AI 기반 금융 의사결정 강화: 인플레이션·주식·학습 통합 플랫폼

초록

본 논문은 머신러닝·딥러닝 알고리즘을 활용해 인플레이션 분석, 주식 가격 예측, 그리고 챗봇 기반 E‑learning을 하나의 AI 플랫폼에 통합한 시스템을 제안한다. 인플레이션 모듈은 MAE 0.8%, RMSE 1.2%를 기록했으며, 주식 예측 모듈은 애플과 구글 주가에 대해 각각 98%와 96%의 정확도를 달성하였다.

상세 요약

본 연구는 금융 데이터에 대한 다중 예측 모델을 하나의 서비스로 결합한다는 점에서 실용적 가치가 크다. 인플레이션 분석에 선형 회귀와 ARIMA를 적용하고, 성능 평가 지표로 MAE와 RMSE를 사용한 것은 전통적인 시계열 모델의 한계를 보완하려는 시도로 볼 수 있다. 그러나 논문에 제시된 0.8% MAE와 1.2% RMSE는 절대적인 오차가 아니라 백분율로 해석될 가능성이 높으며, 데이터 스케일링 방법이나 기준 연도에 대한 명시가 부족해 재현성을 저해한다.

주식 가격 예측에서는 LSTM 기반 딥러닝 모델을 활용했으며, 애플과 구글 주가에 대해 각각 98%와 96%의 “정확도”를 보고하였다. 여기서 ‘정확도’라는 용어는 회귀 문제에 부적절하며, 일반적으로는 MAPE, RMSE, 혹은 R²와 같은 회귀 지표를 사용한다. 또한, 테스트 기간이 짧거나 특정 시장 상황에 편향될 경우 과대평가될 위험이 있다. 모델 학습에 사용된 피처는 ‘역사적 가격 추세’와 ‘인플레이션율’ 정도로 제한돼 있어, 거래량, 금리, 기업 재무 지표 등 다변량 요인을 포함하지 않은 점은 예측 성능을 제한할 수 있다.

E‑learning 모듈은 챗봇을 통해 금융 교육을 제공한다는 점에서 사회적 파급 효과가 기대된다. 하지만 챗봇의 자연어 이해(NLU) 모델이 어떤 구조인지, 사용자 피드백을 어떻게 수집·반영하는지에 대한 기술적 상세가 부족하다. 교육 콘텐츠의 정확성 검증 절차와 학습 효과를 측정한 실험 결과가 제시되지 않아, 교육적 효용성을 객관적으로 판단하기 어렵다.

데이터 수집 측면에서 ‘실제 금융 데이터셋’이라고만 언급하고, 데이터 출처, 기간, 전처리 과정이 구체적으로 기술되지 않았다. 특히 금융 데이터는 시계열 특성상 결측치와 이상치 처리 방법이 모델 성능에 큰 영향을 미치므로, 이에 대한 설명이 필요하다.

전반적으로 본 논문은 다양한 AI 기술을 하나의 플랫폼에 통합하려는 시도는 긍정적이지만, 성능 평가 지표의 선택·표현, 데이터 및 실험 설계의 투명성, 그리고 모델 해석 가능성 등에 있어 보완이 요구된다. 향후 연구에서는 보다 엄격한 베이스라인 비교, 교차 검증, 그리고 실제 투자 시뮬레이션을 통한 경제적 가치 평가가 포함된다면 실용성을 크게 높일 수 있을 것이다.