IMF가 발간한 2024년 10월 글로벌 금융안정보고서(Global Financial Stability Report) 핵심 정리 - AI기술의 자본시장 영향에 대하여 ①

이번 편에서는 IMF가 발간한 2024년 10월 글로벌 금융안정보고서(Global Financial Stability Report)의 3장을 바탕으로, 인공지능(AI) 기술이 자본시장에 어떤 영향을 미치고 있는지 살펴보겠습니다. 특히 생성형 AI(GenAI)의 도입이 투자 결정, 거래 실행, 리스크 관리 등 금융시장 전반에 걸쳐 구조적 변화를 유발할 수 있음을 강조하고 있습니다. 향후 금융 안정성, 규제 리스크, 시장 구조의 재편 등 다양한 측면에서 인공지능의 영향이 논의되며, 정책적 시사점도 제시됩니다.

1. 인공지능 도입 배경과 금융시장에 미치는 일반적 영향

1-1. 금융산업과 AI의 자연스러운 결합: 데이터 중심 산업의 진화

금융산업은 전통적으로 정보 비대칭을 해소하고 복잡한 리스크를 관리하기 위한 도구로 데이터 분석을 광범위하게 활용해 왔습니다. 특히 거래 내역, 고객 정보, 재무제표, 실적 예측, 거시경제 데이터 등 정형·비정형 데이터의 축적이 많아, 이를 효과적으로 분석하는 기술의 발전과 함께 금융서비스는 꾸준히 기술 기반 산업으로 진화해 왔습니다. 이러한 산업 특성은 머신러닝(ML), 자연어처리(NLP), 생성형 인공지능(Generative AI) 등의 신기술이 금융시장에 빠르게 도입되고, 기존 업무 흐름을 대체하거나 보완하는 데 있어 매우 적합한 환경을 제공합니다. 특히 금융기관은 과거부터 리스크 평가 모델, 거래 알고리즘, 신용평가 시스템 등 정량 분석 기반 기술을 선제적으로 채택해 왔으며, 이에 따라 AI 기술 도입 시 초기 장벽이 상대적으로 낮습니다. 이는 단지 기술적 수용성의 문제를 넘어, 경쟁 우위를 확보하기 위한 필수 조건이 되고 있습니다.

1-2. GenAI의 실질적 활용과 기능: 예측력·속도·정밀도의 삼위일체

최근 주목받는 생성형 인공지능(GenAI)은 기존의 예측 기반 AI에서 한 단계 진화한 기술로, 단순한 분석을 넘어 텍스트, 이미지, 코드, 숫자 등을 실제로 “생산”하는 기능까지 포함하고 있습니다. 금융 분야에서는 이러한 GenAI의 특성이 투자 전략 수립, 문서 해석, 리서치 요약, 보고서 자동 생성, 고객 응대 자동화 등의 실무에서 폭넓게 활용되고 있습니다. 예를 들어, 텍스트 기반으로 발표되는 중앙은행의 통화정책 성명서나 기업 실적 발표 자료를 LLM(Large Language Model) 기반 모델이 실시간 분석하고, 해당 발표가 시장에 미칠 영향을 수 초 내로 정리해 트레이딩 신호로 전환할 수 있습니다. 이 과정에서 인간이 해야 할 언어 해석과 통계 연산을 GenAI가 자동화하며, 투자 결정까지의 시간과 오류 가능성을 현저히 줄입니다. 또한, 고객의 위험 선호도, 자산 규모, 투자 목적에 따라 맞춤형 포트폴리오를 구성하거나 대체 데이터를 활용해 틈새 전략을 찾는 데도 활용됩니다.

1-3. 금융기관과 규제기관의 이중적 활용: SupTech·RegTech의 확대

이러한 기술은 금융기관뿐 아니라 규제기관에도 도입되고 있습니다. 감독당국은 SupTech(Supervisory Technology)를 통해 대규모 트랜잭션 데이터를 분석해 이상 거래를 식별하거나, 내부통제 미비를 조기에 발견할 수 있습니다. 동시에 금융회사들은 RegTech(Regulatory Technology)를 활용해 복잡한 규제 요건에 자동 대응하고, 자금세탁방지(AML) 및 고객확인(KYC) 절차를 자동화함으로써 운영 효율성과 컴플라이언스 수준을 동시에 높이고 있습니다. 이는 금융 시스템 전반의 투명성과 안전성을 제고하는 긍정적인 방향으로 작용하고 있습니다.

1-4. 금융 안정성 관점에서의 양면성: 효율성과 리스크의 공존

AI의 도입은 금융시장 전반의 생산성을 높이는 강력한 수단인 동시에, 새로운 유형의 리스크도 함께 동반합니다. 보고서는 AI가 전통적인 금융안정 리스크(예: 과도한 레버리지, 유동성 부족, 시스템 간 상호의존성 등)를 강화하거나 전이시킬 수 있다고 경고합니다. 특히 AI 모델 간 동조화된 의사결정은 시장 스트레스 시 일제히 포지션을 청산하거나, 자산을 동일 방향으로 재배분하는 행동을 유발할 수 있으며 이는 시스템 전반의 ‘프로사이클릭 리스크’를 키울 수 있습니다.

또한, 생성형 AI 모델이 만든 투자 판단의 근거를 인간이 이해하거나 설명하지 못하는 경우도 존재합니다. 이는 모델에 내재된 편향이나 예외 상황에서의 오작동 위험을 높이고, 설명 가능성 부족으로 인한 책임소재의 불분명성 문제가 발생할 수 있습니다.

2. AI 도입 현황과 전망: 시장참여자 인터뷰 및 특허 데이터를 중심으로

2-1. 현황: AI 기술의 금융시장 내 초기 확산 양상

(1) 로보어드바이저와 AI ETF의 등장

 

금융시장 내 AI 기술의 활용은 아직 ‘혁명적 전환’보다는 ‘점진적 확산’ 단계에 머물러 있습니다. 가장 대표적인 사례는 로보어드바이저(Robo-Advisor)의 성장입니다. 로보어드바이저는 AI를 통해 개인 투자자의 성향 분석, 포트폴리오 추천, 자동 리밸런싱을 수행하는 플랫폼으로, 미국 시장에서만 수천억 달러의 자산을 관리하고 있으며, 2027년까지 약 2.5조 달러 규모에 이를 것으로 예상됩니다. 이는 개인 투자자 중심의 투자 접근성을 크게 높였으며, AI 기반 금융 서비스의 대중화를 이끄는 대표 사례로 평가됩니다. 또한, AI 기반 ETF(Exchange-Traded Fund)도 도입 초기 단계임에도 불구하고 주목할 만한 확산세를 보이고 있습니다. 이들 ETF는 AI 알고리즘이 시장 데이터를 분석하고 종목 선택 및 비중 조정을 수행하며, 인간 관리자 개입 없이 반자동적으로 운용됩니다. 다만, 현재 전체 ETF 시장에서 AI 기반 ETF가 차지하는 비중은 미미하며, 약 10억 달러 이하 수준의 소규모 시장입니다. 이는 기술적 기반은 갖추었으나 시장 신뢰도나 검증이 아직 충분하지 않다는 것을 시사합니다.

(2) GenAI 기반 활용은 아직 진입기

시장참여자들은 GenAI를 코드 생성, 리서치 요약, 대체 데이터 처리, 보고서 자동화 등 기존 업무 흐름의 효율화를 중심으로 활용하고 있습니다. 그러나 완전한 자동 의사결정 시스템, 예컨대 “AI가 포트폴리오를 구성하고 트레이딩을 자율적으로 실행하는 수준”은 아직 현실화되지 않았습니다. IMF 조사에 따르면 대부분의 금융기관은 여전히 “인간의 개입(human-in-the-loop)”을 전제로 AI 기술을 도입하고 있으며, 책임소재, 리스크 통제, 윤리적 문제 등의 이유로 완전한 자동화를 꺼리고 있습니다.

2-2. 정량적 분석: 특허 출원 동향을 통한 미래 예측

AI의 기술적 발전이 가장 직접적으로 반영되는 지표 중 하나는 특허 출원입니다. IMF 분석에 따르면 2010년대 중반 이후 ‘고빈도·알고리즘 트레이딩(High-Frequency Trading, HFT)’ 분야에서 AI 관련 특허 출원이 꾸준히 증가했으며, 최근 2~3년간 특히 빠르게 늘어나는 추세입니다. 이들 특허는 주로 저지연 신호 계산, 자동 주문 최적화, 거래 플랫폼의 효율화 등을 포함하고 있습니다. 뿐만 아니라, 자산운용 전반에 걸친 특허도 급증하고 있습니다. 이들 특허는 포트폴리오 리밸런싱 자동화, 유동성 예측, 대체 자산 분석, ESG 리스크 스코어링, 신디케이션 평가 등 고도화된 기술을 포함하며, 머신러닝 기반 모델링, 시계열 예측, 텍스트 분석 등이 핵심 기술로 채택되고 있습니다. 특히 디지털 자산(암호화폐, 토큰화된 증권 등)이나 배출권, 탄소 크레딧과 같은 신규 자산군을 다루는 특허도 증가하는 등, AI 기술이 자본시장의 외연 확장에도 기여하고 있는 것으로 나타납니다.

2-3. 노동시장 분석: AI 역량을 갖춘 금융 인재의 수요 급증

(1) 금융권 내 AI 역량 보유자 증가

 

LinkedIn, Indeed 등 인재 플랫폼의 데이터를 분석한 결과, 금융권에서 AI 기술을 보유한 인력의 비중이 점차 증가하고 있으며, 특히 미국 내 프론트오피스 직군에서 AI 역량이 상위 5위 스킬로 꼽히고 있습니다. 머신러닝, 자연어처리, 딥러닝 등은 퀀트 분석가, 트레이더, 포트폴리오 매니저의 핵심 역량으로 떠오르고 있으며, 이는 금융기관들이 전통적인 ‘재무·경제’ 기반 인재에서 ‘데이터 사이언스·AI’ 융합 인재로 무게 중심을 옮기고 있음을 시사합니다.

(2) AI 인재에 대한 경쟁적 수요와 병목

IMF는 시장 참여자 인터뷰를 통해, AI 인재 확보가 가장 큰 제약 요인 중 하나라는 응답을 확보했습니다. 특히 딥러닝 또는 생성형 모델에 대한 경험을 가진 고급 인력은 매우 제한적이며, 이로 인해 대형 자산운용사나 빅테크 계열 금융사로 인재 쏠림 현상이 발생하고 있습니다. 이는 장기적으로 소규모 운용사나 신흥국 금융기관의 기술 수용 속도를 제한할 수 있으며, 결과적으로 시장 구조의 불균형을 확대시킬 우려가 제기됩니다.

2-4. 향후 3~5년 전망: 유동자산에서 비유동자산까지 확산

(1) 유동성 높은 시장에서 시작되는 AI 도입

 

현재 AI 기술의 가장 활발한 도입 대상은 주식, 국채, 상장 파생상품 등 거래량이 많고 투명한 시장입니다. 실시간 데이터가 풍부하고, 가격 변동성이 뚜렷한 이러한 시장은 AI 모델이 학습하기에 최적의 환경을 제공하며, 예측력도 상대적으로 우수하게 나타납니다. IMF 시장 인터뷰 결과, 대부분의 참여자가 주식과 파생상품 분야에서 AI의 도입이 가장 빠르게 진행될 것으로 전망했습니다.

(2) 비유동 자산 및 신흥국 시장으로의 확장 가능성

그러나 GenAI가 제공하는 문서 해석, 텍스트 요약, 대체 데이터 분석 등의 기능은 채권시장, 신흥국 시장, 프라이빗 크레딧 등 비유동적 자산군의 분석 장벽을 낮출 수 있다는 점에서 전략적 기회로 평가됩니다. 예를 들어, 복잡한 채권 인덴처 문서를 자동 분석하거나, 신흥국 관련 뉴스와 SNS 게시글을 종합적으로 파악해 리스크를 식별하는 기능은 기존의 인간 중심 분석보다 훨씬 빠르고 일관성 있게 수행될 수 있습니다.

3. 알고리즘 트레이딩과 NBFI 중심의 시장 구조 재편

3-1. NBFI의 부상과 AI 기술의 신속한 흡수

(1) NBFI의 정의와 성장 배경

 

비은행 금융기관(NBFI, Non-Bank Financial Institutions)은 은행과는 달리 예금 수취 기능이 없지만, 자산운용, 보험, 사모펀드, 헤지펀드, 증권사, 신탁회사 등 다양한 형태로 자본시장에 참여하고 있습니다. 이들은 규제 측면에서 은행보다 자유로우며, AI 같은 신기술 도입에 있어 내부 승인 절차나 법적 제약이 덜한 편입니다. 글로벌 금융위기 이후 많은 거래와 리스크가 은행에서 NBFI로 이전되면서, 이들의 시장 점유율은 크게 확대되었습니다. 현재 전 세계 금융자산의 절반 이상을 NBFI가 보유하고 있으며, 특히 고빈도 거래(high-frequency trading, HFT), 파생상품 운용, 사모채권 투자 등 고위험-고수익 전략에 특화된 기관들이 AI 기술을 가장 적극적으로 도입하고 있습니다.

(2) 유연한 조직구조와 IT 인프라

NBFI는 전통 은행에 비해 레거시 시스템의 부담이 적고, 핵심 IT 인프라를 외부 클라우드 플랫폼에 의존하는 비중이 높아 신기술 채택이 빠릅니다. 또한, AI 기반 전략 구현 시 필요한 실험적 접근, 모델 테스트, 인프라 확장 등이 내부 규제 없이 빠르게 이루어질 수 있습니다. 이는 기술 우위가 곧 수익률로 연결되는 자본시장에서 매우 강력한 경쟁력으로 작용합니다.

3-2. 알고리즘 트레이딩의 발전과 시장 지배력 확대

(1) 알고리즘 트레이딩의 확산 현황

 

알고리즘 트레이딩은 사전에 정의된 규칙이나 모델에 따라 자동으로 매수·매도 주문을 실행하는 거래 방식입니다. 미국 주식시장의 경우, 전체 거래의 약 70%가 이미 알고리즘 기반으로 이루어지고 있으며, 선물시장도 절반 이상이 알고리즘화되어 있습니다. IMF 보고서에 따르면 이러한 비중은 향후 더 확대될 가능성이 크며, 그 중심에는 AI 기반 분석과 의사결정 시스템이 있습니다.

(2) 진화하는 알고리즘: 단순 규칙 → AI 기반 전략

초기 알고리즘 트레이딩은 단순한 가격 이동 평균, 거래량 기반 신호 등으로 구성되었으나, 현재는 머신러닝·딥러닝 모델을 활용한 복잡한 비선형 패턴 분석, 다차원 신호 조합, 강화학습 기반 자가 학습 전략 등으로 발전하고 있습니다. 특히 GenAI는 시장 발표문, 뉴스, SNS 등 비정형 텍스트 데이터를 실시간으로 분석해 정량 모델의 입력변수로 변환함으로써 정보반영 속도를 극적으로 단축시킵니다.

3-3. 시장 집중도 증가와 기술 격차 확대

(1) 상위 소수 플레이어에 의한 거래 집중

 

AI 기반 알고리즘 트레이딩은 고정비(모델 구축, 컴퓨팅 인프라, 전문인력 고용 등)가 매우 크기 때문에 규모의 경제가 강하게 작용합니다. 이에 따라 소수의 대형 기관—특히 글로벌 헤지펀드, 퀀트 전문 운용사, 대형 프랍 트레이딩 하우스—가 알고리즘 트레이딩 시장의 점유율을 빠르게 확대하고 있습니다. 예를 들어, 유럽의 Euronext 시장에서는 상위 10개 참여자가 전체 거래의 대부분을 차지하는 구조가 관찰됩니다.

(2) 기술격차에 따른 이중시장 구조

AI 도입에 따른 비용 장벽으로 인해, 중소 운용사나 일부 신흥국 기관은 자체 모델을 개발하기보다는 외부 벤더에 의존하는 구조로 전환하고 있습니다. 이는 AI 소프트웨어 시장과 클라우드 인프라 시장을 소수 기업(예: Microsoft Azure, Google Cloud, AWS, NVIDIA 등)이 독점하게 만들며, 금융시장의 IT 종속성과 리스크 집중 현상을 유발합니다. 향후 AI 모델이 금융의 ‘필수 인프라’가 될 경우, 이들 기술 플랫폼 기업이 사실상 시스템 리스크의 중심축이 될 수도 있습니다.

3-4. GenAI의 잠재력: 새로운 시장으로의 확장

(1) 비정형 자산 클래스의 자동화 가능성

 

전통적인 알고리즘 트레이딩은 거래량이 풍부하고 구조가 표준화된 주식, 파생상품 중심이었으나, GenAI의 등장으로 인해 구조가 복잡한 자산군—예: 회사채, 사모채, 구조화 증권, 신흥국 채권 등—까지 자동화의 대상이 될 가능성이 열리고 있습니다. 이는 자연어처리(NLP) 기반 문서 해석 기술 덕분에 가능해졌습니다. 예를 들어, 100페이지가 넘는 채권 발행 인덴처(Indenture) 문서를 AI가 실시간 분석해 신용 리스크나 조기상환 조항을 추출할 수 있습니다.

(2) 장벽을 낮추는 코드 생성 능력

GenAI는 전문 개발자가 아닌 사람도 거래 전략을 자동으로 코딩하고 테스트할 수 있도록 지원합니다. 이는 알고리즘 트레이딩 도입의 기술 장벽을 낮추고, 다양한 시장 참여자가 새로운 전략을 실험할 수 있는 환경을 제공합니다. 특히 아시아·남미·아프리카 등 신흥국의 거래소나 장외시장(OTC market)에서도 알고리즘 트레이딩이 빠르게 확산될 수 있는 가능성을 열어줍니다.

3-5. 시스템적 함의: 효율성과 리스크의 동시 확대

(1) 유동성 향상 vs 비정상적 시장반응 리스크

 

IMF는 알고리즘 트레이딩이 일반적으로 유동성 공급과 가격 발견 효율성 개선에 기여한다고 보지만, 스트레스 환경에서는 정반대 결과를 유발할 수 있다고 지적합니다. AI 기반 전략이 동일한 신호에 반응해 일제히 거래를 종료하거나 포지션을 청산할 경우, ‘순간 유동성 증발’(liquidity evaporation) 현상이 발생할 수 있습니다. 이는 시장 붕괴, 플래시 크래시(flash crash), 오버슈팅(over-shooting) 등의 극단적 이벤트로 이어질 수 있습니다.

(2) AI 알고리즘 간 상호작용의 복잡성

AI 알고리즘이 서로 학습을 통해 대응하거나, 경쟁 관계에서 가격을 왜곡하는 상황도 이론적으로 존재합니다. 일부 연구에서는 알고리즘 간 ‘암묵적 담합’이 발생할 가능성을 경고하며, 경쟁이 치열하지 않은 시장에서는 ‘선도 알고리즘’이 정보 우위를 통해 시장을 왜곡시킬 수도 있다고 지적합니다. 이는 기술 기반의 정보 비대칭이라는 새로운 시장조작 가능성을 시사합니다.