런던증권거래소그룹, AI로 시장 감시 자동화

런던증권거래소그룹(LSEG), Amazon Bedrock로 시장 감시 자동화…뉴스 민감도 분석으로 잠재적 시장 조작 탐지

AI 기술이 금융시장 감시에 직접적으로 적용되며, 기존 수작업 중심의 감시 시스템을 자동화·고도화하는 사례가 등장하고 있습니다. 영국 런던증권거래소그룹(LSEG)은 AWS의 생성형 AI 플랫폼인 Amazon Bedrock과 Claude Sonnet 3.5 모델을 활용해 내부 감시 시스템을 혁신했고, 이에 대한 실제 적용 사례가 AWS 공식 블로그에 소개되었습니다. 이번 포스팅에서는 해당 사례를 통해 LSEG의 시스템이 어떻게 구현되었고, 어떤 방식으로 결과를 도출했는지를 상세히 설명합니다.

시장의 변화와 기존 시스템 한계

LSEG는 연간 1조 파운드 이상의 유가증권 거래와 보고를 처리하는 복잡한 국제 금융 인프라를 운영하고 있습니다. 이런 방대한 거래량 속에서 시장 조작이나 내부자 거래 등 불공정 행위를 찾아내는 것은 고도로 정제된 감시 체계 없이는 불가능합니다. 그러나 기존 룰 기반 감시 시스템은 다음과 같은 문제점들을 가지고 있었습니다.

• 미세한 변칙까지 감지하지 못하는 한계
• 과도한 알림 수 발생으로 인한 전문가의 피로도 증가
• 뉴스 기반의 정성적 분석이 수작업으로 진행되어 시간 소모 과다
• 동시 다발로 들어오는 리포팅 기사에 대한 수용 능력 부족

이러한 한계를 극복하기 위한 전략으로 LSEG는 생성형 AI 모델을 도입하게 되었습니다.

Amazon Bedrock 기반의 AI 감시 자동화 구성

LSEG는 Claude Sonnet 3.5 모델을 Amazon Bedrock을 통해 배포하고, 자사 뉴스 서비스(RNS)의 HTML 형태 문서를 자동으로 수집 및 분석하는 파이프라인을 구축했습니다. 전체 감시 가이드 시스템은 다음과 같은 구성요소로 이루어져 있습니다.

• 데이터 수집 및 사전 처리: HTML 뉴스 문서에서 불필요한 태그 제거 후 텍스트 추출
• Claude Sonnet 3.5 호출: 생성형 프롬프트로 뉴스의 가격 민감도 분류 요청
• 인퍼런스 응답 시각화: Streamlit을 활용한 인터페이스 구성

분류 알고리즘은 단일 단계가 아닌 이중 단계 방식으로 구성되었으며, 이는 보다 정밀한 감지 정확도를 위해 설계되었습니다.

• 1단계: 뉴스가 민감할 가능성이 있는지 분류 (민감 vs 그 외)
• 2단계: 비민감할 가능성 분류 (비민감 vs 그 외)

이러한 다단계 분류 결과는 전문가에 의해 사전 라벨링된 데이터셋과 비교되어 정량적 성과지표, 예를 들어 Precision, Recall 및 F1 스코어를 계산하는 지표 정의에 사용되었습니다.

실제 적용 성과 및 실험 결과

LSEG는 약 25만 건의 기사를 대상으로 모델 성능을 검증했으며, 이 중 110건의 기사는 전문가에게 라벨링되어 평가 데이터셋으로 활용되었습니다. 민감도는 다음과 같은 3단계로 분류되었습니다.

• 1~3점: 비민감
• 4~6점: 판단 불가
• 7~9점: 민감

이 AI 시스템은 다음과 같은 놀라운 성과를 보여주었습니다.

• 비가격 민감성 뉴스 감지에 있어 100% 정밀도
• 가격 민감성 뉴스 식별에 있어 100% 재현율
• 매 기사에 대해 체계적 요약 + 민감도 분류 + 이유 설명 제공

활용 방법 및 배포 전략

이 시스템은 Amazon Bedrock의 서버리스 아키텍처로 구축되어 있어, 다음과 같은 활용 및 배포 측면에서 장점을 가집니다.

• SLA를 유지하면서 대용량 문서 감지 확장 가능
• 모델 관리 불필요, API 중심의 간단한 통합 방식
• 고도화된 Prompt Engineering 및 개선을 위한 실험 환경 구축에 용이
• SageMaker 환경 하에서 Python 기반 파이프라인으로 자동화

사용자는 뉴스 요약, 민감도 분류 결과 및 사유를 실시간으로 Streamlit 대시보드를 통해 확인할 수 있으며, 민감도가 불확실한 경우 담당자의 추가 검토가 필요하다는 안내도 포함됩니다.

향후 발전 방향

LSEG는 이 솔루션을 기반으로 더욱 확장된 자동화 시장 감시 프레임워크 구축을 목표로 하고 있습니다. 구체적인 계획은 다음과 같습니다.

• 재무 데이터 등 외부 정보 자동 통합
• 소량 예제 기반 자동 미세 튜닝(Few-shot Prompting)
• 다양한 시장 조작 패턴을 감지 가능한 모델 확장
• 실제 운영 환경에 병렬 배치하여 연계 사용 검증

결론 및 시사점

LSEG의 사례는 금융 시장 감시에 있어 AI 기반 자동화 시스템의 실질적인 활용 방법과 구축 전략을 잘 보여줍니다. Amazon Bedrock을 통해 보안과 스케일을 동시에 확보하면서, 비용을 절감하고 민감도 예측 정확도를 획기적으로 향상시킨 점은 주목할 만합니다.

시장 변동성과 복잡성이 증가하는 이 시대, 팀이나 기업이 민감한 뉴스를 자동으로 분석하고 대응하는 능력은 곧 규제 준수와 기업 리스크 관리의 핵심 자산이 됩니다. 금융 시스템은 물론 CX, HR, 법률 업무에도 이러한 시스템 응용이 확산될 것으로 예상됩니다.

https://aws.amazon.com/blogs/machine-learning/how-london-stock-exchange-group-is-detecting-market-abuse-with-their-ai-powered-surveillance-guide-on-amazon-bedrock/