💡 왼쪽 원문을 읽으면서 오른쪽에 따라 써보세요. Tab 키로 힌트를 받을 수 있습니다.

원문 렌더가 준비되기 전까지 텍스트 가이드로 표시합니다.

> "금융 데이터는 가장 풍부한 도메인 데이터지만, 가장 비싸고 가장 노이즈가 많다. 도메인 특화 LLM은 더 이상 옵션이 아니라 인프라다." — Gilberto Titericz, ex-Bloomberg AI

금융(Finance)은 2026년 현재 헬스케어와 함께 LLM의 도메인 적응이 가장 빠르게 진행된 영역입니다. 2023년 3월 Bloomberg가 자체 50B 파라미터 모델 **BloombergGPT** 를 공개하면서 "범용 LLM으로는 금융 전문 용어를 다룰 수 없다"는 명제가 산업계 컨센서스가 되었고, 이후 JPMorgan, Goldman Sachs, Morgan Stanley, BlackRock, Bridgewater, AlphaSense, Tegus, Daloopa 등이 차례로 자체 모델·플랫폼을 공개했습니다.

이 글에서는 2026년 5월 기준 금융 AI 생태계 — **금융 특화 LLM, 리서치 AI, 헤지펀드 AI, 자산운용 AI, 은행/보험 AI, 한국·일본 금융 AI** — 를 한 번에 정리합니다. 단순한 제품 카탈로그가 아니라 "어떤 데이터로 학습했고, 어떤 워크플로를 대체하고, 어떤 한계가 있는가"에 초점을 둡니다.

1. 2026년 금융 AI 지도 — Domain LLM / Research / Quant / Risk

금융 AI는 역할에 따라 다섯 개의 큰 박스로 나눌 수 있습니다.

| 카테고리 | 대표 제품 | 핵심 데이터 |

|---|---|---|

| Domain LLM | BloombergGPT, FinGPT, FinRobot, InvestLM, DocLLM | 뉴스, SEC filings, 트랜스크립트 |

| Research AI | AlphaSense, Tegus, Daloopa, Hebbia, Brevit | 전문가 콜, broker 리포트, 공시 |

| Quant / Hedge Fund | Renaissance, Two Sigma, Numerai, WorldQuant, Bridgewater | 가격, 펀더멘털, 대체 데이터 |

| Asset Manager / Bank | BlackRock Aladdin, JPMorgan LLM Suite, Goldman GS-AI, Morgan Stanley AskRes | 포트폴리오, 시장, 고객 |

| Risk / Credit / Insurance | Zest AI, Upstart, Lemonade, Tractable, Featurespace | 신용, 청구, 거래 |

다섯 카테고리는 데이터 소스와 사용자가 완전히 다릅니다. **Domain LLM** 은 인프라 레이어로 다른 카테고리가 그 위에 빌드합니다. **Research AI** 는 애널리스트의 정보 수집을 자동화하고, **Quant** 는 알파(Alpha) 생성에 집중합니다. **Asset Manager / Bank** 는 운영 효율과 어드바이저 생산성을, **Risk / Credit / Insurance** 는 자동화된 의사결정을 다룹니다.

각 카테고리는 데이터 접근성에 따라 진입 장벽이 다릅니다. Bloomberg와 Refinitiv 같은 데이터 벤더가 Domain LLM의 핵심 자산을 쥐고 있고, 그 위에서 OpenAI·Anthropic·Cohere 같은 범용 LLM이 RAG(Retrieval-Augmented Generation)로 보완하는 구도가 2026년 현재의 균형입니다.

2. BloombergGPT — 금융 도메인 LLM의 원형

**BloombergGPT** 는 2023년 3월 Bloomberg AI 팀이 공개한 50B(500억) 파라미터 모델로, "금융 도메인 데이터로 학습한 최초의 대규모 LLM"이라는 타이틀을 가지고 있습니다. 학습 데이터는 약 7,000억 토큰 — 그중 절반(3,630억 토큰)이 **FinPile**, Bloomberg가 40년간 축적한 자체 금융 데이터(뉴스, filings, 트랜스크립트, 시장 데이터)이고, 나머지가 공개 코퍼스(C4, Pile, Wikipedia)입니다.

논문(arxiv 2303.17564)이 공개한 벤치마크에서 BloombergGPT는 같은 50B 규모의 BLOOM-176B, OPT-66B를 금융 전용 태스크(FPB, FiQA SA, Headline, NER)에서 큰 폭으로 능가했고, 범용 태스크에서도 손해를 보지 않았습니다. 핵심 인사이트는 "도메인 데이터 50% + 일반 데이터 50%"가 catastrophic forgetting을 피하면서 도메인 적응을 극대화하는 황금비라는 점입니다.

BloombergGPT 자체는 공개되지 않았지만, Bloomberg Terminal에 통합된 **AI Assist**, **Document Search**, **Earnings Call Summarization** 같은 기능을 통해 30만 명의 Terminal 사용자가 매일 사용하고 있습니다. 2024년 출시된 **Bloomberg BQuant + AI**는 BloombergGPT를 quant 워크플로에 통합해, 자연어로 백테스트를 기술하면 Python 코드를 생성합니다.

BloombergGPT의 가장 큰 한계는 **폐쇄성**입니다. 학술 연구 외에는 일반 개발자가 접근할 수 없고, 가중치도 공개되지 않았습니다. 이 공백을 메우기 위해 등장한 것이 오픈소스 진영의 FinGPT, FinRobot, InvestLM 시리즈입니다.

3. FinGPT / FinRobot — 오픈소스 금융 LLM

**FinGPT** (`github.com/AI4Finance-Foundation/FinGPT`)는 2023년 6월 컬럼비아 대학교 AI4Finance Foundation이 시작한 오픈소스 프로젝트입니다. 핵심 철학은 "BloombergGPT 같은 처음부터 사전학습보다, Llama 같은 베이스 모델 위에 금융 데이터로 LoRA 파인튜닝하는 것이 훨씬 비용 효율적"이라는 것입니다.

FinGPT는 다음 데이터 파이프라인을 표준화했습니다.

FinGPT 데이터 파이프라인 예시

from fingpt.data import (

YahooFinance,

SECFilings,

NewsAPI,

TwitterCrypto,

AnalystReports,

)

1) 데이터 수집 — 다양한 소스를 통합

pipeline = (

YahooFinance(symbols=['AAPL', 'MSFT'], period='5y')

+ SECFilings(forms=['10-K', '10-Q', '8-K'], year_from=2020)

+ NewsAPI(topics=['earnings', 'M&A'], days=30)

+ AnalystReports(sources=['JPM', 'GS', 'MS'])

)

2) 감정·이벤트 라벨링

labeled = pipeline.label(

sentiment_model='FinBERT',

event_extractor='FinGPT-Event-v3',

)

3) LoRA 파인튜닝 — Llama-3-8B를 베이스로

from fingpt.train import LoRAFinetuner

trainer = LoRAFinetuner(

base_model='meta-llama/Llama-3-8B-Instruct',

rank=16,

alpha=32,

target_modules=['q_proj', 'v_proj'],

)

trainer.fit(labeled, epochs=3, lr=2e-4)

FinGPT 위에 빌드된 **FinRobot** (`github.com/AI4Finance-Foundation/FinRobot`)은 2024년 출시된 에이전트 프레임워크입니다. 단일 모델이 아니라 "Market Forecaster, Document Analyzer, Trading Strategist, Risk Analyst, Customer Service Agent" 같은 역할별 에이전트를 LangGraph 스타일로 오케스트레이션합니다. 2025년에는 **FinRobot Industry Chain Analysis** 워크플로가 출시되어, "엔비디아의 공급망에 속한 한국 상장사를 찾아 분석"같은 복합 질의를 자동 분해·실행합니다.

비슷한 오픈소스 프로젝트로 **InvestLM** (NYU Stern, 13B/65B 두 사이즈), **PIXIU** (FinMA 베이스, 100+ 금융 태스크 instruction-tuned), **FinMA** (PIXIU의 일부, Llama-30B 기반), **FinTral** (Mistral 기반 멀티모달, 차트·표 처리)이 있습니다. 모두 Hugging Face에서 가중치를 다운로드해 자체 호스팅할 수 있습니다.

4. DocLLM (JPMorgan) — 금융 문서 특화 LLM

**DocLLM** 은 2024년 1월 JPMorgan AI Research 팀이 공개한 문서 이해 특화 LLM입니다(arxiv 2401.00908). 핵심은 "10-K, 10-Q, prospectus, term sheet 같은 금융 문서는 텍스트만이 아니라 레이아웃(표, 위치, 폰트)이 의미를 담고 있다"는 관찰에서 시작됩니다.

기존 멀티모달 모델(GPT-4V, LayoutLM)이 픽셀 이미지를 input으로 받는 것과 달리, DocLLM은 **OCR로 추출한 텍스트 + bounding box 좌표** 만으로 학습합니다. 이미지 인코더가 없어 훨씬 가벼우면서도, 표/양식이 많은 금융 문서에서 GPT-4V를 능가하는 성능을 보입니다.

JPMorgan은 DocLLM을 자사 LLM Suite의 핵심 컴포넌트로 통합해, 신용 분석가가 prospectus를 수동으로 읽던 4시간 작업을 20분으로 단축했다고 2024 Q3 어닝콜에서 밝혔습니다. 가중치는 공개되지 않았지만, 논문이 매우 상세해 오픈소스 재구현(`unilm/docllm`)이 활발합니다.

DocLLM과 유사한 문서 특화 모델로 **FinMA-Document**, **AlphaSense Smart Synonym**, **Hebbia Matrix** 등이 있습니다. 모두 "표·각주·페이지 횡단 추론"이 핵심 능력입니다.

5. Bloomberg Terminal + BQuant + AI — 통합 환경

**Bloomberg Terminal** 은 1981년 출시 이후 45년간 금융 전문가의 표준 워크스테이션입니다. 2025년 기준 약 35만 명의 사용자, 연간 라이선스는 약 27,000 USD 수준이며, 매출은 약 130억 USD로 추정됩니다.

2024년 Terminal에 통합된 **AI Assist** 는 BloombergGPT 기반으로 다음을 자동화합니다.

- **News Summary**: 특정 종목/섹터의 최근 24시간 뉴스를 요약, 시장 영향 추정

- **Earnings Call Q\&A Extraction**: 콜 트랜스크립트에서 애널리스트 질문과 경영진 답변을 구조화

- **Document Search**: 자연어로 "Apple's gross margin trajectory over last 8 quarters" 같은 질의 → 관련 filing 페이지 자동 추출

- **Code Generation**: BQuant에서 자연어 → Python/BQL 코드 변환

**BQuant** 은 Bloomberg가 2018년 출시한 Jupyter 기반 quant 워크벤치입니다. 2025년 출시된 **BQuant 3.0**은 LLM 코드 생성을 1급 기능으로 통합해, "Apple과 Microsoft의 P/E ratio를 지난 10년간 비교하는 차트"라고 입력하면 코드 + 차트 + 해설을 자동 생성합니다.

BQuant 자연어 → 코드 예시

입력: "S&P 500 섹터별 1년 수익률 막대 차트"

자동 생성 코드 (BQL = Bloomberg Query Language):

bq = bql.Service()

universe = bq.univ.members('SPX Index')

returns = bq.data.px_last(dates=bq.func.range('-1Y', '0D'))

sectors = bq.data.gics_sector_name()

req = bql.Request(universe, {

'sector': sectors,

'return': (returns.last() / returns.first() - 1) * 100,

})

df = bq.execute(req).single().df()

df.groupby('sector')['return'].mean().plot.bar()

Bloomberg의 경쟁자 **Refinitiv Eikon**(LSEG 인수 후 **Workspace** 로 리브랜드)은 2024년 자체 LLM **Workspace AI**를 출시했지만, 데이터 깊이와 통합도에서 Bloomberg를 따라잡지 못하고 있다는 평이 일반적입니다. **FactSet** 은 2025년 OpenAI와 파트너십을 맺어 GPT-4 기반 Search·Q\&A를, **S\&P Capital IQ**는 자체 ChatIQ를, **PitchBook** 은 PE/VC 데이터를 자연어로 질의하는 PitchBook AI를 출시했습니다.

6. AlphaSense — 엔터프라이즈 리서치 검색

**AlphaSense** (`alpha-sense.com`)는 2008년 창업한 금융 리서치 검색 플랫폼으로, 2024년 4월 시리즈 F에서 4억 USD를 모집하며 기업가치 약 40억 USD를 인정받았습니다. Wall Street 거의 모든 메가뱅크와 Fortune 500의 절반 이상이 사용 중입니다.

핵심 가치는 "필요한 정보가 어디에 있는지 알지만, 그것을 찾는 데 시간을 다 쓰는" 애널리스트의 문제를 해결하는 것입니다. 데이터 소스는 다음과 같습니다.

- **공시 (SEC, 글로벌)**: 10-K, 10-Q, 8-K, 20-F, S-1 등 100% 인덱스

- **Broker 리포트**: JPM, GS, MS, BofA, Citi 등 1,000+ 기관의 리포트 (라이선스 기반)

- **뉴스**: Reuters, Dow Jones, Bloomberg 등 5,000+ 소스

- **컨퍼런스 콜 / 트랜스크립트**: 실시간 트랜스크라이브 + 검색

- **Expert call (Tegus 인수 후)**: 50,000+ 전문가 인터뷰

2023년 출시된 **AlphaSense Smart Synonyms** 는 "EV/EBITDA" 같은 약어와 "enterprise value to EBITDA"가 같은 개념임을 LLM이 자동 매핑합니다. 2024년 출시된 **Generative Search** 는 자연어 질의에 대해 출처 인용과 함께 요약을 생성하며, 모든 인용이 원문 페이지로 클릭 가능합니다.

질의: "AMD의 데이터센터 매출 성장이 NVIDIA 대비 어떻게 다른가, 2024년 4분기 기준"

응답:

AMD의 데이터센터 매출은 Q4 2024에 38억 USD로 전년 동기 대비 +69% 증가했습니다 [1].

반면 NVIDIA의 데이터센터 매출은 같은 분기에 184억 USD로 +93% 증가했습니다 [2].

주된 차이는 (a) AI 가속기 점유율 — AMD MI300X는 약 5%, NVIDIA H100/H200은 88%,

(b) 소프트웨어 스택 — CUDA 락인, (c) 공급망 — TSMC CoWoS 캐파 배분에서 NVIDIA 우선

[3][4]에 있다고 분석됩니다.

[1] AMD Q4 2024 10-Q, page 14

[2] NVIDIA Q4 FY25 10-Q, page 11

[3] Morgan Stanley "AI Semis", 2025-02-15

[4] JPM "AI Datacenter Outlook", 2025-03-10

AlphaSense의 가격은 공개되지 않지만, 엔터프라이즈 시트당 연간 1만~2만 USD 수준으로 알려져 있습니다. 개인 애널리스트가 접근하기는 어렵고, 헤지펀드·은행·자산운용사가 주 고객입니다.

7. Tegus — Expert call primary research

**Tegus** 는 2017년 시카고에서 창업한 expert call 플랫폼으로, 2024년 6월 AlphaSense에 9억 3천만 USD에 인수되며 통합되었습니다. 핵심 자산은 약 75,000건의 expert call 트랜스크립트로, 전직 임원·고객·공급업체·경쟁사 임원과의 1시간 분량 1:1 인터뷰입니다.

Tegus의 차별점은 **본인이 호스트한 콜만 통상 30분 분량으로 1,000~2,000 USD 들지만, Tegus 플랫폼의 모든 콜에 무제한 액세스가 약 4만 USD/년 (소형 펀드 기준)** 이라는 가격 모델입니다. 헤지펀드의 primary research 비용을 크게 낮췄습니다.

2024년 출시된 **Tegus AI Notes** 는 트랜스크립트를 자동 요약하고, 같은 회사에 대한 여러 expert의 의견을 비교 분석합니다. AlphaSense 인수 후 2025년에는 AlphaSense Generative Search에 Tegus 데이터가 통합되어, "AMD의 데이터센터 점유율" 같은 질의에 SEC filing + 애널리스트 리포트 + expert call이 모두 인용 소스로 사용됩니다.

비슷한 expert network로 **GLG (Gerson Lehrman Group)**, **Third Bridge**, **Guidepoint** 가 있고, 모두 자체 AI 검색 도구를 출시했지만 Tegus만큼 콜 트랜스크립트를 완전 공개하는 모델은 드뭅니다.

8. Daloopa — 금융 데이터 추출 자동화

**Daloopa** 는 2019년 창업, 2022년 시리즈 B를 받은 데이터 추출 자동화 회사입니다. 문제 의식은 단순합니다 — "애널리스트가 시간의 40%를 10-K/10-Q에서 숫자를 엑셀로 옮기는 데 쓴다."

Daloopa의 워크플로는 다음과 같습니다.

1. 분석 대상 회사의 SEC filing (10-K, 10-Q, 8-K, IR deck)을 Daloopa가 자동 수집

2. 자체 OCR + LLM 파이프라인이 표·각주·MD\&A를 구조화 데이터로 추출

3. Daloopa 내부 라벨러(약 200명)가 핵심 데이터를 사람 검증

4. Excel/Google Sheets/Bloomberg Terminal API로 자동 푸시

5. 새 filing이 나올 때마다 자동 업데이트

2024년 기준 Daloopa는 8,000+ 글로벌 상장사의 KPI를 분기별로 추적하며, 주당 300~500개의 새 filing을 처리합니다. 헤지펀드와 sell-side 애널리스트가 주 고객이고, 시트당 연간 약 1만~2만 USD입니다.

경쟁사로 **Calcbench**(SEC XBRL 데이터 특화, 더 저렴), **Sentieo (AlphaSense 인수)**, **Visible Alpha**(컨센서스 추정치 특화)가 있습니다.

9. Hebbia — Document Q\&A 플랫폼

**Hebbia** (`hebbia.com`)는 2020년 창업, 2024년 7월 시리즈 B에서 1억 3천만 USD를 모집하며 기업가치 7억 USD를 인정받았습니다. 핵심 제품 **Matrix** 는 "수백 페이지짜리 문서 다발에서 동시에 답을 추출하는" 멀티 문서 Q\&A 플랫폼입니다.

Matrix의 워크플로는 행=문서, 열=질문의 매트릭스를 채우는 형태입니다. 예를 들어 PE 펀드가 잠재 인수 대상 50개 회사의 100페이지짜리 CIM(Confidential Information Memorandum)을 받았을 때, "EBITDA, 매출 성장률, 고객 집중도, 부채 비율, 노조 여부"를 한 번에 추출하라는 명령이 가능합니다.

Matrix 출력 예시:

TargetA| 24M USD | +18% YoY | top 5 = 42% | 1.2x | No (cite p.34)

TargetB| 8M USD | +47% YoY | top 5 = 78% | 0.4x | Yes (cite p.21)

...

각 셀은 원문 인용으로 추적 가능하며, 애널리스트가 검증할 수 있습니다. Hebbia의 주 고객은 PE 펀드, 헤지펀드, 컨설팅 펌(McKinsey, BCG, Bain)이며, 시트당 연간 3만~5만 USD 수준의 엔터프라이즈 가격입니다.

비슷한 카테고리에 **Brevit**, **Casetext (Thomson Reuters 인수, 법률 중심)**, **Eve (법률)**, **Harvey (Allen \& Overy 등 로펌 채택)** 가 있습니다.

10. 헤지펀드 AI — Bridgewater · Renaissance · Two Sigma

**Bridgewater Associates** 는 2024년 12월 David McCormick (전 CEO 후보) 주도로 **Artificial Intelligence Equity Fund (AIA Fund)** 를 출시했습니다. 약 20억 USD 규모로 시작했으며, 핵심 운용 철학은 "AI가 데이터·뉴스·매크로 신호를 통합해 의사결정의 일부를 자동화한다"입니다. 완전 블랙박스 quant 펀드가 아니라 펀드 매니저가 AI의 추천을 검토·반영하는 인간 in the loop 모델입니다.

**Renaissance Technologies** 의 **Medallion Fund** 는 1988년 출시 이후 연평균 약 39%의 순수익률을 기록한 전설적 quant 펀드입니다. Jim Simons 사후에도 운영 중이지만, 외부 투자자에게 닫혀 있고 임직원 자산만 운용합니다. ML 사용은 1990년대부터이며, 2026년 현재도 가장 정교한 quant 시스템으로 평가받지만 세부는 비공개입니다.

**Two Sigma** 는 2001년 창업, AUM 약 600억 USD 규모이며, 데이터 사이언티스트 1,500명 이상을 고용한 ML-first 헤지펀드입니다. 2024년 출시된 **Venn** 플랫폼은 외부 자산운용사가 자체 포트폴리오 리스크를 분석할 수 있게 한 SaaS이고, 내부에서는 LLM 기반 뉴스·시그널 파이프라인을 운영합니다.

**D.E. Shaw**, **AQR**, **Citadel** 도 모두 quant + ML 펀드입니다. Citadel은 2024년 OpenAI와 엔터프라이즈 계약을 맺어 GPT-4o를 사내 R\&D에 사용 중이라고 발표했습니다.

**Numerai** 는 2015년 창업한 크라우드소싱 quant 펀드로, 익명화된 시장 데이터를 공개하고 전 세계 데이터 사이언티스트가 모델을 제출하면, 결과를 앙상블해 자체 펀드를 운용합니다. 토큰(NMR)으로 인센티브를 정렬하는 독특한 구조이며, 2026년 현재 약 5,000명의 모델러가 참여하고 있습니다.

Numerai 토너먼트 참가 예시

napi = numerapi.NumerAPI()

1) 데이터 다운로드 — 매주 새 라운드

napi.download_dataset('v5.0/train.parquet')

napi.download_dataset('v5.0/live.parquet')

2) 모델 학습 (LightGBM, XGBoost, 또는 자체 모델)

model = lgb.LGBMRegressor(n_estimators=2000, learning_rate=0.01)

model.fit(train[features], train['target'])

3) 예측 제출

preds = model.predict(live[features])

napi.upload_predictions('preds.csv', model_id='your-model-id')

4) 스테이킹 — NMR 토큰을 모델에 묶음, 성과에 따라 보상/벌금

napi.stake(amount=10, model_id='your-model-id')

**WorldQuant**, **Susquehanna**, **Jane Street** 같은 양적 트레이딩 펌도 모두 LLM/ML 인프라를 운영하지만 외부 공개는 거의 없습니다.

11. BlackRock Aladdin — 자산운용 OS

**BlackRock Aladdin** (Asset, Liability, Debt and Derivative Investment Network)은 1988년 BlackRock 내부 리스크 시스템으로 시작해, 2026년 현재 약 21조 USD의 자산을 모니터링하는 사실상 자산운용 산업의 운영체제입니다. BlackRock 자체 외에 약 200개의 외부 기관(BNP Paribas, MUFG, HSBC AM 등)이 라이선스해 사용합니다.

Aladdin의 코어는 다음 모듈입니다.

- **Portfolio Management**: 전체 포트폴리오의 실시간 상태, 리밸런싱 시뮬레이션

- **Risk Analytics**: VaR, stress testing, scenario analysis, factor exposure

- **Trading**: 주문 라우팅, best execution, TCA(Transaction Cost Analysis)

- **Compliance**: 펀드별 가이드라인, 규제 한도 자동 체크

- **Operations**: 결제, 회계, NAV 계산

2024년 출시된 **Aladdin Copilot** 은 GPT-4o + 자체 모델로, 포트폴리오 매니저가 "지난 30일간 신용 스프레드 확대로 가장 영향받은 채권 5개"같은 질의를 자연어로 던지면 답변을 제공합니다. 2025년에는 **eFront Copilot** (PE/대체투자 도구)에도 LLM이 통합되었습니다.

경쟁사로 **MSCI BarraOne**, **Bloomberg PORT/AIM**, **FactSet PA** 가 있고, Aladdin이 종합적이라면 BarraOne은 리스크 모델에, PORT는 채권에 강점이 있습니다.

**Vanguard**, **Fidelity**, **State Street** 도 모두 자체 AI 플랫폼을 운영합니다. State Street의 **Alpha Platform**, Fidelity의 **Fidelity AI Lab**, Vanguard의 **Personal Advisor AI** 가 대표적입니다.

12. 은행 AI — JPMorgan · Goldman · Morgan Stanley · Wells Fargo

**JPMorgan Chase** 는 미국 은행 중 AI 투자에 가장 적극적입니다.

- **COiN (Contract Intelligence)**: 2017년 출시, 신용 계약서 자동 분석. 변호사 360,000시간을 1년에 절감

- **IndexGPT**: 2023년 출시, ETF 테마 자동 생성

- **LLM Suite**: 2024년 6월 출시, 임직원 28만 명 중 약 16만 명이 사내 LLM에 접근. GPT-4o + Claude + 자체 모델 라우팅

- **DocLLM**: 앞서 다룬 문서 특화 모델

JPMorgan의 차별점은 **사내 LLM Suite의 거버넌스** 입니다. 모든 LLM 호출이 로그되고, PII/MNPI(material non-public information) 필터가 자동 적용되며, 모델별 리스크 평가가 분기마다 갱신됩니다.

**Goldman Sachs** 는 2024년 6월 **GS-AI Platform** 을 출시했습니다. 자체 LLM 게이트웨이, Function Calling 표준화, 그리고 트레이더·뱅커·리서치 애널리스트별 맞춤 워크플로를 제공합니다. **Banker Copilot** 은 IB 애널리스트의 pitch deck 작성·peer 분석을 자동화합니다.

**Morgan Stanley** 는 OpenAI와 2023년 초기 파트너십을 맺고 **AskRes (AI Research Assistant)** 를 출시, Morgan Stanley의 100,000+ 리서치 문서에 자연어로 접근할 수 있게 했습니다. 2024년에는 **Debrief** — 어드바이저-고객 미팅 자동 요약 — 가 추가되었습니다.

**Wells Fargo** 의 **Fargo** 는 2023년 출시된 음성 AI 어시스턴트로, 모바일 앱에서 "지난주 식료품 지출 총액"같은 자연어 질의에 답합니다. 2025년 누적 호출 약 12억 회를 기록했습니다.

**HSBC** 와 **Standard Chartered** 는 글로벌 은행 중 가장 빠르게 LLM을 도입했으며, HSBC는 자체 **HSBC AI Markets** 플랫폼을, SC는 OpenAI 기반 **SC GPT** 를 운영합니다.

13. 한국 금융 AI — KB · 신한 · 하나 · 우리 · 토스

**KB국민은행** 의 **KB Liiv** 는 2017년 출시 후 누적 사용자 1,400만 명에 달합니다. 2024년 **Liiv AI Banker** 가 추가되어, 자연어로 송금·조회·대출 시뮬레이션이 가능합니다. KB금융지주는 2025년 자체 금융 LLM **KB-GPT** 를 사내 출시했습니다.

**신한은행** 의 **Sol Bank AI** 는 2024년 출시되었고, **Shinhan AI Copilot** 은 영업점 직원의 상품 설명·민원 처리를 보조합니다. 신한금융은 2025년 Anthropic Claude 엔터프라이즈 라이선스를 도입하며 한국 금융권 최초로 글로벌 LLM 직접 계약을 체결했다고 알려져 있습니다.

**하나은행** 의 **하나원큐 (Hana 1Q)** 는 2018년 출시된 모바일 뱅킹 앱이며, 2025년 **Hana AI Wealth** 가 추가되어 자산관리 추천을 제공합니다.

**우리은행** 의 **WON-PAY** 는 간편결제·송금 통합 플랫폼이며, 2025년 **WON AI Service** 가 통합되어 음성 송금·상담을 지원합니다.

**토스뱅크 / 토스증권 / 토스페이먼츠** 는 한국에서 가장 모바일 네이티브 금융 플랫폼으로, 2024년부터 GPT-4 기반 고객 지원 챗봇, 토스증권의 AI 종목 추천, 토스페이먼츠의 자동 분쟁 처리 등을 운영합니다. 토스 데이터 사이언스 팀은 자체 한국어 금융 LLM **Toss-FinLM** 을 2025년 사내 공개했다고 알려져 있습니다.

한국 금융위원회는 2024년 **금융 AI 가이드라인** 을 발표해, 신용평가·자산관리·보험 인수 시 AI 사용 시 설명 가능성·차별 금지·감독 보고 의무를 명시했습니다. 이 규제는 EU AI Act와 함께 한국 금융 AI 도입의 핵심 기준이 됩니다.

14. 일본 금융 AI — MUFG · Nomura · NTT Data

**MUFG (Mitsubishi UFJ Financial Group)** 는 2024년 자체 금융 LLM **MUFG-GPT** 를 사내 공개했습니다. 신용 분석·법인 영업 보조에 사용되며, 일본어 + 영어 + 중국어 트라이링구얼 모델이라는 점이 특징입니다.

**Nomura Holdings** 는 2025년 **Nomura Research Assistant** 를 출시, 자사 리서치 7만 건 + 글로벌 broker 리포트를 자연어로 검색할 수 있게 했습니다. Nomura 산하 **Nomura Securities Quant** 는 ML 기반 알고리즘 트레이딩 사업을 확장하고 있습니다.

**SMBC** 는 Microsoft와 파트너십을 맺어 Azure OpenAI 기반 사내 어시스턴트 **SMBC-GPT** 를 운영합니다. **Mizuho** 는 Anthropic Claude 기반 **Mizuho AI Lab** 을 2025년 출시했습니다.

**NTT Data Banking AI** 는 일본 은행 시스템의 SI를 다수 수주한 NTT Data가 운영하는 은행 특화 AI 플랫폼으로, 일본 지방은행 50+ 곳에 도입되었습니다. 일본의 prefectural 은행은 IT 예산이 작아 자체 LLM 운영이 어렵고, NTT Data 같은 SI 벤더가 공통 인프라를 제공합니다.

15. 보험 AI — Lemonade · Hippo · Tractable

**Lemonade** 는 2015년 창업한 디지털 보험사로, 2020년 NYSE에 상장했습니다. 핵심 차별점은 **Maya** 와 **Jim** 이라는 두 AI 봇입니다.

- **Maya**: 신규 가입자에게 90초 안에 견적·계약 완료. 약 200개 데이터 포인트를 수집해 자동 인수

- **Jim**: 청구 처리. 사고 사진과 음성 진술을 LLM이 분석, 단순 청구는 3초 안에 자동 결제

2024년 Lemonade는 미국·EU·UK에서 약 200만 명의 사용자에 도달했고, 청구의 약 35%를 사람 개입 없이 자동 처리한다고 보고했습니다. 다만 평균 손해율(loss ratio)이 전통 보험사보다 여전히 높아 흑자 전환은 더디게 진행 중입니다.

**Hippo Insurance** (홈 보험)는 IoT 센서 + 위성 이미지 + LLM 청구 처리로 차별화하며, **Root Insurance** (자동차 보험)는 스마트폰 텔레매틱스로 보험료를 결정합니다. 둘 다 SPAC으로 상장했지만 주가는 부진한 편입니다.

**Tractable** 은 2014년 런던 창업한 B2B 인공지능 회사로, **자동차 사고 사진을 보고 손상 정도와 수리 비용을 추정** 하는 모델이 핵심입니다. Allstate, GEICO, AXA, MS\&AD 등 글로벌 보험사 30곳 이상에 도입되었으며, 2024년 시리즈 E에서 기업가치 약 10억 USD를 인정받았습니다.

비슷한 카테고리에 **Shift Technology** (보험 사기 탐지), **Clearcover** (자동차 보험), **Sure** (임베디드 보험)가 있습니다.

16. PE / VC AI — Carta · Crunchbase · PitchBook

**Carta** 는 2012년 창업한 cap table 플랫폼으로, 2024년 기준 약 4만 개의 비상장 회사와 PE/VC 펀드를 관리합니다. 2024년 **Carta AI** 가 출시되어, 자연어로 "내 포트폴리오에서 마지막 valuation 이후 6개월 지난 회사 목록"같은 질의가 가능합니다. 410(k), ESPP 같은 임직원 보상 모듈에도 AI 추천이 통합되었습니다.

**Crunchbase** 는 2007년 창업한 비상장 회사 데이터 플랫폼이며, 2024년 출시된 **Crunchbase AI** 는 "최근 6개월간 시리즈 A를 받은 AI 인프라 회사"같은 자연어 질의를 SQL 없이 처리합니다. 2025년에는 예측 기능 — 어떤 회사가 다음 라운드를 받을 가능성이 높은가 — 이 추가되어, VC가 outbound 소싱에 사용합니다.

**PitchBook** (Morningstar 자회사)은 2007년 창업, PE/VC/M\&A 거래 데이터를 60만 건 이상 보유합니다. 2024년 **PitchBook AI** 가 출시되어, 자연어로 "지난 3년간 보건의료 SaaS의 평균 ARR 멀티플 추이"같은 질의가 가능합니다.

PE/VC 워크플로에서 가장 큰 AI 적용 영역은 **딜 소싱** 과 **포트폴리오 모니터링** 입니다. 딜 소싱은 Crunchbase·PitchBook·LinkedIn 데이터를 LLM이 통합해, 펀드의 투자 테마에 부합하는 회사를 매일 추천합니다. 포트폴리오 모니터링은 KPI 자동 수집(Daloopa 스타일), 분기 보고서 자동 요약, 위기 알림 등을 자동화합니다.

특화 도구로 **Affinity** (relationship intelligence, CRM), **Visible** (스타트업 → 투자자 보고 자동화), **Mosaic** (FP\&A SaaS, AI 통합)가 있습니다.

17. 신용 / 대출 / 리스크 AI — Zest · Upstart · Featurespace

**Zest AI** 는 2009년 창업한 신용 인수 AI 회사로, "전통 FICO 점수를 보완하는 머신러닝 모델"이 핵심 제품입니다. 미국 신용조합(credit union) 200+ 곳, 일부 중형 은행에 도입되어 자동차 대출·개인 대출 인수를 자동화합니다. 차별점은 **모델의 설명 가능성과 차별 영향 검증 (Adverse Action Reasons)** 으로, 미국 ECOA(Equal Credit Opportunity Act) 규제에 맞춰 거절 사유를 명시할 수 있어야 합니다.

**Upstart** 는 2012년 창업, 2020년 Nasdaq 상장된 AI 대출 플랫폼으로, 자체 모델로 개인 대출·자동차 대출·소형 모기지를 인수합니다. 학력·고용 이력·소비 패턴 등 비전통 데이터를 활용해 FICO 점수만으로는 거절될 사람도 대출이 가능하다는 가치 제안이 있지만, 2022~2024년 금리 인상기에 대손이 급증하며 주가가 큰 폭으로 하락했습니다.

**Featurespace** 는 2008년 케임브리지 창업한 사기 탐지 회사로, 2024년 Visa가 9억 5천만 USD에 인수했습니다. 핵심 제품 **ARIC** 는 적응형 행동 모델(Adaptive Behavioral Analytics)로, 트랜잭션 단위가 아니라 사용자의 시간적 행동 패턴을 학습합니다. HSBC, NatWest, TSYS 등이 사용 중입니다.

비슷한 카테고리에 **Sift** (e-커머스 사기), **Hawk:AI** (AML), **Feedzai** (결제 사기), **NICE Actimize** (대형 은행 AML), **Resistant AI** (문서 사기) 가 있습니다.

18. 로보 어드바이저 — Wealthfront · Betterment · Empower

**Wealthfront** 는 2008년 창업한 로보 어드바이저로, 2024년 기준 약 500억 USD를 운용합니다. 핵심 제품은 자동 리밸런싱·tax-loss harvesting·smart beta 포트폴리오입니다. 2024년 **Wealthfront AI** 가 출시되어, 자연어로 "퇴직 60세에 80만 USD 목표를 달성하려면 월 얼마를 투자해야 하나"같은 질의에 답합니다.

**Betterment** 는 2008년 창업, 약 450억 USD 운용. Wealthfront와 거의 같은 제품 라인을 가지지만 401(k) 통합과 휴먼 어드바이저 옵션이 차별점입니다.

**Empower** (구 Personal Capital)는 2009년 창업, 2020년 Empower Retirement에 인수되어 약 1조 5천억 USD를 모니터링합니다. 단순 로보 어드바이저보다는 **자산 통합 대시보드 + 휴먼 어드바이저** 모델이며, 2025년 **Empower AI** 가 통합되었습니다.

한국에는 **에임 (Aim)**, **파운트**, **불릴레오** 가 비슷한 카테고리에 있고, 일본에는 **WealthNavi**, **THEO** 가 있습니다. 모두 자체 AI 추천 엔진을 운영합니다.

19. 알고리즘 트레이딩 — QuantConnect · NautilusTrader · Backtrader

알고리즘 트레이딩은 LLM과는 다른 ML/통계 영역이지만, 금융 AI 생태계의 한 축입니다.

**QuantConnect Lean** (`quantconnect.com`)은 오픈소스 알고리즘 트레이딩 엔진으로, C\#/Python으로 전략을 작성해 백테스트·라이브 트레이딩이 가능합니다. 2024년 기준 약 30만 명의 quant 개발자 커뮤니티가 있으며, Interactive Brokers·Tradier 등과 연동됩니다.

**NautilusTrader** (`nautilustrader.io`)는 Rust 코어 + Python API의 고성능 백테스트·라이브 엔진으로, 2023년 이후 오픈소스 quant 커뮤니티에서 빠르게 채택되고 있습니다. Latency 민감 전략과 멀티 자산(주식·선물·암호화폐) 지원이 강점입니다.

**Backtrader** 는 2015년 출시된 Python 백테스트 라이브러리로, 진입 장벽이 낮아 입문자에게 인기가 많지만 활발한 업데이트는 부족한 편입니다.

**Zipline** (Quantopian 소스, 현재 Stefan Jansen이 메인테이너), **Vectorbt**, **bt** 같은 대안도 있습니다.

이 도구들은 LLM과 직접 결합되지는 않지만, "자연어로 전략을 기술하면 백테스트 코드를 생성"하는 GPT 통합이 2024~2025년에 활발해졌습니다. **Composer.trade**, **Trade Ideas Holly AI** 가 그 방향의 상용 제품입니다.

20. 핵심 데이터셋 — EDGAR · DART · EDINET · Compustat

금융 LLM의 품질은 학습/검색 데이터의 품질에 직결됩니다. 2026년 현재 가장 중요한 공개·유료 데이터 소스는 다음과 같습니다.

**미국 SEC EDGAR** (`www.sec.gov/edgar`)는 미국 상장사의 모든 공시 (10-K, 10-Q, 8-K, S-1, DEF 14A, 13F 등)를 무료로 제공합니다. 2024년부터 XBRL 구조화 데이터가 거의 완전 보급되어, 기계 처리가 훨씬 쉬워졌습니다.

**한국 DART** (`dart.fss.or.kr`)는 금융감독원이 운영하는 공시 시스템으로, 한국 상장사의 공시를 무료 제공합니다. Open DART API로 프로그램 액세스가 가능합니다.

**일본 EDINET** (`disclosure2.edinet-fsa.go.jp`)는 일본 금융청 운영 공시 시스템이며, XBRL이 완전 보급되어 있습니다.

**Yahoo Finance**, **IEX Cloud**, **Polygon.io** 는 가격 데이터의 대중적 소스입니다. Yahoo는 무료지만 API rate limit이 엄격하고, IEX는 SIP 라이선스 없이도 IEX 거래소 데이터를 제공하며, Polygon은 NMS 풀 데이터를 유료로 제공합니다.

**Compustat (S\&P)** 과 **CRSP (University of Chicago Booth)** 는 학계와 quant 펀드의 표준 데이터셋입니다. Compustat은 펀더멘털, CRSP는 가격·배당·기업행위(corporate actions)의 정밀한 백테스트 품질 데이터를 제공합니다. 둘 다 학술 라이선스가 비싸지만(연간 수만 USD), 데이터 품질은 압도적입니다.

**WRDS (Wharton Research Data Services)** 는 위 데이터셋들을 하나의 SQL 인터페이스로 묶은 학술 플랫폼으로, 대학원생 quant 연구의 표준입니다.

대체 데이터(Alternative Data)로는 **YipitData** (e-커머스 트래픽), **Second Measure / Bloomberg Second Measure** (카드 결제), **Thinknum** (웹 스크래핑 기반 KPI), **Predata** (지정학)가 있습니다.

21. 평가 벤치마크 — FinBen · FLUE · FinanceBench

도메인 LLM의 평가는 범용 LLM과 다른 메트릭이 필요합니다. 2026년 현재 가장 많이 인용되는 벤치마크는 다음과 같습니다.

- **FinBen**: 24개 금융 태스크 (감정 분석, NER, headline classification, QA, summarization, stock prediction) — `github.com/The-FinAI/PIXIU`

- **FLUE (Financial Language Understanding Evaluation)**: 감정·헤드라인·QA 5개 태스크

- **FinanceBench**: 10,231개의 SEC filing QA — 학습이 아닌 평가 전용

- **FNS-2023, ConvFinQA**: 컨퍼런스 콜 멀티턴 QA

- **MultiFin**: 다국어 금융 분류

FinanceBench가 특히 중요한 이유는, 일반 QA 벤치마크와 달리 실제 10-K/10-Q에서 사람이 검증한 답을 사용하며, 표·각주를 횡단해야 정답이 나오는 까다로운 질의가 많기 때문입니다. 2024년 발표 시점에 GPT-4 정답률 약 19%로, "범용 LLM이 금융 문서에서 얼마나 약한가"를 보여주는 단적인 예시였습니다.

22. RAG 패턴 — 금융 도메인 특화 검색

금융 LLM의 90% 사용 사례는 사전학습이 아니라 **RAG (Retrieval-Augmented Generation)** 로 해결됩니다. 금융 RAG의 특이점은 다음과 같습니다.

금융 RAG 파이프라인 예시 (단순화)

from langchain.vectorstores import Pinecone

from langchain.embeddings import OpenAIEmbeddings

from langchain.text_splitter import RecursiveCharacterTextSplitter

from langchain.chat_models import ChatOpenAI

1) Chunking — 표는 통째로, 텍스트는 단락 단위

splitter = RecursiveCharacterTextSplitter(

chunk_size=1500,

chunk_overlap=200,

separators=['\n## ', '\n### ', '\n\n', '\n', '. ', ' '],

)

2) 메타데이터 부여 — 회사, 회계년도, 문서 유형, 페이지, 표 ID

def add_metadata(chunks, filing):

return [{

'text': c.page_content,

'ticker': filing.ticker,

'fiscal_year': filing.fy,

'doc_type': filing.type,

'page': c.metadata.get('page'),

'section': c.metadata.get('section'),

} for c in chunks]

3) Hybrid search — BM25 + dense embedding

retriever = Pinecone(

embeddings=OpenAIEmbeddings(model='text-embedding-3-large'),

namespace='sec-filings',

hybrid_alpha=0.7, # 30% BM25, 70% dense

)

4) 메타데이터 필터링 — "Apple 2024년 10-K"만 검색

results = retriever.similarity_search(

'gross margin trajectory',

filter={'ticker': 'AAPL', 'fiscal_year': 2024, 'doc_type': '10-K'},

k=10,

)

5) 인용과 함께 답변 생성

llm = ChatOpenAI(model='gpt-4o')

answer = llm.invoke([

{'role': 'system', 'content': 'Cite source with [filing, page] format.'},

{'role': 'user', 'content': f'Context: {results}\n\nQuery: ...'}

])

핵심 트릭은 **(1) 표를 통째로 chunk** — 표가 잘리면 의미가 깨집니다. **(2) Hybrid search** — 회계 용어는 정확한 워드 매칭이 중요해 BM25를 함께 씁니다. **(3) 메타데이터 필터링 우선** — 회사·연도를 좁힌 뒤 시맨틱 검색하면 hallucination이 크게 줍니다. **(4) 인용 포맷 강제** — 모든 답변이 원문 페이지로 추적 가능해야 합니다.

AlphaSense, Hebbia, Daloopa, Tegus 모두 이런 RAG 아키텍처 위에 빌드되어 있고, 차별점은 데이터 큐레이션 품질과 도메인 특화 후처리에 있습니다.

23. 규제 — EU AI Act · 미국 SR 11-7 · 한국 금융 AI 가이드라인

금융 AI는 가장 규제가 엄격한 영역입니다.

**EU AI Act** (2024년 발효, 2026~2027년 단계 적용)는 신용 평가·보험 인수를 "고위험 AI 시스템"으로 분류해, 위험 평가·데이터 거버넌스·문서화·사람 감독·정확성·로버스트니스 의무를 부과합니다.

**미국 SR 11-7** (Federal Reserve "Guidance on Model Risk Management", 2011)은 은행이 사용하는 모든 모델(LLM 포함)에 대해 (1) 개발 검증, (2) 사용 모니터링, (3) 거버넌스 프레임워크를 요구합니다. 2023년 OCC·FDIC 보충 가이던스가 LLM·생성 AI에 대한 해석을 추가했습니다.

**한국 금융위 AI 가이드라인** (2024년 발효)은 설명 가능성·차별 금지·인적 감독·모델 거버넌스 5대 원칙을 명시했고, 신용평가·자산관리·보험 인수에 사용되는 AI는 사전 신고 의무를 부과합니다.

**일본 금융청 (JFSA)** 은 "AI 활용 원칙"을 2024년 발표, 자율적 거버넌스 모델이지만 LLM의 hallucination 위험을 명시적으로 다룹니다.

이 규제는 LLM 도입 속도의 가장 큰 제약이며, 동시에 거버넌스 인프라(LangChain Tracing, Anthropic AGI Safety, Confident AI)의 성장 동력이기도 합니다.

24. 한계와 미해결 과제

2026년 5월 시점에도 금융 AI는 다음 한계를 가집니다.

**1) Hallucination + 수치 정확성**: LLM은 여전히 표에서 숫자를 잘못 읽거나, 회계기간을 혼동합니다. FinanceBench가 보여주듯 범용 LLM의 정확도는 사람보다 한참 낮습니다.

**2) Real-time 데이터 통합**: LLM은 기본적으로 학습 시점 cutoff가 있어, 실시간 시장 데이터와 결합하려면 RAG/Tool 아키텍처가 필요합니다. 이 통합이 깨지면 잘못된 가격·시점 답변이 나옵니다.

**3) 멀티모달 — 차트와 표**: GPT-4V, Claude 3.5/4 Vision이 차트를 어느 정도 읽지만, 정밀한 수치 추출은 여전히 OCR + 룰 기반이 더 정확합니다.

**4) 인과 추론**: LLM은 상관관계는 잘 잡지만 인과(왜 환율이 움직였는가)는 약합니다. 매크로 분석은 여전히 사람의 영역입니다.

**5) 규제 거버넌스 비용**: 한 LLM 도입에 모델 검증·문서화·모니터링 비용이 모델 자체 비용의 5~10배가 들 수 있습니다.

**6) 데이터 라이선스**: Bloomberg, FactSet, S\&P 데이터는 LLM 학습 자체가 라이선스 위반일 수 있어, 도메인 LLM의 진정한 사전학습은 자체 데이터를 가진 소수 플레이어만 가능합니다.

이런 한계 때문에 2026년 현재 "AI가 펀드매니저를 대체"하는 시나리오는 아직 멉니다. 그러나 애널리스트의 정보 수집·문서 처리·시뮬레이션 도구는 빠르게 AI로 대체되고 있고, 같은 자원으로 10배 많은 종목·딜을 다룰 수 있게 만드는 생산성 도구로 자리잡고 있습니다.

25. 학습 로드맵 — 어디서 시작할 것인가

금융 AI를 처음 학습한다면 다음 순서를 추천합니다.

1. **기초 금융 + Python**: Investopedia 시리즈, McKinney의 "Python for Data Analysis", `yfinance` + Pandas로 가격 데이터 분석

2. **금융 NLP 입문**: FinBERT 논문, Hugging Face의 `ProsusAI/finbert`, FinGPT GitHub README

3. **RAG 실습**: LangChain · LlamaIndex로 SEC 10-K Q\&A 봇 만들기, EDGAR API 사용

4. **벤치마크 평가**: FinanceBench, FinBen 위에서 자체 모델/RAG 평가

5. **상용 도구 체험**: Bloomberg Terminal Anywhere 학생 라이선스, AlphaSense 트라이얼

6. **Quant 입문**: QuantConnect 무료 코스, Hudson \& Thames 머신러닝 책

금융 AI는 단순한 NLP가 아니라 회계·재무·시장 미시구조에 대한 도메인 이해를 요구합니다. CFA Level 1~2 수준의 회계·재무 지식이 있으면 LLM의 출력을 비판적으로 평가할 수 있어 큰 도움이 됩니다.

26. 참고 / References

- BloombergGPT paper — `https://arxiv.org/abs/2303.17564`

- Bloomberg AI blog — `https://www.bloomberg.com/company/values/tech-at-bloomberg/`

- FinGPT GitHub — `https://github.com/AI4Finance-Foundation/FinGPT`

- FinRobot GitHub — `https://github.com/AI4Finance-Foundation/FinRobot`

- InvestLM (NYU Stern) — `https://github.com/AbaciNLP/InvestLM`

- PIXIU / FinMA — `https://github.com/The-FinAI/PIXIU`

- DocLLM (JPMorgan) paper — `https://arxiv.org/abs/2401.00908`

- AlphaSense — `https://www.alpha-sense.com/`

- Tegus — `https://www.tegus.com/`

- Daloopa — `https://daloopa.com/`

- Hebbia — `https://www.hebbia.com/`

- BlackRock Aladdin — `https://www.blackrock.com/aladdin`

- JPMorgan AI Research — `https://www.jpmorgan.com/technology/artificial-intelligence`

- Goldman Sachs Engineering — `https://www.goldmansachs.com/our-firm/engineering`

- Morgan Stanley AI — `https://www.morganstanley.com/articles/ai-research-assistant`

- Bridgewater Associates — `https://www.bridgewater.com/`

- Two Sigma — `https://www.twosigma.com/`

- Numerai — `https://numer.ai/`

- Lemonade — `https://www.lemonade.com/`

- Tractable — `https://tractable.ai/`

- Carta — `https://carta.com/`

- Crunchbase — `https://www.crunchbase.com/`

- PitchBook — `https://pitchbook.com/`

- Zest AI — `https://www.zest.ai/`

- Upstart — `https://www.upstart.com/`

- QuantConnect Lean — `https://github.com/QuantConnect/Lean`

- NautilusTrader — `https://github.com/nautechsystems/nautilus_trader`

- SEC EDGAR — `https://www.sec.gov/edgar`

- 금융감독원 DART — `https://opendart.fss.or.kr/`

- 일본 EDINET — `https://disclosure2.edinet-fsa.go.jp/`

- FinanceBench — `https://github.com/patronus-ai/financebench`

- EU AI Act — `https://artificialintelligenceact.eu/`

- 금융위 AI 가이드라인 — `https://www.fsc.go.kr/`