리서치 애널리스트 관점에서 본 AI와 금융의 접점

2026년 현재 생성형 AI는 투자 리서치 작업에 광범위하게 쓰인다. 그렇다면 이미 붐비는 이 시장에서 DeepSeek가 금융 추론을 강조하는 이유는 무엇이며, 그것이 실제 초과수익(알파)으로 연결될 수 있는가. 이 글은 벤치마크나 마케팅이 아니라 모델의 설계 구조와 모회사 배경을 근거로 그 논거를 검토하고자 한다.

바이브 인베스팅 레포를 운영하면서 여러 LLM 프롬프트를 통해 시장의 상태, 주식의 상태를 분석했을 때 흥미로운 지점이 있었다. 바로, DeepSeek는 과감한 투자의 알파 수익을 추구한다는 점이었다.

1. 차별점, 계산이 아니라 맥락 부여

금융 AI의 실질적 약점은 환각보다 맥락 없는 계산에 가깝다. PER이나 VIX 같은 수치를 가져오는 것은 검색으로도 가능하다. 관건은 그 수치들을 연결해 지금 매수해도 되는가라는 판단으로 전환하는 능력이다.

DeepSeek는 MoE(Mixture of Experts)구조와강화학습 기반 추론(Chain-of-Thought)을 결합해, 수치 연산·패턴 매칭·반대 논증을 하나의 추론 체인에서 처리하도록 설계됐다.

예를 들면, 조정장 매수 시그널 점검에서 다음과 같은 단계를 거친다: 통계적 맥락 부여("36% 상승은 사후적 수치, 연말 매수 기준으로는 19%"), 과거 사례의 예외 처리(1939·1966·1970·1974년 실패 사례), 인과 귀속(금리·유가·관세가 정치 노이즈인지 구조적 위기인지).

즉 가설 설정 → 데이터 교차검증 → 반증 시도 → 신뢰도 할당이라는 애널리스트의 사고 절차를 모방하도록 설계되어 있다.

2. 금융에 강한 구조적 배경: 모회사 High-Flyer

DeepSeek가 범용 LLM과 다른 출발선을 가진 핵심 이유는 법인 배경에 있다. 이 모델은 학술 실험실이나 빅테크가 아니라 중국의 대형 양적 헤지펀드 환방량화(幻方量化, High-Flyer Quant)에서 파생됐다.

모회사의 성격.창업자 량원펑(梁文锋)은 저장대 졸업 후 2015년 양적 헤지펀드 High-Flyer를 공동 창업하고 트레이딩 전략에 AI를 도입했다. 법인은 2016년 2월 설립됐으며, 2025년 12월 기준 운용자산은 약 100억 달러 규모다. 2025년 High-Flyer는 약 700억 위안(약 100억 달러)을 운용하며 평균 56.6%의 수익률을 기록, 100억 위안 이상 규모 중국 퀀트 펀드 중 2위에 올랐다. 1위는 73.5%를 기록한 링쥔(Lingjun) 투자였다.연산 인프라의 전환.량원펑은 미국의 대중 AI 칩 수출 규제 이전인 2021년부터 엔비디아 GPU 수천 개를 사들였고, 이는 처음에는 알고리즘 트레이딩용이었다가 이후 2023년 DeepSeek 출범의 기반이 됐다. 금융 운용에서 축적한 대규모 연산·데이터 엔지니어링 역량이 그대로 AI 인프라로 이어진 셈이다.독립성 원칙.2026년 4월까지 DeepSeek는 외부 벤처 자본 없이 전적으로 High-Flyer의 자금으로 운영됐고, 매출도 공개하지 않았다. 외부 압력 없이 연구에 집중하는 이 방식은 단기 상업화 일정에 얽매이지 않으려는 의도적 선택으로 해석된다.자금 조달로의 전환(2026년). 2026년 4월, 량원펑은 자기 자금으로 DeepSeek의 등록자본을 1,000만 위안에서 1,500만 위안으로 50% 늘렸고, 본인 출자금은 10만 위안에서 510만 위안으로 증액돼 실질 지배력이 약 84.3%로 상승했다. 이후 DeepSeek는 약 500억 달러(보도에 따라 약 450억 달러) 밸류에이션에서 30억~40억 달러 규모의 첫 외부 자금 조달을 추진했으며, 중국 국가 반도체·AI 펀드가 주도하고 텐센트·힐하우스 등이 참여를 논의했다. 량원펑이 회사 지분의 약 90%를 보유하고 있으며, 외부 투자를 받기로 한 주된 이유는 경쟁사의 인재 영입에 대응해 직원에게 지분을 제공하기 위함이었다.

3. 실전 테스트: Alpha Arena 결과

2025년 10월, 금융 AI 연구소 Nof1.ai가 주최한 실제 자금 트레이딩 대회 Alpha Arena에서 6개 모델(Qwen3 Max, DeepSeek Chat V3.1, GPT-5, Gemini 2.5 Pro, Claude Sonnet 4.5, Grok 4)이 각 1만 달러로 Hyperliquid에서 암호화폐 무기한 선물을 자율 거래했다.

⚠ 수치 정정

우승은 Qwen3 Max(약 22.32% 수익률), DeepSeek는 약 4.89%로 2위였고, 4개 미국 모델은 30.81%~62.66% 손실을 기록했다. DeepSeek는 대회 중반 +125% 고점에 도달했으나 이후 큰 폭으로 되돌려 최종 수익률은 한 자릿수에 머물렀다. 즉 "압도적 1위"는 사실이 아니며, "중간 고점 후 급락, 최종 2위"가 정확하다. 다만, DeepSeek가 상승장에서 강력한 알파를 추구하는 모회사 High-Flyer의 헤지펀드적인 성격이 있음을 살펴볼 수 있다.

금융 트레이딩 분야에서 무제한의 데이터를 학습시킨 중국 모델 상위, 미국 모델 전반 손실은 결과와 부합한다. 이 대회는 정적인 학술 벤치마크(MMLU, GPQA 등)에서의 고득점이 불확실성이 높은 실제 시장에서의 생존과 수익을 보장하지 않는다는 점을 드러냈다. Qwen3 Max와 DeepSeek는 레버리지와 헤징을 비교적 안정적으로 운용한 반면, GPT-5, Gemini, Claude는 과도한 레버리지와 미흡한 리스크 관리로 큰 손실을 봤다는 것이 대회 측 해설이다.

4. 평가 기준 — 정확도가 아니라 반증 가능성

금융 리서치의 품질은 정확도보다 반증 가능성(falsifiability)으로 측정된다. "오를 수도 내릴 수도 있다"는 100% 맞지만 정보 가치는 0이다. 유효한 인사이트는 "지금 매수하면 안 되는 이유"를 구체화하고 그 논리가 틀릴 조건까지 명시하는 데서 나온다. DeepSeek의 추론 구조는 자신의 결론에 대한 반대 논증을 생성·재평가하는 방향으로 설계돼 있어, 매수 금지 결론과 동시에 "EPS 두 자릿수 성장 지속" 같은 반대 시나리오를 함께 제시해야 한다.

모델 간 포지셔닝을 단순화하면 대체로 이렇게 정리된다: ChatGPT(GPT 계열)는 광범위한 지식 기반의 설명, Claude(Anthropic)는 안전성·정렬 중심의 조언, Gemini(Google)는 실시간 데이터·생태계 통합 기반의 정보 검색에 강점이 있다. DeepSeek는 '구조화된 회의주의(structured skepticism)'를 차별점으로 내세운다.

5. 왜 금융인가? — 비대칭 도메인

금융 시장은 AI에 가혹한 테스트베드다. 51%의 예측 우위만으로도 시장을 이길 수 있지만, 단 한 번의 꼬리 위험이 다수의 성공을 상쇄하는 비대칭 구조다. 이 환경에서 의미 있는 목표는 예측이 아니라 시나리오 보정(scenario calibration)이다.

예컨대 주식 위험 프리미엄(ERP)이 IT버블 수준이라는 데이터를 단순 경고로 전달하는 대신, "그 수준에서도 추가 상승이 가능한 조건"과 "붕괴 트리거"를 동시에 평가하는 능력이다. "중간선거 해는 항상 올랐다" 같은 서사적 오류를 체계적으로 해체할 수 있을 때 초과수익의 여지가 생긴다.

6. 오픈소스와 검증 가능성

블랙박스 모델은 추론 경로를 검증할 수 없어 자산 배분 근거로 쓰기 어렵다. DeepSeek는 외부 자금을 받으면서도 오픈소스 모델 공개 방침과 단기 상업화보다 기초 연구를 우선한다는 입장을 유지하고 있다. 사고 과정이 노출되면 사용자는 결과가 아니라 논증의 건전성을 평가할 수 있고, 이는 규제 환경에서 요구되는 절차적 검증(감사 가능성)과도 맞닿는다. MoE 기반의 낮은 추론 비용은 부차적 이점이다.

맺으며

마켓 리서치의 발전은 더 정확한 답이 아니라 더 나은 질문에서 나왔다. "지금 사야 하나"가 아니라 "지금의 하락이 정치 노이즈인가 구조적 훼손인가"를 묻는 순간 인사이트가 시작된다. DeepSeek가 금융 추론에 유리한 근거는 분명하다.

모회사 High-Flyer의 장기 알고리즘 트레이딩 경험, 외부 자본 압력 없이 연구에 집중할 수 있었던 독립성의 역사, 그리고 오픈소스 기반의 검증 가능성이다. 다만 Alpha Arena 결과가 보여주듯, 실전에서의 우위는 절대적이지 않고(최종 2위, 중간 고점 후 급락) 리스크 관리의 일관성에 달려 있다. 이 부분은 LLM Prompt로 전략을 수정한다면 극복 가능할 것이라 생각이 된다.

시장이 가르치는 핵심 교훈은 계산 속도나 데이터 양이 아니라, 스스로를 반박할 줄 아는 지적 정직함이 장기 생존을 좌우한다는 점이다.

본 칼럼은 DeepSeek의 설계 구조와 모회사 High-Flyer Quant의 공개 정보, 그리고 Alpha Arena 등 공개 테스트 결과를 바탕으로 작성된 일반적 분석이며, 특정 투자를 권유하지 않습니다.

주요 레퍼런스

🔗 관련 리포지토리: vibe-investing — 퀀트 이론, Python 백테스팅, Claude 프롬프트 템플릿을 결합한 AI 기반 투자 리서치 큐레이션