왜 만들었나
우리는 "미국이 관세를 올려서 주가가 떨어졌다", "선거가 끝나니 증시가 올랐다" 같은 말을 자주 듣는다. 그런데 실제로 얼마나 떨어졌고, 그 영향이 며칠이나 지속됐는지는 대개 감으로만 이야기된다. 이 프로젝트는 그 감을 데이터로 바꾼다 — 뉴스·정책이 한국 증시를 얼마나 움직였는지 숫자로 측정하고, 그 위에 근미래 예측을 올린다.
시장모델이라는 통제
가장 쉬운 실수는 이렇다. "사건 다음 날 코스피가 1% 올랐으니 그 사건이 1% 올렸다." 하지만 그날 시장 전체가 오른 것일 수도 있다. 사건의 순수한 영향을 보려면, 시장 흐름으로 설명되는 부분을 먼저 걷어내야 한다.
초과등락(AR/CAR) — 시장모델로 "평소라면 이만큼 움직였을 값"을 추정하고, 실제와의 차이만 남긴다. 사건 창 동안 이 차이를 누적(CAR)하고 t검정으로 우연과 가른다.
이 통제가 이 프로젝트의 척추다. 화려한 예측 모델보다, "무엇을 걷어내야 사건의 영향이 보이는가"를 세우는 데 시간을 더 썼다.
파이프라인의 전체 그림
물이 정수장을 거쳐 깨끗해지듯, 데이터도 단계를 거쳐 분석 가능한 형태가 된다.
수집 → 원본저장 → 이벤트 반영일 보정 → 이벤트 스터디 → 대시보드·리포트
KRX·야후 raw_payload effective_date AR/CAR+t검정 현황판·주간/월간
FRED·GDELT
- 수집 — KRX·야후파이낸스·FRED·GDELT에서 시세·수급·환율·금리·뉴스 톤을 매일 수집
- 이벤트 DB — "어떤 날 어떤 사건이 있었나"를 전 건 출처 URL과 함께 정리(139건). 감이 아니라 검증된 사건만
- 반영일 보정 — 장 마감 후·휴장일 사건은 다음 영업일에 반영되므로 창을 맞춘다. 이걸 빼먹으면 사건 하루 전에 "미리 반응한" 착시가 생긴다
- 산출 — 분석 대시보드(7화면)와 M3 현황판, 주간/월간/연간 리포트를 자동 생성
예측의 한계까지
마지막 단계는 예측이었다. 다만 "맞힐 수 있다"고 주장하지 않았다. 베이스라인 모델을 만들고, 그 한계를 함께 실증했다 — 어디까지는 신호가 있고 어디부터는 소음인지. 금융 데이터에서 "못 맞히는 지점을 아는 것"이 "맞힌다"는 주장보다 정직하고 유용하다고 봤다.
이어진 곳
이 프로젝트에서 세운 방법론 — 이벤트 스터디(AR/CAR·t검정)와 매크로(FRED) 컨텍스트 — 는 이후 COCOMSS의 크립토 이벤트 분석으로 그대로 이식됐다. 한국 증시에서 검증한 통제 방식이 가상자산에서도 "이 사건이 정말 가격을 움직였나"를 묻는 도구가 됐다.