VELA (Vector-Encoded Learning Agent)

한국 주식시장 전문 AI 애널리스트

VELA는 한국 주식시장 뉴스 분석 및 투자 리서치를 위해 특화된 7B 파라미터 언어 모델입니다. 2,135개 종목에 대한 뉴스 영향 분석, 증권사 리포트 해석, Reasoning Trace 기반 구조화된 투자 분석을 수행합니다.

Model Details

항목	내용
Base Model	Qwen/Qwen2.5-7B-Instruct
Training	SFT (36,713) + DPO (24,779 pairs)
Parameters	7.6B
Context Length	8,192 tokens
Stock Coverage	2,135 종목 (KOSPI + KOSDAQ)
License	Apache 2.0

Available Formats

Format	File	Size	Use Case
BF16 (safetensors)	model.safetensors	15 GB	Full precision, GPU inference
GGUF Q8_0	vela-q8_0.gguf	7.6 GB	High quality quantized, GPU/CPU
GGUF Q4_K_M	vela-q4_k_m.gguf	4.4 GB	Fast & lightweight, GPU/CPU

Training Pipeline

Qwen2.5-7B-Instruct
        ↓
   SFT (36,713 samples)
   - 뉴스 분류 분석 10,830
   - 극단 시그널 분석 9,603
   - 증권사 리포트 5,117
   - 뉴스 영향 분석 4,839
   - Tool Calling 1,965
   - 기타 (비교분석, 실적, 리스크, 수급, 섹터, 매크로) 4,359
        ↓
   DPO (24,779 pairs)
   - 중복 제거 기본 페어 12,000
   - 다국어 leak 보강 5,997
   - VELA ChatML 정렬 5,000
   - 중국어 leak 교정 v2 1,216
   - Reasoning Trace 정렬 566
        ↓
      VELA

Training Data Distribution

SFT (36,713 samples, 2,135 종목)

Source	Samples	Ratio	Description
classified_news	10,830	29.5%	GPT-4o 분류된 뉴스 → Reasoning Trace 생성
extreme_signals	9,603	26.2%	급등/급락 시그널 뉴스 분석
securities_report_gpt4o	5,117	13.9%	증권사 리포트 GPT-4o 재구성 (네이버 종목분석 + 미래에셋)
analysis_news	4,839	13.2%	일반 뉴스 영향 분석
tool_calling	1,965	5.4%	Search/Price/Investor 도구 호출 학습
multi_stock_comparison	981	2.7%	다중 종목 비교 분석
earnings_impact	971	2.6%	실적 발표 영향 분석
risk_alert	948	2.6%	리스크 경보 분석
supply_demand	492	1.3%	수급 동향 분석
sector_theme	486	1.3%	섹터/테마 분석
macro_impact	481	1.3%	매크로 지표 영향 분석

평균 응답 길이: 2,337자 (Reasoning Trace JSON + 분석 리포트 포함)

DPO (24,779 pairs)

Source	Pairs	Ratio	Description
dpo_dedup	12,000	48.4%	중복 제거된 기본 DPO 페어
multilingual_aug	5,997	24.2%	중국어/영어 leak 보강 (rejected에 leak 삽입)
vela_chatml	5,000	20.2%	VELA 시스템 프롬프트 정렬
chinese_leak_v2	1,216	4.9%	중국어 leak 집중 교정
reasoning_trace_2k	566	2.3%	Reasoning Trace 형식 정렬

Capabilities

• 뉴스 영향 분석: 주식 관련 뉴스의 시장 영향도 예측
• 증권사 리포트 해석: 애널리스트 리포트 기반 투자 분석
• 리서치 리포트 생성: 구조화된 투자 분석 보고서 (7개 섹션)
• Reasoning Trace: 단계별 분석 사고과정 (JSON 형식)
• 다중 소스 종합: 뉴스, 시세, 수급 데이터 통합 분석

Quantization Benchmark

RTX 3060 12GB, llama-cpp-python, n_gpu_layers=-1, n_ctx=4096

Format	Speed (tok/s)	Chinese Leak	Quality
Q4_K_M	36 tok/s	0/5 CLEAN	Reasoning Trace + Report OK
Q8_0	25 tok/s	0/5 CLEAN	Reasoning Trace + Report OK

Stress test: 5회 연속 (Synthesis + 3K Reasoning Trace 교대) - 양쪽 모두 Chinese leak 제로

Usage

llama-cpp-python (Recommended for GGUF)

from llama_cpp import Llama

model = Llama(
    model_path="vela-q4_k_m.gguf",  # or vela-q8_0.gguf
    n_ctx=4096,
    n_gpu_layers=-1,    # Full GPU offload
    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)

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

from vllm import LLM, SamplingParams

llm = LLM(model="intrect/VELA", dtype="bfloat16")
params = SamplingParams(temperature=0.7, max_tokens=1024)

prompts = ["삼성전자 HBM 시장 전망을 분석해주세요."]
outputs = llm.generate(prompts, params)

Ollama

# 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)

{
  "step": 1,
  "thought": "삼성전자 HBM3E 12단 양산 관련 뉴스 확인. 추가 수주 현황과 시장 점유율 파악 필요.",
  "action": "search",
  "query": "삼성전자 HBM3E 12단 수주 시장점유율",
  "confidence": 0.45
}

2. Synthesis Report (최종 리포트)

# EOD 리포트: 삼성전자 (005930.KS)

## Executive Summary
[2-3문장 핵심 요약]

## Key Metrics
| 지표 | 수치 |
|------|------|

## 시장 동향 분석
## 수급 분석
## 뉴스 영향 분석
## 리스크 요인
## 투자 의견

DPO Improvements

• ✅ 중국어 leak 제거: Stress test 10/10 CLEAN
• ✅ 영어 leak 감소: 불필요한 영어 사용 최소화
• ✅ 형식 준수: Reasoning Trace JSON + 7-section Report
• ✅ 한국어 품질: 자연스러운 한국어 표현

Limitations

• 실시간 시세 데이터 접근 불가 (외부 API 필요)
• 투자 조언이 아닌 정보 제공 목적
• 8K 컨텍스트 제한으로 긴 문서 처리 한계
• 할루시네이션 수치 가능 (수치 데이터는 외부 검증 필요)

Citation

@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

버전	날짜	변경사항
v1.1	2026-02-12	GGUF 양자화 모델 추가 (Q4_K_M, Q8_0), 벤치마크, 학습 데이터 분포 공개
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.