검증 항목 요청: "반드시 원자료에서 다시 확인해야 할 수치를 표시해줘."
투자 리서치에서 좋은 프롬프트는 AI를 똑똑하게 만드는 주문이 아니다. AI가 엉뚱한 방향으로 가지 못하게 작업 범위를 좁히는 장치다.
LLM이 잘하는 일과 맡기면 안 되는 일
LLM은 투자 연구에서 꽤 유용하다. 다만 무엇을 잘하고 무엇을 못하는지 구분해야 한다.
LLM이 잘하는 일은 다음과 같다.
긴 실적 발표문을 짧게 요약하기
여러 기업의 장단점을 표로 비교하기
투자 가설을 더 명확한 질문으로 바꾸기
산업 구조, 경쟁 요인, 리스크 체크리스트 만들기
파이썬 분석 코드 초안 작성하기
백테스트 아이디어의 변형 제안하기
내가 놓친 반대 논리 제시하기
실제로 퀀트 리서치 보조 실험에서도 ChatGPT는 자산배분 전략 아이디어를 확장하고, 단순 전략 코드 초안을 만들고, 리밸런싱 주기나 룩백 기간 같은 추가 실험 방향을 제안하는 데 도움을 줄 수 있었다. 그러나 같은 실험에서 데이터 형식을 혼동하거나, 전략 설명과 실제 코드 구현이 달라지거나, 성과 수치를 일관되지 않게 제시하는 문제도 나타났다.1
즉, LLM은 "생각의 출발점"으로는 좋지만 "검증의 종착점"으로는 부족하다.
맡기면 안 되는 일도 분명하다.
최신 주가나 실적 수치를 확인 없이 믿기
AI가 말한 PER, PBR, 매출 성장률을 그대로 사용하기
AI가 계산한 백테스트 성과를 그대로 신뢰하기
AI가 만든 코드가 전략 규칙을 모두 구현했다고 가정하기
"가장 수익률이 높은 전략"을 AI가 고르게 하기
특정 종목의 매수·매도 결정을 위임하기
특히 숫자는 반드시 다시 계산해야 한다. LLM은 문맥상 그럴듯한 숫자를 말할 수 있다. 하지만 투자에서는 숫자 하나가 결론을 바꾼다. PER이 8배인지 18배인지, 영업이익률이 개선됐는지 악화됐는지, MDD가 -15%인지 -45%인지는 전혀 다른 이야기다.
좋은 투자 리서치 프롬프트 예시
다음은 실제로 활용할 수 있는 프롬프트 구조다.
1. 실적 요약 프롬프트
너는 전자 업종을 담당하는 주식 애널리스트다.
아래에 붙여 넣은 실적 발표 자료를 바탕으로 다음 항목을 정리해줘.
매출과 영업이익의 전년 대비 변화
마진이 개선되거나 악화된 이유
회사가 제시한 향후 가이던스
지난 분기와 비교해 표현이 달라진 부분
실적 발표 컨퍼런스콜에서 물어봐야 할 질문 5개
단, 자료에 없는 숫자는 추정하지 말고 "원자료 확인 필요"라고 표시해줘.
이 프롬프트의 핵심은 자료를 AI에게 직접 제공한다는 점이다. AI의 기억에 의존하지 않는다. 또한 "없는 숫자는 만들지 말라"고 제한한다.
2. 경쟁사 비교 프롬프트
아래 표에는 같은 산업에 속한 5개 기업의 매출 성장률, 영업이익률, FCF 수익률, 부채비율, ROE가 들어 있다.
이 데이터를 기준으로 각 기업의 강점과 약점을 비교해줘.
출력은 표로 만들고, 마지막에는 3년 보유 관점에서 가장 매력적인 기업과 가장 위험한 기업을 각각 1개씩 고르되, 반드시 근거를 함께 써줘.
여기서도 AI에게 주어진 데이터 안에서 비교하게 한다. "어느 종목이 좋아?"가 아니라 "이 기준으로 비교해줘"라고 묻는다.
3. 반대 논리 프롬프트
내 투자 가설은 다음과 같다.
"A기업은 AI 서버 수요 증가로 향후 3년간 매출이 성장하고, 영업 레버리지로 이익률도 개선될 것이다."
이 가설이 틀릴 수 있는 시나리오 5가지를 제시해줘.
각 시나리오마다 확인해야 할 지표를 함께 알려줘.
일반적인 위험 말고, 실제 사업 구조와 연결된 구체적인 위험만 써줘.
좋은 투자자는 자기 생각을 강화하는 정보만 찾지 않는다. 자기 생각이 틀릴 수 있는 이유를 먼저 찾는다. LLM은 이때 유용하다. 사람은 자신이 좋아하는 종목의 단점을 외면하기 쉽지만, AI에게 일부러 반대편 역할을 맡기면 놓친 위험을 찾는 데 도움이 된다.
투자 리서치 프롬프트에서는 역할 지정, 자료 제공, 구체적 산출물 요청, 반대 논리 요구, 원자료 검증이 중요하다. 이런 구조화된 질문은 단순 매수·매도 질문보다 훨씬 쓸모 있는 분석 결과를 만든다.2
환각과 오류를 줄이는 네 가지 습관
AI 답변을 투자에 활용할 때는 반드시 검증 절차가 필요하다. 다음 네 가지 습관을 기본으로 삼자.
1. 출처를 확인한다
AI가 "최근 실적이 개선됐다"고 말하면 원자료를 확인해야 한다. 회사의 실적 발표 자료, 사업보고서, 거래소 공시, 공식 IR 자료가 우선이다. 뉴스 요약도 유용하지만, 숫자의 최종 기준은 원자료다.
AI에게 이렇게 물을 수 있다.
위 답변에서 반드시 원자료로 확인해야 할 숫자와 문장을 따로 표시해줘.
이 질문은 AI 답변을 무조건 믿기 위한 것이 아니라, 검증할 대상을 정리하기 위한 것이다.
2. 수치는 직접 다시 계산한다
PER, PBR, ROE, 매출 성장률, MDD, 샤프 비율은 가능하면 직접 계산한다. 이미 이 책에서 우리는 수익률, 변동성, MDD, 백테스트 성과를 코드로 계산하는 법을 배웠다. AI가 만든 표를 그대로 믿지 말고, pandas로 다시 확인해야 한다.
특히 백테스트 성과는 더 조심해야 한다. AI가 "연평균 수익률 18%, MDD -12%"라고 말해도 같은 데이터와 같은 코드로 재현되지 않으면 의미가 없다. 코드는 내 환경에서 다시 실행해야 한다.
3. 전략 규칙이 코드에 실제로 들어갔는지 확인한다
AI는 "모멘텀, 변동성, 상관관계를 모두 고려한 전략"이라고 설명해 놓고 실제 코드에서는 모멘텀만 사용할 수 있다. 설명과 구현이 다를 수 있다는 뜻이다.
따라서 AI가 코드를 작성하면 다음 질문을 추가로 해야 한다.
위 코드에서 전략 규칙이 구현된 부분을 줄 단위로 설명해줘.
설명에는 있지만 코드에 없는 규칙이 있는지 점검해줘.
그래도 최종 확인은 사람이 해야 한다. 특히 룩어헤드 바이어스, 리밸런싱 시점, 거래비용, 슬리피지 반영 여부는 반드시 직접 봐야 한다.
4. 반대 질문을 던진다
AI는 사용자의 질문 방향에 맞춰 답을 구성하는 경향이 있다. "이 종목이 좋아 보이는 이유를 말해줘"라고 묻는 순간 긍정적인 근거를 중심으로 답할 가능성이 높다.
그래서 항상 반대 질문을 함께 던진다.
이 투자 아이디어가 실패할 가능성이 높은 이유를 말해줘.
시장이 이미 이 호재를 가격에 반영했을 가능성은?
이 전략이 과거 데이터에만 잘 맞는 과최적화일 가능성은?
같은 논리로 과거에 실패한 사례가 있다면 어떤 유형인가?
이 질문들은 AI를 회의적인 연구 보조원으로 만든다. 투자에서는 낙관적인 이야기보다 깨지는 지점을 찾는 능력이 더 중요하다.
AI를 리서치 흐름에 넣는 방법
LLM을 투자 연구에 넣는 기본 흐름은 다음과 같다.
내가 먼저 가설을 쓴다.
"최근 6개월 수익률이 높고, 이익 전망이 개선되는 기업은 다음 분기에도 강할 것이다."AI에게 가설을 정리시킨다.
"이 가설을 검증 가능한 투자 규칙으로 바꿔줘."필요한 데이터를 묻는다.
"이 가설을 검증하려면 어떤 데이터가 필요한가?"코드 초안을 받는다.
"pandas로 모멘텀과 이익 전망 변화율을 계산하는 코드 초안을 작성해줘."내가 코드를 검토하고 실행한다.
AI가 말한 성과가 아니라 내 환경에서 계산한 성과를 믿는다.AI에게 결과 해석과 반대 논리를 요청한다.
"이 백테스트 결과에서 의심해야 할 점을 말해줘."
이 흐름에서 최종 판단자는 사람이다. AI는 아이디어를 넓히고, 자료를 정리하고, 빠르게 초안을 만들어준다. 하지만 데이터의 진위, 계산의 정확성, 전략의 현실성은 사람이 확인해야 한다.
AI 시대의 투자자는 더 게을러져도 될까
오히려 반대다. AI 시대의 투자자는 더 꼼꼼해야 한다.
예전에는 자료를 찾고 표를 만드는 데 시간이 많이 걸렸다. 이제는 AI가 그 시간을 줄여준다. 하지만 줄어든 시간은 더 많은 종목을 찍어 맞히는 데 쓰면 안 된다. 더 나은 질문을 만들고, 더 엄격하게 검증하고, 더 다양한 반대 시나리오를 확인하는 데 써야 한다.
AI에게 "오를 종목"을 묻는 투자자는 여전히 이야기 투자에 머문다. AI에게 "이 가설을 어떻게 검증할까?"라고 묻는 투자자는 데이터 기반 투자자로 이동한다.
이 책의 관점에서 ChatGPT는 투자 조언자가 아니다. 나만의 AI 퀀트 연구소에 앉아 있는 연구 보조원이다. 빠르게 읽고, 정리하고, 비교하고, 초안을 만든다. 하지만 실험 설계와 최종 판단은 내가 한다.
주식은 예언하는 것이 아니라 가설을 세우고 검증하는 것이다. AI도 이 원칙 안에서 사용할 때 가장 강력하다.
참고
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.