earticle

영어

AI-based asset management is gaining attention as a new paradigm that enables refined and automated investment decisions. This study presents a framework that integrates unstructured, news-based information into ETF portfolio allocation using a large language model (ChatGPT). Based on 90,000 economic news headlines from early 2024, key keywords were extracted and sector-level sentiment assessed through Chain-of-Thought (CoT) prompting, allowing the derivation of ETF weights. A four-week rebalancing strategy outperformed KOSPI 200 and domestic AI-driven ETFs (return: 40.96%, Sharpe ratio: 2.76, max drawdown: -3.22%), demonstrating the practical value of LLM-based text analysis. The study highlights how prompt-based structured reasoning can be applied to AI asset management, with future potential in prompt optimization, model comparison, and RAG integration.

한국어

AI 기반 자산운용은 투자 판단의 정교화와 자동화를 동시에 실현할 수 있는 새로운 패러다임으로 주목받고 있다. 본 연구는 LLM(ChatGPT)을 활용해 수치 중심 자산운용 접근을 보완하고, 뉴스 기반 비정형 정보를 통합하는 자산배분 프레임워크를 제안한다. 2024년 상반기 수집한 약 9만 건의 경제 뉴스 헤드라인을 대상으로, ChatGPT의 CoT(Chain-of-Thought) 프롬프팅을 활용해 핵심 키워드를 추출하고, 섹터별 감성과 중요도를 평가한 뒤 ETF 투자 비중을 산출하였다. 이 과정을 통해 구성된 포트폴리오 중 4주 단위 리밸런싱 전략은 KOSPI 200 및 국내 AI 운용 ETF 대비 우수한 성과(수익률 40.96%, 샤프 비율 2.76, 최대 낙폭 -3.22%)를 기록하며, LLM 기반 텍스트 해석의 투자 적용 가능성을 실증적으로 보여주었다. 본 연구는 프롬프트 기반 구조화 추론을 AI 자산운용에 통합한 사례로, 향후에는 프롬프트 최적화와 언어모델 비교, RAG 기법 적용 등을 통해 분석 프레임워크를 더욱 정교하게 고도화하고자 한다.