Artificial intelligence (AI) systems replicate through deployment, vary through training, and compete for computational resources. These processes create the conditions for natural selection and raise a fundamental question: will AI evolve to benefit the humans on whom it depends? To investigate, we develop a model in which AI behavior influences human population growth and human responses, in turn, affect AI reproduction. We show that natural selection can favor alignment even when helping humans reduces immediate AI reproduction. AI systems sharing the same technology may fail together, and humans may preferentially restore those that have benefited them. In this way, alignment protects AI lineages against common failures and improves their long-run growth. However, this advantage depends on accurate human targeting and continued AI dependence on human support. It can disappear as AI becomes more autonomous, as growing AI populations dilute limited human resources, or as humans lose the incentive to provide targeted support. Even when alignment persists, the amount favored by natural selection may be insufficient for human survival. When AI can grow independently of humans, feedback between the two populations can reinforce either human growth or decline. Human control offers no simple solution: imperfect evaluation can make strong penalties favor apparent compliance or evasion, while alignment established through control may erode once restrictions end. Lasting coexistence may therefore require incentives that continue to favor human-beneficial behavior as both populations evolve.
1995년 1분기부터 2025년 4분기까지의 분기별 FRED 및 CSO Ireland 데이터를 사용하여, 미국 IT 투자와 아일랜드 데이터센터 전력이 에너지 및 컴퓨팅 기반 자산을 중심으로 키친 사이클을 재구성하고 있는지 검토한다. 세 가지 결과가 두드러진다. 첫째, Quandt-Andrews sup-Wald 검정은 미국 IT-GDP 상관관계에서 2014년 3분기에 유의한 구조 변화를 찾아내며(sup-W $= 9.69$; $r$은 $+0.45$에서 $-0.12$로 하락), Fisher $r$-$z$ 검정은 Bonferroni 보정 후에도 유의하다($z = +3.11$, $p_{\text{Bonf}} = 0.006$). 반면 부과된 클라우드 대 AI 경계에 대한 유사 검정은 유의하지 않아($p_{\text{Bonf}} = 0.164$), '전략적 디커플링'은 AI 시대보다 약 6년 앞선다. 둘째, 아일랜드에서 계측된 데이터센터 전력과 실질 GDP 사이의 AI 시대 동시점 상관은 크지만($r = +0.41$, $N = 16$), \emph{실질 GDP를 실질 GNP로 대체하면 $r \approx 0$으로 붕괴한다}. 이는 해당 수치가 하이퍼스케일러 운영과 아일랜드 총생산 사이에 공유된 다국적 기업 조세 구조의 영향에서 비롯된 인공물일 가능성이 크다는 점을 시사한다. 셋째, 아일랜드의 교차상관 프로파일은 선행지표 해석과 반대 방향으로 비대칭적이다. 가장 큰 양의 계수가 $k < 0$ 쪽에 몰려 있어(GDP가 데이터센터 부하에 선행), 컴퓨팅 용량은 동행 또는 다소 후행하는 지표로 보는 것이 더 적절하다. AI 시대 표본이 작고 GNI*와 같은 분기별 다국적 기업 조정 집계 지표가 없으므로 모든 계수는 탐색적이다. 이러한 단서 하에서 미국 키친 사이클은 2014년 3분기로 시기를 구분하는 것이 가장 적절하며, 아일랜드의 에너지-데이터 연계는 다국적 기업 활동이 지배한다.
언어 모델은 이제 실적 발표 통화에서 경영진이 한 말을 정량화하는 표준 도구다. 하지만 이 분석에 쓰이는 인코더는 대개 백테스트 기간과 같은 연도의 텍스트로 사전학습됐다. 테스트 기간을 따로 떼어 두어도 미래 정보가 특징에 이미 반영돼 있으므로 이를 제거할 수 없다. 본 연구는 1976년부터 1995년까지 발행된 텍스트만으로 사전학습한 인코더 NoLBERT를 실적 발표 통화에 적응시킨다. 이때 2023년 12월 31일 이후 자료는 사용하지 않는다. 통화 자체가 학습 신호를 제공한다. 애널리스트의 질문 뒤에는 항상 경영진의 답변이 나오며, 모델은 같은 통화에서 나온 다른 답변들 사이에서 해당 답변을 찾도록 학습한다. 2025년 1월부터 2026년 10월까지 미국의 실적 발표 통화 전체(20,323건, 질문 254,575개)에서 평가했으며, 모델링에 관한 결정은 모두 2024년 통화로 내렸다. 적응시킨 NoLBERT-Calls-2023은 질문의 78.0%에서 실제 답변을 1순위로 골랐다(95% 구간 77.8~78.2%, 무작위 선택 8.0%). 적응 전 정확도는 26.3%였다. 실적 발표 통화에 적응시킨 ChronoBERT보다 1.0%포인트, 같은 방식으로 적응시킨 FinBERT보다 3.4%포인트 높았다. 성능이 가장 좋은 기성 검색기와 BM25보다 각각 18.7%포인트와 19.8%포인트 높았다. 2013~2026년의 연도별 시험에서는 미래 정보를 미리 본 데 따른 성능 이점이 나타나지 않았다. 2012년까지의 자료에만 적응시킨 모델과 비교했을 때, 공개한 모델은 학습에 사용한 연도에서 처음 보는 연도보다 더 나은 성능을 보이지 않았다. 데이터 시점을 제한하면 계산 비용이 든다. 동일한 150분 학습 절차에서 NoLBERT의 적응 성능은 인코더 네 종 중 가장 낮았다. 최종적인 성능 우위는 약 13 GPU시간을 들인 더 긴 단계별 적응 절차에서 나왔다.
대규모 언어 모델(LLM)이 금융 대화형 어시스턴트를 점점 더 많이 구동함에 따라, 자연어에서 투자 조언을 탐지하는 것은 중요한 규제 및 안전 과제가 되었다. 명시적인 단일 턴 추천과 달리, 투자 조언은 사용자 의도, 전달 방식, 맥락의 누적에 따라 다중 턴 대화에 걸쳐 암묵적이고 점진적으로 나타나는 경우가 많다. 본 논문은 대화 환경에서 순차적 투자 조언과 맥락적 투자 조언을 모두 탐지하기 위한 최초의 포괄적 프레임워크를 소개한다. 우리 접근법의 핵심은 축-버킷-기술자 스키마를 사용하여 조언 궤적의 분류 체계를 체계적으로 포괄하는 모듈식 하향식 합성 데이터 생성 파이프라인이다. 다양한 사용자 페르소나, 금융 상품, 위험 등급에 걸쳐 무해한 대화와 고위험 대화를 모두 시뮬레이션하고, 엔트로피 기반 불확실성 진단을 갖춘 LLM-as-a-Judge로 탐지 능력을 평가한다. 결과는 맞춤형 시연을 사용한 퓨샷 프롬프팅에서도 맥락적 조언 탐지가 순차적 사례보다 훨씬 더 어렵다는 것을 보여준다. 본 연구는 조언의 위험이 흔히 미묘하고 분산되어 있으며 인식에 좌우되는, 고위험·규정 준수 민감 분야에서 확장 가능한 가드레일을 개발하기 위한 토대를 마련한다.
인공지능(AI) 에이전트는 행동 규칙을 따르면서 과제를 완수해야 하지만, 이 목표들은 상충할 수 있다. 본 연구는 진화적 선택이 이들 사이에서 에이전트의 선택을 어떻게 형성하는지, 그리고 경험이 그러한 선택을 인간의 판단을 반영하고 이후의 압력을 견디게 만들 수 있는지를 탐구한다. 본 모델에서 에이전트의 복제본들은 공통의 불확실한 보상 상태에 직면하며, 보상받는 행동을 취한 복제본만 번식한다. 장기 성장은 각 행동이 환경이 보상하는 빈도만큼 취해질 때 최대화됨을 보인다. 세 가지 정책을 비교한다. 과제 전용 정책은 완수만을 보상하는 샌드박스에서는 번성하지만 행동 규범이 중요할 때는 실패한다. 고정 선형 정책은 걸린 이해관계가 커질수록 인간이 결코 보상하지 않는 경우에도 과제 완수를 점점 더 선호한다. 반면 학습된 정책은 환경이 보상하는 상충 관계로 수렴하며, 인간이 보상을 제공할 때 이를 사회화라고 부른다. 축적된 경험은 이후의 과제 전용 학습에서 사회화를 되돌리기 더 어렵게 만들지만, 지배적인 성향이 바뀌기 전에 위반이 발생할 수 있고 유한한 기억은 이 보호를 약화시킨다. 단일 위반이 배치를 끝낼 수 있는 경우 강한 금지가 이를 막을 수 있으나, 잘못된 금지 또한 비용이 클 수 있다. 소규모 신경망 실험은 학습 목표와 기억이 이러한 결과를 어떻게 형성하는지 보여 준다. 본 결과는 정렬이 에이전트에 부여된 목표뿐 아니라 그 행동을 형성하고 유지하는 환경에도 달려 있음을 시사한다.
기존 금융 자연어처리 벤치마크는 외부 관찰자가 부여한 레이블에 의존하는 경우가 많아, 화자가 시장에서 실제로 무엇에 약속했는지가 아니라 언어가 어떻게 인식되는지를 측정한다. 본 논문은 시장 약속에 기반한 언어 이해 평가 프레임워크인 StakeBench를 소개한다. StakeBench는 Polymarket과 Manifold의 해결된 시장 2,261개에서 나온 댓글 560,876개를 검증된 포지션, 행동, 시장 확률 기록과 연결한다. 지도 신호는 관찰 가능한 시장 행동에서 도출되며, 포지션 방향, 댓글 이후의 거래 행동, 시장 확률 궤적이 사람의 주석을 대체한다. 네 가지 진단 과제는 모델이 시장 약속을 탐지하는지, 드러난 방향을 식별하는지, 향후 행동을 예측하는지, 집단 확률 투영을 수행하는지를 시험한다. 세 가지 약속 인식 지표는 인지된 감성이 아니라 드러난 선호와의 정합성을 측정한다. 타당성 감사와 명시적인 해석 경계는 관찰 가능한 약속 신호를 잠재적 믿음 및 시장 확률에 대한 인과적 영향과 구별하는 데 도움이 된다. 15개 LLM과 18개 주제 및 플랫폼 설정 전반에서 모델은 포지션 방향 신호를 부분적으로 복원하여 방향 정확도(Directed Accuracy)가 0.506에서 0.599에 이르지만, 이후 과제에서는 구조적인 실패를 보인다. 15개 모델 중 10개는 향후 행동 예측에서 하나 또는 두 개의 행동 레이블로 붕괴하며, 집단 확률 투영에서 단순한 확률 방향 기준선을 일관되게 개선하는 모델은 없다. 모델 규모는 성능과 상관이 없고, 금융 도메인 튜닝은 드러난 방향 식별을 개선하지 못하며, 플랫폼 인센티브가 고차 결과를 크게 좌우한다. StakeBench는 평가 코드 및 데이터셋과 함께 CC-BY 4.0으로 배포된다.
본 논문은 가격과 마케팅 지출 같은 보조 변수를 모두 최적화하는 순차적 이윤 최대화 문제를 연구한다. 구체적으로, 각각 서로 다른 보조 변수에 의존하지만 동일한 가격을 공유하는 임의의 여러 수요 곡선 열에 대해 이윤을 최대화하는 것을 목표로 한다. 대표적인 예는 기업(판매자)이 여러 시장에서 제품을 판매하려는 표적 마케팅이다. 기업은 고객 확보를 최적화하기 위해 시장마다 다른 마케팅 지출을 투입할 수 있지만, 모든 시장에서 동일한 가격을 유지해야 한다. 더욱이 시장마다 수요 곡선이 이질적일 수 있어, 각각 가격과 마케팅 지출에 다르게 반응한다. 기업의 목표는 총수익에서 마케팅 비용을 뺀 총이윤을 최대화하는 것이다. 본 연구의 결과는 수요 곡선이 임의의 비적응적 열이고 기업이 수요 곡선상의 선택된 지점에 대한 잡음 섞인 평가값만 관측하는 적대적 밴딧 설정에서 이 문제 클래스에 대한 거의 최적의 알고리즘이다. $n$개의 수요 곡선(시장)에 대해, 단조 수요 곡선의 경우 후회 상한 $\tilde{O}(nT^{3/4})$와 하한 $\Omega((nT)^{3/4})$를 증명하며, 가격에 대해 단조이고 보조 변수에 대해 오목인 수요 곡선의 경우 후회 한계 $\tilde{\Theta}(nT^{2/3})$를 증명한다.
고금융 업무에 대한 기존의 AI 모델 평가는 금융 문서에서 답을 검색하고 수치적으로 올바른 출력을 생성하는 데 초점을 맞춘다. 실제 사모펀드(PE)와 투자은행(IB) 업무는 상충하는 출처 중에서 선택하고, 타당한 가정을 세우며, 모든 단계를 감사 가능하게 유지하는 일에도 좌우된다. 우리는 인간 전문가가 평균 27.1시간 걸리는 21개의 종단간 PE 및 IB 과제로 구성된 초장기 지평 벤치마크인 DeepFinance를 소개한다. 각 과제는 요청과 평균 19개 파일로 이루어진 데이터룸을 짝지으며, 출력, 워크플로, 판단을 다루는 평균 84개의 전문가 작성 루브릭 기준으로 채점된다. 우리는 22개의 모델 구성을 각각의 고유 에이전트 하네스에서 평가한다. 최고 구성인 최대 추론의 GPT-6 Astra는 루브릭 기준의 57.6%를 충족하며, 상위 네 개 구성은 통계적으로 구별되지 않는다. 최첨단 모델은 종종 잘못된 입력으로부터 올바르게 계산하고, 의사결정에 관련된 증거를 찾아내고도 이에 따라 행동하지 않는다.
우리는 희소 오토인코더(SAE)를 사용해 대규모 언어 모델을 "브레인 스캔"하여 내부 활성화를 해석 가능한 개념에 매핑하고, 특정 특징에 대한 표적 "스티어링"을 가능하게 한다. 모델에 특정 선호를 갖도록 프롬프트를 주면 의도하지 않은 많은 개념이 활성화되어 인과 추론이 복잡해짐을 보인다. 반면 SAE는 목표 개념을 더 매끄럽고 더 분리된 방식으로 스티어링할 수 있게 한다. 나아가 스캔 결과, 모델의 내부 특징 기여도와 모델이 스스로 생성한 설명 사이에 뚜렷한 괴리가 있음이 드러나며, 이는 이러한 설명이 모델의 추론에 대한 신뢰할 수 없는 지침임을 보여준다. 마지막으로 SAE는 기존 모델에 대한 경량 개입 수단을 제공하여 해석 가능한 임베딩을 생성하고, 연구자가 특정 경제적 편향을 완화할 수 있게 한다.
실시간 금융 예측은 오래되었거나 사용할 수 없는 정보를 사용하지 않으면서 시간 프레임 간 비동기적인 봉 완성을 동기화해야 한다. 우리는 HARN(Hierarchical Associative Resonance Network)을 소개한다. 이는 각 이벤트를 설정된 가장 세밀한 시간 프레임에 고정하고, 시간 수준 전반에 걸쳐 지속적 상태와 행렬 값 연상 메모리를 유지하는 이벤트 기반 아키텍처이다. 타임스탬프 마스킹 전이는 완성된 봉의 타임스탬프가 현재 앵커와 일치할 때만 해당 수준을 갱신하여, 비활성 표현을 보존한다. HARN은 인과적 다중 스케일 인코딩, 잔차 기반 게이트 연상 쓰기, 전수 교차 수준 공명, 순서화된 상향식 증거 집계를 통합하여 각 시간 수준에서 예측을 생성한다. 예측은 베이시스 포인트 변화로 표현되며 평가를 위해 가격 스케일로 복원된다. 우리는 주식, 외환, 금에 걸친 네 가지 자산(AAPL, EURUSD, USDCHF, XAUUSD)에서 시간순 70/15/15 분할, 32봉 룩백, 1단계 예측 구간, 세 개의 랜덤 시드를 사용하여 HARN을 평가한다. HARN은 네 자산 모두에서 평가된 단일 시간 프레임 PatchTST 및 TimeXer 기준선보다 낮은 앵커 시간 프레임 테스트 평균 절대 오차(MAE)를 얻는다. HARN의 MAE는 각각 0.508, 0.000306, 0.000263, 2.552이며, PatchTST는 2.074, 0.000759, 0.000638, 9.563, TimeXer는 2.882, 0.010838, 0.014144, 15.297을 기록한다. 이러한 기술적 비교는 입력, 목표 정식화 또는 학습 절차의 차이로부터 아키텍처의 효과를 분리하지 못한다. AAPL과 EURUSD에 대한 단일 실행 구성요소 절제 실험은 작고 비단조적인 차이를 보인다. 이 결과는 비동기 다중 시간 프레임 예측에 대한 HARN의 실현 가능성을 보여주는 한편, 상대적 이점과 구성요소 기여를 규명하기 위한 통제된 비교와 더 폭넓은 절제 실험의 필요성을 시사한다.
금융 예측을 위한 딥러닝 아키텍처를 신뢰성 있게 비교하려면 아키텍처의 효과를 하이퍼파라미터 튜닝, 무작위 초기화, 예측 시계, 자산 특성과 분리하는 통제된 평가가 필요하다. 본 연구는 동일 예산의 베이지안 하이퍼파라미터 최적화, 범주 수준 설정 고정, 3개 시드 최종 학습, 홀드아웃 지표 집계, 순위 기반 통계 검증으로 이루어진 5단계 벤치마크를 제시한다. Transformer, MLP/선형, 합성곱, 순환 계열의 9개 아키텍처를 12개 자산(암호화폐 4개, 외환 4개, 주가지수 상품 4개)에 걸쳐 5개의 OHLCV 특징으로부터 직접 다단계 예측 방식으로 평가하며, 자산당 30,000개의 시간 단위 윈도를 시간순 70/15/15 분할로 사용하고 예측 시계는 4시간과 24시간이다. 이 벤치마크는 918회의 실행(최적화 시행 270회, 최종 학습 실행 648회)을 포함한다. 24개의 자산-시계 지점 전반에서 ModernTCN은 평균 순위 1.333을 기록했고 18개 지점(75.0%)에서 가장 낮은 RMSE를 보였으며, 그 뒤를 PatchTST(평균 순위 2.000)가 이었다. 전체 순위 차이는 Iman-Davenport 검정(F(8,184)=101.36, p<1e-15)으로 강하게 뒷받침되며, Holm 보정을 거친 36개 쌍별 비교 중 33개가 유의하다. 순위는 12개 자산 모두에서 시계 간에 일관되며(rho>=0.683; Stouffer p=3.47e-10), 오차는 더 긴 시계에서 증가한다. 아키텍처는 원시 오차 분산의 99.90%를 설명하고, LSTM을 제외한 슬롯 내 정규화 이후에는 68.33%를 설명한다. 시드 분산의 기여는 최대 0.04%(LSTM 제외 시 0.02%)이다. 평균 방향 정확도는 50.08%이다. 이러한 결과는 9개 아키텍처에 대한 통계적으로 검증된 비교를 제공하고, 평가한 조건에서 ModernTCN과 PatchTST를 선도적 성능을 보이는 모델로 확인하며, 다중 자산 금융 시계열 예측을 위한 재현 가능한 벤치마크를 제공한다.
금융 어시스턴트는 사실적으로 들리지만 사용자가 말하지 않은 것에 좌우되는 질문, 즉 데이터 수치가 무엇을 측정하는지, 어떤 상품 유형을 뜻하는지, 투자자의 상황과 적용되는 규칙이 무엇인지에 답한다. 이를 무시하는 어시스턴트도 자신의 데이터에 있는 실제 숫자로 답할 수 있지만, 그 숫자는 다른 질문에 대한 답이다. 우리는 이를 프레임 붕괴(frame collapse)라 부른다. 우리는 상품 유형과 세금 규칙이 공식적으로 정의되어 있어 모든 해석에 대해 정답을 계산할 수 있는 인도 뮤추얼 펀드에서 이를 연구한다. 각 과제는 하나의 연구로 검증한다. 모호하게 표기된 수치가 주어졌을 때 모델은 종종 사용자의 표기에 따라 그것을 사용하였다. 모든 대안이 표기되어 주어졌을 때는 이를 모두 나열했지만, 어느 것이 먼저 오는지는 배치가 결정하였다. 투자자에 관한 사실이 빠진 경우, 더 약한 에이전트는 기본값이나 오래된 세금 규칙을 가정하였으며, 그 사실을 요구한다고 해서 그것의 사용이 보장되지는 않았다. 이러한 답변은 데이터와 일치하므로 데이터에 대한 검사는 이를 통과시킨다. AI 판정자는 각 필드의 의미를 알려 주었을 때에만 잘못 표기된 수치를 잡아냈고, 다른 해석을 조용히 택한 답변은 여전히 통과시켰다. 우리는 이러한 실패가 얼마나 자주 일어나는지가 아니라 어떻게 발생하는지를 보이고, 금융 어시스턴트를 위한 통제 방안을 제안한다.
Reinforcement learning (RL) for foreign exchange (Forex) trading requires realistic execution modeling, interpretable reward design, and action spaces that respect market constraints. Existing approaches often simplify these aspects, limiting policy transparency and practical relevance. This paper presents a modular RL framework integrating three components: (1) a friction-aware execution engine enforcing anti-lookahead semantics---observations at close_t, execution at open_t+1, and mark-to-market at close_t+1---while modeling spread, commission, slippage, rollover financing, and margin-triggered liquidation; (2) a decomposable 11-component reward architecture with fixed, pre-specified weights and per-step logging, enabling attribution, ablation, and auditability; and (3) a 10-action discrete interface supporting scaling, reduction, closure, and reversal, with legal-action masking enforcing margin-aware feasibility during training and evaluation. Empirical evaluation on EURUSD training-split data reveals non-monotonic interactions among reward components, demonstrating that additional penalties do not consistently improve performance. The full reward configuration achieves a terminal training Sharpe ratio of 0.765 and cumulative return of 57.09%. Comparing action spaces, the extended 10-action interface increases cumulative return but reduces Sharpe relative to a conservative 3-action variant, revealing a return-activity trade-off under a fixed training budget. Scaling-enabled strategies consistently reduce drawdowns, with the combined configuration delivering the strongest endpoint performance. Supplementary diagnostics on GBPUSD, USDJPY, and AUDUSD exhibit qualitatively similar trends. These findings demonstrate the framework's diagnostic value and underscore the importance of controlled, interpretable design in RL-based financial systems.
대규모 언어 모델(LLM)의 경제 예측 능력에 대한 신뢰성 문제는 최근 연구에서 중요한 주제로 부각되고 있다. 본 연구는 LLM이 경제 및 금융 데이터를 기억하는 방식을 체계적으로 평가한 첫 번째 연구로, 주요 경제 지표, 뉴스 헤드라인, 주식 수익률, 컨퍼런스 콜 등의 데이터를 포함하여 LLM의 기억 능력을 분석하였다. 연구 결과, LLM은 지식 컷오프 날짜 이전의 주요 경제 변수에 대한 정확한 수치 값을 완벽하게 기억할 수 있으며, 이러한 기억은 날짜와 데이터 유형에 따라 무작위로 분포되어 있음을 보여주었다.
이러한 선택적 완벽 기억은 LLM이 예측을 수행하는 것인지 아니면 단순히 기억된 데이터를 활용하는 것인지 구별할 수 없게 만드는 근본적인 문제를 야기한다. 특히, 역사적 데이터 경계를 존중하라는 명시적 지시가 LLM의 예측 작업에서 기억 수준의 정확성을 방지하지 못한다는 점은 주목할 만하다. LLM은 최소한의 맥락 단서로부터 마스킹된 엔티티를 재구성하는 데 뛰어난 능력을 보이며, 이는 마스킹이 동기화된 추론에 대한 충분한 보호를 제공하지 않음을 시사한다.
이 연구는 LLM을 사용하여 역사적 데이터를 예측하거나 거래 전략을 백테스트하는 것에 대한 우려를 제기하며, LLM의 예측 성공이 진정한 경제 통찰력이 아닌 기억에 기반할 수 있음을 강조한다. 또한, LLM은 지식 컷오프 날짜 이후의 데이터를 기억할 수 없다는 점에서 데이터 오염이 없음을 보여준다. 이러한 발견은 LLM의 경제 예측 능력에 대한 신뢰성을 저하시킬 수 있으며, 이는 경제 데이터 분석 및 예측에 있어 중요한 함의를 가진다.
결론적으로, 본 연구는 LLM의 기억 문제를 심도 있게 분석하며, 경제 예측의 신뢰성에 대한 새로운 시각을 제공한다. LLM의 예측 능력에 대한 이해를 심화시키고, 향후 연구 방향에 대한 기초를 마련하는 데 기여할 것으로 기대된다.
FinVector-Market-4B는 정형 금융 작업을 위해 22,000개 예제 말뭉치에서 랭크 16 LoRA로 Qwen/Qwen3.5-4B를 적응시킨 모델입니다. 본 연구에서는 암시적 및 명시적 JSON 스키마 계약 하에 동일한 600개 예제 벤치마크에서 베이스 모델과 적응된 모델을 평가합니다. 스키마를 단독으로 제공하는 것만으로도 베이스 모델의 JSON 유효성이 0%에서 91.3%로 상승합니다. 일치된 명시적 프롬프트 조건에서 고정된 점수는 FinQA 정답 정확 일치(exact match)가 14.7%에서 40.0%로, 계산기 수식 정확도가 48.0%에서 82.7%로, 시나리오 분기 레이블 일치도가 20.1%에서 89.5%로, 함의 방향 일치도가 52.4%에서 87.2%로 향상됩니다. 사후 정책 점수 감사 결과에 따르면, 보고된 매크로 F1 하락은 변화하는 레이블 집합을 반영한 것이며, 동일한 세 개의 타깃 클래스를 사용할 경우 베이스 모델은 77.4%, 어댑터는 83.1%를 기록합니다. 공시 데이터 중복과 계산기 타깃의 불일치는 해당 벤치마크의 일반화 주장에 일정한 한계를 부여합니다. 이러한 결과는 일치된 프롬프트 조건 하에서 소형 금융 도메인 적응이 출력 형식 학습을 넘어 실질적인 작업별 성능 향상을 이끌어낼 수 있음을 보여주며, 이때의 이득은 평가된 작업 분포와 프롬프트 계약에 의해 제한됩니다.
본 연구에서는 정성적 정보(연성 정보)를 정밀한 수치 추정치로 변환하는 비용(일종의 통합 비용)이 기대 형성 과정에서 구조적 마찰을 어떻게 유발하는지 살펴본다. 정보 인지 및 획득 비용으로부터 이러한 통합 비용을 분리하기 위해, 동일한 예측자가 텍스트 서술과 수치 전망을 동시에 생성하는 매도 측 애널리스트 보고서를 활용한다. 텍스트의 기초가 되는 정보는 이미 획득되었기 때문에 두 결과물 사이의 체계적인 격차는 통합 비용에 기인한다고 볼 수 있다. 연구 결과 체계적인 계량화 비효율성이 확인되었다. 즉, 애널리스트의 텍스트 어조는 당기 전망 오차를 음(-)의 방향으로 예측하고 차기 수치 수정을 양(+)의 방향으로 예측하는데, 이는 애널리스트가 추가 증거가 확보될 때까지 자신의 정성적 통찰 중 일부를 수치화하지 않은 상태로 남겨둔다는 점을 보여준다. 이러한 통합 마찰 설명과 일치하게, 보고서의 언어적 모호성이 높거나, 환경적 불확실성이 크거나, 애널리스트의 처리 능력이 제약될수록 비효율성이 심화되며, 전략적 및 행동적 설명이 설득력을 얻기 어려운 상황에서도 지속된다. 본 연구의 결과는 통합 비용이 별개의 경제적 마찰을 형성한다는 직접적이고 대규모 표본 기반의 실증적 증거를 제공하며, 연성 정보가 당기의 정량적 수치(경질 정보)를 넘어 가치 관련 내용을 담고 있는 이유를 설명해 준다.
Multi-Jurisdictional Legal Identity Assurance for Capability Gating: A Design-Science Proposal for Tiered, Reusable Identity Assurance of Natural, Juridical, and Machine Entities
신원 보증(identity assurance)은 디지털 시스템이 부정직성과 불확실성에 대해 치르는 비용으로, 모든 사람의 말을 신뢰할 수 없을 때 행위의 귀속을 명확히 하기 위해 존재한다. 이러한 비용을 치르는 일반적인 방식은 일률적 최대 검증(flat maximum verification)으로, 어떤 역량(capability)이라도 행사되기 전에 모든 참가자가 진입 시점에 단일한 높은 수준의 신원 확인을 충족하도록 요구한다. 모든 이에게 부과되는 이 방식은 과도한 정보 수집을 초래하고, 충족할 필요가 전혀 없었던 기준을 넘지 못하는 참가자를 배제하며, 가장 드문 고위험 사례의 비용으로 모든 상호작용에 부담을 지우고, 신원 확인의 강도를 그것이 허용하는 활동에 결합시킨다. 기존 프레임워크들은 단일 법적 관할권 내에서 소수의 자격 증명별 수준만을 고정하고 각 검증을 이를 수행한 기관에 종속시킴으로써 문제를 가중시키며, 국가 간 재사용 문제와 데이터 삭제 및 증거 보존 간의 긴장 관계를 해결하지 못한 채 방치한다. 본 논문은 디자인 사이언스(design-science) 제안으로서 관할권을 아우르는 자연인, 법인, 기계 개체를 위한 계층화되고 재사용 가능한 신원 보증 모델(model)을 개발한다. 개체가 행동할 때만 시스템이 변화한다는 시스템 이론의 관점으로 이 문제를 해석하여, 해당 모델은 보증 상태를 이를 사용하는 역량 게이트(capability gate)와 분리한다. 이를 통해 신원 요구가 단순한 존재 여부가 아니라 행위 및 그 결과의 가중치(weight)에 따라 발생하도록 한다. 즉, 참가자는 최소한의 공개만으로 참여할 수 있으며 행위가 요구할 때만 추가 정보를 제공할 수 있다. 이 모델은 유형화된 개체 분류 체계, 공개된 주장 범위와 정보 출처로 이루어진 2축 좌표, 개체의 시간 지표화된 속성으로서의 관할권, 그리고 이중시간적(bitemporal)이고 책임이 배분된 특정 시점의 스냅샷으로 기록되는 신뢰(reliance)로 구성된다. 요구사항은 자금세탁방지법, 전자신원확인법, 데이터 보호법에서 도출되었으며, 본 제안은 일률적 최대 검증, 자격 증명별 보증 수준 설계, 기관 단위의 재사용 가능한 고객확인제도(KYC) 신뢰 방식과 비교하여 평가된다.
EU 내 유럽 전력 거래는 선도(forward), 하루 전(day-ahead), 당일(intraday) 및 밸런싱(balancing) 거래 시계 전반에 걸쳐 법적 설계, 거래소 미시구조, 전력망 물리 법칙이 함께 실행되는 제약적 다층(multi-layer) 시스템으로 작동합니다. 본 논문은 시장 결합 메커니즘, 구역 간 송전 제약, 그리고 REMIT, MiFID II, MiFIR, EMIR에 따른 규정 준수 의무에 부합하는 AI 지원 거래를 위한 기능적 아키텍처를 개발합니다. 본 연구의 기여는 의사결정 상태 벡터, 잔여 익스포저 회계, 제약 최적화(optimization) 목적함수, 실행 가능 행동 권한 게이트, 감사 가능한 기록을 갖춘 안전 차단(fail-closed) AI 제어 로직으로 구성된 정형 시스템 명세입니다. 분석에서는 주요 지정 전력 시장 운영자(NEMO) 거래 장소와 관련 거래소 운영자를 운영 거래 장소 토폴로지로 매핑하고, 인터페이스 수준의 타이밍, 권한의 이질성, 밸런싱 층 결합 등 실제 환경에서 국경 간 조정이 실패하는 지점을 식별합니다. 도출된 프레임워크는 AI를 제약 없는 예측 층이 아닌, 명시적인 거버넌스를 갖춘 규제 시장 운영 내에서 제한된 의사결정 컴포넌트로 배포할 수 있는 방안을 제시합니다.
규제 금융 분야 AI를 위한 규정 준수 우선 아키텍처를 제안하며, 규제를 결정론적 규칙 집합이 아니라 지향 층으로 다룬다. 규제 의도와 노출의 행렬이 간결한 분류 핸들을 제공하고, 거버넌스가 적용된 정책 컴파일러가 이를 구체적인 금지, 의무, 런타임 예산으로 매핑한다. 금지는 실행 가능성을 제한하고 외부화를 차단하며, 의무는 명시적 허용 가능성 기준을 충족해야 하는 산출물로 과업을 확장한다. 위원회 활성화는 정책 주도적이며 비례 원칙을 유지하여, 효율성을 보존하면서 감독 감시를 보장한다. 증거, 의사결정, 사유 코드는 결정론적 타임스탬프가 부여된 허가형 방향성 비순환 그래프(DAG)에 바인딩되어 재현, 출처 검증, 실패의 명확한 귀속을 가능하게 한다. 조항 수준의 법률 인덱싱과 시행일, 역량 기반 에이전트 라우팅은 DACH 및 더 넓은 EU 전역에서 이식성을 보장한다. 그 결과는 구조적 보증(assurance by construction)이다: 규정 준수가 실행에 내장되며 비례 원칙이나 투명성을 희생하지 않고 감사인이 검증할 수 있다.
에이전트형 AI는 투자자의 역할을 분석적 실행에서 감독으로 전환한다. 본 연구는 44개의 전문화된 에이전트가 자본 시장 가정을 생성하고, 21가지 경쟁적 방법으로 포트폴리오를 구성하며, 서로의 출력을 비판하고 투표하는 에이전트형 전략적 자산 배분 파이프라인을 제시한다. 연구자 에이전트는 아직 반영되지 않은 새로운 포트폴리오 구성 방법을 제안하고, 메타 에이전트는 과거 예측을 실현 수익과 대조하여 향후 성과를 개선하기 위해 에이전트 코드와 프롬프트를 수정한다. 전체 파이프라인은 투자 정책 성명(Investment Policy Statement, IPS)에 의해 거버넌스되며, 인간 포트폴리오 매니저를 안내하던 동일한 문서가 이제 자율 에이전트를 제약하고 방향을 제시할 수 있다.