MEME: 금융 시장의 진화적 양상 모델링

MEME: Modeling the Evolutionary Modes of Financial Markets

LLM은 방대한 비정형 데이터를 처리하여 인간과 유사한 분석 워크플로우를 모방함으로써 퀀트 금융 분야에서 상당한 잠재력을 입증했습니다. 그러나 현재의 LLM 기반 방법론들은 주로 개별 주식 예측에 초점을 맞춘 자산 중심(Asset-Centric) 패러다임이나 포트폴리오 배분을 위한 시장 중심(Market-Centric) 접근 방식을 따르고 있어, 시장의 움직임을 주도하는 기저 논리에 대해서는 대체로 무관심한 경향이 있습니다. 본 논문에서는 금융 시장을 '사고의 양상(Modes of Thought)'이라 불리는 경쟁적인 투자 내러티브들의 역동적이고 진화적인 생태계로 모델링하는 논리 지향적(Logic-Oriented) 관점을 제안합니다. 이러한 관점을 구현하기 위해, 진화하는 논리의 관점을 통해 시장 역학을 재구성하도록 설계된 MEME(Modeling the Evolutionary Modes of Financial Markets)를 소개합니다. MEME은 멀티 에이전트 추출 모듈을 사용하여 노이즈가 많은 데이터를 고충실도의 '투자 논거(Investment Arguments)'로 변환하고, 가우시안 혼합 모델링(GMM)을 활용하여 의미 공간 내의 잠재적인 합의(consensus)를 발굴합니다. 또한 다양한 시장 상황 간의 의미적 표류(semantic drift)를 모델링하기 위해, 이러한 모드들의 수명 주기와 과거 수익성을 추적하는 시계열적 평가 및 정렬 메커니즘을 구현합니다. MEME은 일시적인 이상 현상보다 지속적인 시장의 지혜를 우선시함으로써, 견고한 추론에 기반하여 포트폴리오가 구성되도록 보장합니다. 2023년부터 2025년까지의 이질적인 세 가지 중국 주식 풀(pool)을 대상으로 한 광범위한 실험 결과, MEME이 7가지 최신(SOTA) 기준 모델들보다 일관되게 우수한 성능을 보임을 입증했습니다. 추가적인 소거 연구(ablation studies), 민감도 분석, 수명 주기 사례 연구 및 비용 분석을 통해 금융 시장의 진화하는 합의를 식별하고 이에 적응하는 MEME의 능력을 검증했습니다. 구현 코드는 https://github.com/gta0804/MEME 에서 확인할 수 있습니다.

LLMs have demonstrated significant potential in quantitative finance by processing vast unstructured data to emulate human-like analytical workflows. However, current LLM-based methods primarily follow either an Asset-Centric paradigm focused on individual stock prediction or a Market-Centric approach for portfolio allocation, often remaining agnostic to the underlying reasoning that drives market movements. In this paper, we propose a Logic-Oriented perspective, modeling the financial market as a dynamic, evolutionary ecosystem of competing investment narratives, termed Modes of Thought. To operationalize this view, we introduce MEME (Modeling the Evolutionary Modes of Financial Markets), designed to reconstruct market dynamics through the lens of evolving logics. MEME employs a multi-agent extraction module to transform noisy data into high-fidelity Investment Arguments and utilizes Gaussian Mixture Modeling to uncover latent consensus within a semantic space. To model semantic drift among different market conditions, we also implement a temporal evaluation and alignment mechanism to track the lifecycle and historical profitability of these modes. By prioritizing enduring market wisdom over transient anomalies, MEME ensures that portfolio construction is guided by robust reasoning. Extensive experiments on three heterogeneous Chinese stock pools from 2023 to 2025 demonstrate that MEME consistently outperforms seven SOTA baselines. Further ablation studies, sensitivity analysis, lifecycle case study and cost analysis validate MEME's capacity to identify and adapt to the evolving consensus of financial markets. Our implementation can be found at https://github.com/gta0804/MEME.