初始化项目，由ModelHub XC社区提供模型
Model: intrect/VELA Source: Original Platform
This commit is contained in:
ModelHub XC
587
README.md
Normal file
587
README.md
Normal file
@@ -0,0 +1,587 @@
|
||||
---
|
||||
license: apache-2.0
|
||||
language:
|
||||
- ko
|
||||
- en
|
||||
library_name: transformers
|
||||
tags:
|
||||
- finance
|
||||
- korean
|
||||
- stock-analysis
|
||||
- reasoning
|
||||
- dpo
|
||||
- gguf
|
||||
- llama-cpp
|
||||
- llama-cpp-python
|
||||
- mlx
|
||||
- apple-silicon
|
||||
- 4bit
|
||||
- quantized
|
||||
- vllm
|
||||
- ollama
|
||||
base_model: Qwen/Qwen2.5-7B-Instruct
|
||||
pipeline_tag: text-generation
|
||||
---
|
||||
|
||||
# VELA (Vector-Encoded Learning Agent)
|
||||
|
||||
[](https://github.com/Intrect-io/vela-framework)
|
||||
[](https://huggingface.co/intrect/VELA)
|
||||
[](https://huggingface.co/spaces/intrect/vela-demo)
|
||||
|
||||
**한국 주식시장 전문 AI 애널리스트**
|
||||
|
||||
VELA는 한국 주식시장 뉴스 분석 및 투자 리서치를 위해 특화된 7B 파라미터 언어 모델입니다.
|
||||
KOSPI/KOSDAQ 2,135개 종목에 대한 뉴스 영향 분석, 증권사 리포트 해석,
|
||||
Reasoning Trace 기반 구조화된 투자 분석을 수행합니다.
|
||||
|
||||
> **58K+ SFT 샘플**과 **26K+ DPO 페어**로 학습하여,
|
||||
> 한국어 금융 도메인에서 정확하고 구조화된 분석을 제공합니다.
|
||||
>
|
||||
> **Agent Framework**: [github.com/Intrect-io/vela-framework](https://github.com/Intrect-io/vela-framework) — `pip install vela-framework`
|
||||
|
||||
---
|
||||
|
||||
## Model Details
|
||||
|
||||
| 항목 | 내용 |
|
||||
|------|------|
|
||||
| **Base Model** | [Qwen/Qwen2.5-7B-Instruct](https://huggingface.co/Qwen/Qwen2.5-7B-Instruct) |
|
||||
| **Training** | SFT (58,206 samples) + DPO (26,421 pairs) |
|
||||
| **Parameters** | 7.6B |
|
||||
| **Context Length** | 8,192 tokens |
|
||||
| **RT Format** | Markdown Reasoning Trace |
|
||||
| **Stock Coverage** | 2,135 종목 (KOSPI + KOSDAQ) |
|
||||
| **License** | Apache 2.0 |
|
||||
|
||||
### Available Formats
|
||||
|
||||
| Format | File | Size | Use Case |
|
||||
|--------|------|------|----------|
|
||||
| **BF16** (safetensors) | [`model-*.safetensors`](https://huggingface.co/intrect/VELA/tree/main) | 14.5 GB | Full precision, GPU inference |
|
||||
| **GGUF Q4_K_M** | [`vela-dpo-v6-q4_k_m.gguf`](https://huggingface.co/intrect/VELA/blob/main/vela-dpo-v6-q4_k_m.gguf) | 4.4 GB | llama.cpp / Ollama / LM Studio |
|
||||
| **MLX 4-bit** | [`mlx-int4/`](https://huggingface.co/intrect/VELA/tree/main/mlx-int4) | 4.0 GB | Apple Silicon (M1/M2/M3/M4) |
|
||||
|
||||
---
|
||||
|
||||
## What Can VELA Do?
|
||||
|
||||
### 1. 뉴스 영향 분석
|
||||
주식 관련 뉴스가 주가에 미치는 영향을 단계적으로 추론합니다.
|
||||
|
||||
### 2. Reasoning Trace (단계별 사고 과정)
|
||||
분석 과정을 투명하게 보여주는 Markdown Reasoning Trace를 생성합니다:
|
||||
|
||||
```
|
||||
**Step 1**:
|
||||
**Thought**: 삼성전자 3나노 양산 성공 뉴스의 기술적 의미를 파악해야 합니다.
|
||||
**Action**: search
|
||||
**Query**: 삼성전자 3나노 파운드리 수율 경쟁력 TSMC
|
||||
**Confidence**: 35%
|
||||
|
||||
**Step 2**:
|
||||
**Thought**: TSMC 대비 수율 격차가 핵심 변수이며, 양산 성공은 기술력 입증이나 수율 안정화까지 시간 필요.
|
||||
**Action**: analyze
|
||||
**Confidence**: 65%
|
||||
|
||||
**Step 3**:
|
||||
**Thought**: 3나노 양산 성공은 중장기 긍정 시그널이나, 단기적으로 수율 이슈 리스크가 존재합니다.
|
||||
**Action**: conclude
|
||||
**Confidence**: 80%
|
||||
```
|
||||
|
||||
### 3. 증권사 리포트 해석
|
||||
애널리스트 리포트를 기반으로 핵심 포인트와 투자 시사점을 도출합니다.
|
||||
|
||||
### 4. 투자 리서치 리포트
|
||||
7개 섹션으로 구조화된 투자 분석 보고서를 생성합니다:
|
||||
Executive Summary / Key Metrics / 시장 동향 / 수급 분석 / 뉴스 영향 / 리스크 / 투자 의견
|
||||
|
||||
### 5. 도구 호출 (Tool Calling)
|
||||
Search, Price, Investor 등 외부 도구와 연동하는 분석을 수행합니다.
|
||||
|
||||
---
|
||||
|
||||
## Training Pipeline
|
||||
|
||||
```
|
||||
Qwen/Qwen2.5-7B-Instruct
|
||||
|
|
||||
v
|
||||
SFT (58,206 samples)
|
||||
├── 뉴스 분류 분석 10,830 (18.6%)
|
||||
├── 극단 시그널 분석 9,603 (16.5%)
|
||||
├── 증권사 리포트 (GPT-4o) 5,117 (8.8%)
|
||||
├── 뉴스 영향 분석 4,839 (8.3%)
|
||||
├── 멀티턴 대화 8,000 (13.8%)
|
||||
├── Gap Fill (12 카테고리) 12,635 (21.7%)
|
||||
│ ├── 밸류에이션 분석 2,000
|
||||
│ ├── 수급/리스크/EOD 3,000
|
||||
│ ├── 거절/유보 응답 1,000
|
||||
│ ├── 간결 분석 1,000
|
||||
│ ├── 심층 추론 (5+ steps) 1,000
|
||||
│ └── 기타 (매크로, 섹터 등) 4,635
|
||||
└── 기타 7,182 (12.3%)
|
||||
|
|
||||
v
|
||||
DPO (26,421 pairs)
|
||||
├── 중복 제거 기본 페어 12,000 (45.4%)
|
||||
├── 다국어 leak 보강 5,997 (22.7%)
|
||||
├── VELA ChatML 정렬 5,000 (18.9%)
|
||||
├── 불충분 분석 교정 1,642 (6.2%)
|
||||
├── 중국어 leak 교정 v2 1,216 (4.6%)
|
||||
└── Reasoning Trace 정렬 566 (2.1%)
|
||||
|
|
||||
v
|
||||
VELA v1.3
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Training Data Details
|
||||
|
||||
### SFT v3 (58,206 samples)
|
||||
|
||||
| Source | Samples | Ratio | Description |
|
||||
|--------|---------|-------|-------------|
|
||||
| `classified_news` | 10,830 | 18.6% | GPT-4o 분류된 뉴스 Reasoning Trace |
|
||||
| `extreme_signals` | 9,603 | 16.5% | 급등/급락 시그널 뉴스 분석 |
|
||||
| `securities_report_gpt4o` | 5,117 | 8.8% | 증권사 리포트 GPT-4o 재구성 |
|
||||
| `analysis_news` | 4,839 | 8.3% | 일반 뉴스 영향 분석 |
|
||||
| `multi_turn_2t` | 4,000 | 6.9% | 단일 턴 다양 종목 분석 |
|
||||
| `multi_turn_4t` | 4,000 | 6.9% | 2턴 follow-up 대화 |
|
||||
| **`valuation`** | **2,000** | **3.4%** | 밸류에이션 분석 (v3 Gap Fill) |
|
||||
| `tool_calling` | 1,965 | 3.4% | Search/Price/Investor 도구 호출 |
|
||||
| **`supply_demand_ext`** | **1,000** | **1.7%** | 수급 확장 분석 (v3) |
|
||||
| **`risk`** | **1,000** | **1.7%** | 리스크 분석 (v3) |
|
||||
| **`eod_report`** | **1,000** | **1.7%** | EOD 시황 리포트 (v3) |
|
||||
| **`refusal`** | **1,000** | **1.7%** | 거절/유보 응답 (v3) |
|
||||
| **`short_analysis`** | **1,000** | **1.7%** | 간결 분석 <500자 (v3) |
|
||||
| **`deep_reasoning`** | **1,000** | **1.7%** | 심층 추론 5+ steps (v3) |
|
||||
| **`low_confidence`** | **1,000** | **1.7%** | 저확신도 분석 (v3) |
|
||||
| **`macro_impact_ext`** | **1,000** | **1.7%** | 거시경제 확장 (v3) |
|
||||
| **`sector_theme`** | **1,000** | **1.7%** | 섹터/테마 분석 (v3) |
|
||||
| `multi_stock_comparison` | 981 | 1.7% | 복수 종목 비교 분석 |
|
||||
| `earnings_impact` | 971 | 1.7% | 실적 발표 영향 분석 |
|
||||
| `risk_alert` | 948 | 1.6% | 리스크 경고 분석 |
|
||||
| **`null_impact`** | **900** | **1.5%** | 주가 무영향 응답 (v3) |
|
||||
| Other | 2,050 | 3.5% | batch5 fallback, 기존 수급/섹터/매크로 |
|
||||
|
||||
> v3에서 12개 카테고리 12,635개 샘플을 추가하여 데이터 갭을 보강했습니다.
|
||||
> 생성 비용: Perplexity Sonar 2K ($4.60) + OpenAI gpt-4o-mini Batch API 10.6K ($2.76) = **~$7.36**
|
||||
|
||||
### DPO v2 (26,421 pairs)
|
||||
|
||||
| Source | Pairs | Ratio | Rejection Type |
|
||||
|--------|-------|-------|----------------|
|
||||
| `dpo_dedup` | 12,000 | 45.4% | 짧은/저품질 응답 vs 상세 분석 |
|
||||
| `multilingual_aug` | 5,997 | 22.7% | 중국어/영어 leak, 짧은 응답, 저확신 |
|
||||
| `vela_chatml` | 5,000 | 18.9% | 형식 오류, 짧은 응답 |
|
||||
| `batch5_insuf_dpo` | 1,642 | 6.2% | 불충분 분석 품질 교정 |
|
||||
| `chinese_leak_v2` | 1,216 | 4.6% | 중국어 문자 leak 집중 교정 |
|
||||
| `reasoning_trace_2k` | 566 | 2.1% | 영어 leak, RT 형식 오류 |
|
||||
|
||||
### Data Version History
|
||||
|
||||
| Version | SFT Samples | DPO Pairs | Changes |
|
||||
|---------|-------------|-----------|---------|
|
||||
| v1.0 | 36,713 | 24,779 | 초기 학습 데이터 (JSON RT) |
|
||||
| v1.1 | 36,713 | 24,779 | RT JSON → Markdown 변환 |
|
||||
| v2.0 | 45,571 | 26,421 | +멀티턴 8K, +batch5 불충분 DPO |
|
||||
| **v3.0** | **58,206** | **26,421** | **+Gap Fill 12개 카테고리 12,635** |
|
||||
|
||||
---
|
||||
|
||||
## Benchmarks
|
||||
|
||||
### 한국어 LLM 벤치마크 (KMMLU + HAE-RAE)
|
||||
|
||||
모든 모델 **Q4_K_M 양자화**, **0-shot** 조건으로 평가. `lm-evaluation-harness` v0.4.9 + `llama.cpp`, Apple M1 Max 32GB 환경.
|
||||
|
||||
#### KMMLU (한국어 MMLU, 10과목)
|
||||
|
||||
| 과목 | VELA DPO v6 | Qwen2.5-7B-Instruct | EXAONE-3.5-7.8B |
|
||||
|------|:-----------:|:--------------------:|:---------------:|
|
||||
| 마케팅 | **75.7** | 72.5 | 75.6 |
|
||||
| 컴퓨터과학 | **73.7** | 69.7 | 69.7 |
|
||||
| 경영학 | 54.0 | 55.2 | **57.3** |
|
||||
| 정치사회학 | 49.0 | 49.3 | **56.0** |
|
||||
| 경제학 | 45.4 | 47.7 | **51.5** |
|
||||
| 법학 | 43.4 | 46.1 | **49.9** |
|
||||
| 심리학 | 39.2 | 39.3 | **45.7** |
|
||||
| 회계 | 38.0 | 33.0 | **42.0** |
|
||||
| 수학 | **33.0** | **33.7** | 27.7 |
|
||||
| 한국사 | **31.0** | 29.0 | 22.0 |
|
||||
| **평균** | **48.2** | **47.6** | **49.7** |
|
||||
|
||||
#### HAE-RAE Bench (한국어 특화)
|
||||
|
||||
| 영역 | VELA DPO v6 | Qwen2.5-7B-Instruct | EXAONE-3.5-7.8B |
|
||||
|------|:-----------:|:--------------------:|:---------------:|
|
||||
| 희귀어 | 69.9 | 68.4 | **78.8** |
|
||||
| 표준명칭 | 64.7 | 66.0 | **71.9** |
|
||||
| 외래어 | 48.5 | 57.4 | **81.1** |
|
||||
| 한국사 | 45.7 | 42.6 | **77.7** |
|
||||
| 일반상식 | **44.3** | 42.1 | 44.3 |
|
||||
| **평균** | **54.5** | **55.3** | **70.7** |
|
||||
|
||||
#### 주요 발견
|
||||
|
||||
- **Catastrophic forgetting 없음**: 도메인 특화 fine-tuning 후에도 베이스 모델(Qwen2.5) 능력 유지 (KMMLU 평균 48.2% vs 47.6%)
|
||||
- **도메인 전이 효과**: 금융 관련 과목에서 베이스 모델 대비 향상 — 마케팅(+3.2%), 컴퓨터과학(+4.0%), 회계(+5.0%)
|
||||
- **한국어 네이티브 모델과 경쟁**: 대규모 한국어 코퍼스로 사전학습된 EXAONE-3.5-7.8B (LG AI Research) 대비 KMMLU 10과목 중 4개에서 우위
|
||||
|
||||
### 양자화 벤치마크 (GGUF)
|
||||
|
||||
RTX 3060 12GB, llama-cpp-python, `n_gpu_layers=-1`, `n_ctx=4096`
|
||||
|
||||
| 포맷 | 속도 | 중국어 Leak | 품질 |
|
||||
|------|------|-------------|------|
|
||||
| **Q4_K_M (v6)** | **36 tok/s** | 0/5 클린 | RT + 리포트 정상 |
|
||||
|
||||
> 스트레스 테스트 5회: Synthesis + 3K Reasoning Trace 교대 — 전 구간 **중국어 leak 제로**
|
||||
|
||||
### MLX 벤치마크 (Apple Silicon)
|
||||
|
||||
M1 Max 32GB, MLX 4-bit 양자화
|
||||
|
||||
| 구성 | 양자화 | 로딩 시간 | 추론 속도 | 메모리 |
|
||||
|------|--------|----------|----------|--------|
|
||||
| **MLX 4-bit** | 4-bit (4.5 bpw) | 0.59초 | **15.93 tok/s** | 4.4 GB |
|
||||
| PyTorch (CPU) | BF16 | 0.10초 | 4.93 tok/s | 0.3 GB |
|
||||
| PyTorch + LoRA (CPU) | BF16 | 1.64초 | 4.22 tok/s | 14.1 GB |
|
||||
|
||||
MLX 4-bit vs PyTorch CPU:
|
||||
- 추론 속도 **3.2배** (15.93 vs 4.93 tok/s)
|
||||
- 모델 크기 **73% 감소** (4 GB vs 15 GB)
|
||||
- 메모리 **68% 절약** (4.4 vs 14.1 GB)
|
||||
|
||||
### DPO 학습 품질 개선
|
||||
|
||||
| 지표 | DPO 전 | DPO 후 |
|
||||
|------|--------|--------|
|
||||
| 중국어 leak | 빈번 | **0/10 클린** |
|
||||
| 영어 leak | 간헐적 | 최소화 |
|
||||
| RT 형식 준수율 | ~80% | **~98%** |
|
||||
| 한국어 유창성 | 양호 | **우수** |
|
||||
---
|
||||
|
||||
## Usage
|
||||
|
||||
### llama-cpp-python (Recommended for GGUF)
|
||||
|
||||
```python
|
||||
from llama_cpp import Llama
|
||||
|
||||
model = Llama(
|
||||
model_path="vela-dpo-v6-q4_k_m.gguf",
|
||||
n_ctx=4096,
|
||||
n_gpu_layers=-1,
|
||||
chat_format="chatml",
|
||||
)
|
||||
|
||||
response = model.create_chat_completion(
|
||||
messages=[
|
||||
{"role": "system", "content": "당신은 한국 주식 전문 애널리스트입니다."},
|
||||
{"role": "user", "content": "삼성전자 HBM 사업 전망을 분석해주세요."},
|
||||
],
|
||||
max_tokens=1024,
|
||||
temperature=0.7,
|
||||
)
|
||||
print(response["choices"][0]["message"]["content"])
|
||||
```
|
||||
|
||||
### Transformers (BF16)
|
||||
|
||||
```python
|
||||
from transformers import AutoModelForCausalLM, AutoTokenizer
|
||||
import torch
|
||||
|
||||
model = AutoModelForCausalLM.from_pretrained(
|
||||
"intrect/VELA",
|
||||
torch_dtype=torch.bfloat16,
|
||||
device_map="auto",
|
||||
)
|
||||
tokenizer = AutoTokenizer.from_pretrained("intrect/VELA")
|
||||
|
||||
messages = [
|
||||
{"role": "system", "content": "당신은 한국 주식 전문 애널리스트입니다."},
|
||||
{"role": "user", "content": "삼성전자 HBM 사업 전망을 분석해주세요."},
|
||||
]
|
||||
|
||||
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
|
||||
inputs = tokenizer(text, return_tensors="pt").to(model.device)
|
||||
|
||||
outputs = model.generate(
|
||||
**inputs,
|
||||
max_new_tokens=1024,
|
||||
temperature=0.7,
|
||||
do_sample=True,
|
||||
)
|
||||
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
|
||||
```
|
||||
|
||||
### vLLM
|
||||
|
||||
```python
|
||||
from vllm import LLM, SamplingParams
|
||||
|
||||
llm = LLM(model="intrect/VELA", dtype="bfloat16")
|
||||
params = SamplingParams(temperature=0.7, max_tokens=1024)
|
||||
|
||||
outputs = llm.generate(
|
||||
["삼성전자 HBM 시장 전망을 분석해주세요."],
|
||||
params,
|
||||
)
|
||||
print(outputs[0].outputs[0].text)
|
||||
```
|
||||
|
||||
### MLX (Apple Silicon)
|
||||
|
||||
```python
|
||||
from mlx_lm import load, generate
|
||||
|
||||
# HF에서 mlx-int4 폴더만 다운로드
|
||||
from huggingface_hub import snapshot_download
|
||||
mlx_path = snapshot_download("intrect/VELA", allow_patterns="mlx-int4/*")
|
||||
model, tokenizer = load(f"{mlx_path}/mlx-int4")
|
||||
|
||||
response = generate(
|
||||
model,
|
||||
tokenizer,
|
||||
prompt="삼성전자 3나노 양산 뉴스 분석",
|
||||
max_tokens=1024,
|
||||
)
|
||||
print(response)
|
||||
```
|
||||
|
||||
### Ollama
|
||||
|
||||
```bash
|
||||
# Modelfile
|
||||
FROM ./vela-q4_k_m.gguf
|
||||
TEMPLATE """<|im_start|>system
|
||||
{{ .System }}<|im_end|>
|
||||
<|im_start|>user
|
||||
{{ .Prompt }}<|im_end|>
|
||||
<|im_start|>assistant
|
||||
"""
|
||||
PARAMETER temperature 0.7
|
||||
PARAMETER num_ctx 4096
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Output Format
|
||||
|
||||
VELA는 두 가지 출력 모드를 지원합니다.
|
||||
|
||||
### 1. Reasoning Trace (분석 과정)
|
||||
|
||||
Markdown 형식으로 단계별 사고 과정을 투명하게 보여줍니다:
|
||||
|
||||
```markdown
|
||||
**Step 1**:
|
||||
**Thought**: 삼성전자 HBM3E 12단 양산 관련 뉴스를 확인합니다. 수주 현황과 시장 점유율 파악이 필요합니다.
|
||||
**Action**: search
|
||||
**Query**: 삼성전자 HBM3E 12단 수주 시장점유율
|
||||
**Confidence**: 45%
|
||||
|
||||
**Step 2**:
|
||||
**Thought**: SK하이닉스 대비 삼성전자의 HBM 시장 점유율 확대 추세를 분석합니다.
|
||||
**Action**: analyze
|
||||
**Confidence**: 70%
|
||||
|
||||
**Step 3**:
|
||||
**Thought**: HBM3E 양산 성공은 긍정적이나, NVIDIA 인증 지연 리스크가 존재합니다.
|
||||
**Action**: conclude
|
||||
**Confidence**: 82%
|
||||
```
|
||||
|
||||
### 2. Synthesis Report (최종 리포트)
|
||||
|
||||
7개 섹션으로 구조화된 투자 분석 보고서:
|
||||
|
||||
```markdown
|
||||
# 분석 리포트: 삼성전자 (005930.KS)
|
||||
|
||||
## Executive Summary
|
||||
[2-3문장 핵심 요약]
|
||||
|
||||
## Key Metrics
|
||||
| 지표 | 수치 |
|
||||
|------|------|
|
||||
| 현재가 | 181,200원 |
|
||||
| 12M FWD PER | 15.4배 |
|
||||
| PBR | 3.13배 |
|
||||
|
||||
## 시장 동향 분석
|
||||
## 수급 분석
|
||||
## 뉴스 영향 분석
|
||||
## 리스크 요인
|
||||
## 투자 의견
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Example Output
|
||||
|
||||
> 아래는 VELA 모델이 실제로 생성하는 응답 예시입니다 (SFT 학습 데이터 기반).
|
||||
>
|
||||
> **Query**: "LGU+ 오픈랜 상용망 구축 뉴스가 CS(065770) 주가에 미치는 영향을 분석해주세요."
|
||||
|
||||
<details>
|
||||
<summary><b>Reasoning Trace (추론 과정) 펼치기</b></summary>
|
||||
|
||||
```
|
||||
**Step 1**:
|
||||
**Thought**: CS는 통신장비 제조업체로, LGU+ 오픈랜 상용망 구축 뉴스는
|
||||
직접적 수혜 가능성이 있다. 뉴스에서 언급된 '삼지전자·노키아'와의 협력 관계,
|
||||
기술 실증 의미를 파악해야 한다. CS의 오픈랜 관련 포지셔닝 확인 필요.
|
||||
**Action**: search
|
||||
**Query**: CS 065770 오픈랜 5G 통신장비 사업
|
||||
**Confidence**: 40%
|
||||
|
||||
**Step 2**:
|
||||
**Thought**: 뉴스 본문에서 '삼지전자·노키아'가 장비 구축을 담당했다고 명시.
|
||||
CS가 이 프로젝트에 직접 참여했는지, 아니면 간접 수혜인지 구분이 필수.
|
||||
LGU+ 오픈랜 실증 프로젝트의 규모와 향후 상용화 일정도 중요.
|
||||
**Action**: search
|
||||
**Query**: LGU+ 오픈랜 실증단지 삼지전자 CS 참여
|
||||
**Confidence**: 50%
|
||||
|
||||
**Step 3**:
|
||||
**Thought**: 뉴스에서 CS의 직접 언급이 없으므로, CS가 오픈랜 밸류체인 내 어느
|
||||
위치에 있는지 불명확. 다만 통신장비 제조사로서 오픈랜 시장 확대는 장기 성장 기회.
|
||||
실제 1일/3일 수익률이 각각 +0.73%, +0.87%로 완만한 상승이므로,
|
||||
뉴스 직접 영향보다는 섹터 긍정 심리 반영으로 해석.
|
||||
**Action**: analyze
|
||||
**Confidence**: 65%
|
||||
```
|
||||
|
||||
</details>
|
||||
|
||||
<details>
|
||||
<summary><b>Quick Assessment (빠른 판정) 펼치기</b></summary>
|
||||
|
||||
```json
|
||||
{
|
||||
"category": "product_innovation",
|
||||
"sentiment": "bullish",
|
||||
"impact": "medium",
|
||||
"confidence": 0.68,
|
||||
"reasoning": "LGU+ 오픈랜 상용망 구축은 국내 통신장비 산업의 기술 고도화 신호이나,
|
||||
뉴스에서 CS의 직접 참여가 명시되지 않음. 간접 수혜 가능성과 섹터 긍정 심리로
|
||||
인한 완만한 상승으로 평가."
|
||||
}
|
||||
```
|
||||
|
||||
</details>
|
||||
|
||||
<details open>
|
||||
<summary><b>Analysis Report (상세 리포트)</b></summary>
|
||||
|
||||
### 1. Executive Summary
|
||||
|
||||
LG유플러스의 오픈랜 상용망 구축은 국내 통신 인프라의 5G-6G 기술 고도화를 시사하는 긍정적 신호입니다.
|
||||
뉴스에서는 삼지전자와 노키아의 장비 구축을 명시했으나, CS의 직접 참여 여부는 공개되지 않았습니다.
|
||||
다만 CS는 통신장비 제조업체로서 국내 오픈랜 시장 확대의 장기 수혜자가 될 가능성이 있습니다.
|
||||
실제 주가 반응(1일 +0.73%, 3일 +0.87%)은 제한적이며, 이는 뉴스가 개별 종목보다는
|
||||
섹터 전체에 대한 긍정 심리를 반영한 것으로 해석됩니다. **종합 신뢰도: 0.68 (MEDIUM)**
|
||||
|
||||
### 2. Key Metrics
|
||||
|
||||
| 지표 | 수치 | 평가 |
|
||||
|------|------|------|
|
||||
| 1일 수익률 | +0.73% | 약한 상승 |
|
||||
| 3일 수익률 | +0.87% | 지속적 약세 상승 |
|
||||
| 뉴스 영향력 | Medium | 섹터 영향 > 개별 종목 영향 |
|
||||
| 직접 언급 | 없음 | CS 미언급 |
|
||||
| 기술 카테고리 | 오픈랜(Open RAN) | 5G-6G 핵심 기술 |
|
||||
|
||||
### 3. 시장 동향 분석
|
||||
|
||||
오픈랜은 기존 폐쇄형 통신장비 시스템을 개방형 표준으로 전환하는 구조적 변화입니다.
|
||||
LGU+의 금오공과대학교 캠퍼스 구축은 한국지능정보사회진흥원(NIA)과 과학기술정보통신부 주도의
|
||||
국가 실증 프로젝트로, 정부 차원의 오픈랜 생태계 조성 의지를 보여줍니다.
|
||||
|
||||
"기존 5G 네트워크와 동등한 수준의 서비스"를 제공한다고 명시한 것은 국내 오픈랜 기술이
|
||||
글로벌 수준에 도달했음을 의미합니다. 이는 국내 통신장비 산업 전반에 긍정적 신호이며,
|
||||
CS와 같은 관련 업체들의 기술 고도화 필요성을 강조합니다.
|
||||
|
||||
### 4. 리스크 요인
|
||||
|
||||
- CS의 오픈랜 프로젝트 직접 참여 여부 불확실
|
||||
- 삼지전자·노키아 등 경쟁사 대비 기술 포지셔닝 미확인
|
||||
- 오픈랜 상용화 일정 및 수주 가시성 부족
|
||||
|
||||
### 5. 투자 의견
|
||||
|
||||
오픈랜 시장 확대는 **중장기 긍정 요인**이나, CS의 직접적 수혜 경로가 확인되기 전까지
|
||||
**관망** 포지션이 적절합니다. 향후 CS의 오픈랜 관련 수주 공시나 기술 제휴 발표 시
|
||||
재평가가 필요합니다.
|
||||
|
||||
</details>
|
||||
|
||||
---
|
||||
|
||||
## Architecture
|
||||
|
||||
VELA는 단독 LLM으로도 동작하지만, 에이전트 시스템과 결합하면 실시간 데이터 기반 분석이 가능합니다:
|
||||
|
||||
```
|
||||
[사용자 쿼리]
|
||||
|
|
||||
v
|
||||
[멀티소스 검색] ─── DuckDuckGo (최신 뉴스)
|
||||
| ├── 한국투자증권 KIS (현재가, PER, PBR, EPS, 수급)
|
||||
| ├── FnGuide (사업개요, 재무정보)
|
||||
| └── FAISS 317K (과거 유사 뉴스 + 주가 반응)
|
||||
v
|
||||
[컨텍스트 주입] → System Prompt + 검색 결과
|
||||
|
|
||||
v
|
||||
[VELA LLM] → Reasoning Trace (Step-by-Step)
|
||||
|
|
||||
v
|
||||
[리서치 리포트]
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Limitations
|
||||
|
||||
- **실시간 시세**: 모델 자체는 실시간 데이터에 접근하지 못합니다 (에이전트 시스템 필요)
|
||||
- **수치 할루시네이션**: 구체적 수치(주가, PER 등)는 외부 검증이 필요합니다
|
||||
- **컨텍스트**: 8K 토큰 제한으로 긴 문서 처리에 한계가 있습니다
|
||||
- **투자 조언 아님**: 정보 제공 목적이며, 투자 결정은 본인의 판단과 책임입니다
|
||||
|
||||
---
|
||||
|
||||
## Citation
|
||||
|
||||
```bibtex
|
||||
@misc{vela2026,
|
||||
title={VELA: Vector-Encoded Learning Agent for Korean Stock Analysis},
|
||||
author={intrect},
|
||||
year={2026},
|
||||
publisher={Hugging Face},
|
||||
url={https://huggingface.co/intrect/VELA}
|
||||
}
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Version History
|
||||
|
||||
| Version | Date | Changes |
|
||||
|---------|------|---------|
|
||||
| **v1.3** | **2026-03-31** | **DPO v6 모델 업데이트 (Unsloth 학습, SFT v6 + DPO v6 merged)** |
|
||||
| v1.2 | 2026-02-16 | SFT v3 (58K) Gap Fill 12카테고리, Markdown RT, 벤치마크 추가 |
|
||||
| v1.1 | 2026-02-12 | GGUF 양자화 모델 추가 (Q4_K_M, Q8_0) |
|
||||
| v1.0 | 2026-01-28 | DPO 병합, 중국어/영어 leak 해결 |
|
||||
| v0.9 | 2026-01-15 | SFT 베이스 모델 공개 |
|
||||
|
||||
---
|
||||
|
||||
**Disclaimer**: 이 모델의 출력은 투자 조언이 아닙니다. 모든 투자 결정은 본인의 판단과 책임 하에 이루어져야 합니다.
|
||||
Reference in New Issue
Block a user