diff --git a/journey/research/bayesian_theory/251209_기업_가치_지수_베이지안_업데이트.md b/journey/research/bayesian_theory/251209_기업_가치_지수_베이지안_업데이트.md
new file mode 100644
index 0000000..187ac60
--- /dev/null
+++ b/journey/research/bayesian_theory/251209_기업_가치_지수_베이지안_업데이트.md
@@ -0,0 +1,134 @@
+# 기업 가치 지수: 베이지안 믿음 업데이트 접근법
+
+**작성일**: 2025-12-09
+**작성자**: happybell80 (Grok과의 대화 기반)
+**상태**: 연구 아이디어 (논문 제안 단계)
+
+---
+
+## 개요
+
+KL-divergence와 베이지안 업데이트를 활용하여 시장 신호(전문가 의견, 리뷰, 뉴스, SNS)가 기업 가치에 미치는 영향을 실시간으로 측정하는 지수. 전통적인 DCF나 EV/EBITDA 같은 과거 숫자 기반 평가와 달리, 시장의 '믿음 변화량'을 수치화하여 투자 타이밍을 예측 가능하게 함.
+
+---
+
+## 수식 및 이론적 배경
+
+### 가치 지수
+
+$$V(t) = \sum_{i=1}^t D_{KL}(P_i || M_i) - \lambda H(P_t)$$
+
+- **$P_i$**: 사후 분포 $P(\theta|D_t)$ - 새로운 증거 $D_t$를 관찰한 후의 믿음
+- **$M_i$**: 시장 사전 믿음 (전문가 5명 평균, 리뷰 기대값 등)
+- **$D_{KL}(P_i || M_i)$**: Kullback-Leibler divergence - 시장 믿음이 학습 데이터에 얼마나 끌려오는가 (정보 획득량)
+- **$H(P_t)$**: 사후 엔트로피 - 불확실성 (클수록 가치 감소)
+- **$\lambda$**: 하이퍼파라미터 (불확실성 페널티 가중치)
+
+### 베이지안 업데이트 규칙
+
+$$P(\theta|D_t) = \frac{L(D_t|\theta) M(\theta)}{Z_t}$$
+
+- **$L(D_t|\theta)$**: 우도 함수 (증거의 확률)
+- **$M(\theta)$**: 사전 분포 (시장 믿음)
+- **$Z_t$**: 정규화 상수 $Z_t = \int L(D_t|\theta) M(\theta) d\theta$
+
+### 수식 개선 고려사항
+
+- KL과 엔트로피의 스케일 차이 → $\lambda$ 동적 조정 필요
+- 장기 증가 문제 → 정규화(이동 평균 또는 윈도우 평균) 고려
+
+---
+
+## 데이터 소스
+
+### 1. 전문가 의견 (5명 권장)
+- 매주/매월 "성공 확률 몇 퍼센트?" 투표
+- 평균을 시장 믿음 $M(\theta)$로 사용
+- 가중치: 전문가 신뢰도에 따라 차등 적용 가능
+
+### 2. 리뷰 점수 (앱스토어)
+- 별점(0~5점) → 정규화하여 성공 확률로 변환 (예: 3.2점 → 0.64)
+- 다양한 의견: 분산으로 불확실성 반영
+
+### 3. 뉴스 감정 분석
+- 뉴스 크롤링 → KoBERT/klue-roberta-large 감정 분석
+- 긍정도(0.0~1.0) → 사후 믿음으로 사용
+- 가중치: 뉴스는 전문가 의견보다 1.5~2배 높게 설정
+
+### 4. SNS 실시간 트윗 (X/Twitter)
+- 해시태그(#스타트업A) 검색 → 실시간 스트림 수집
+- 감정 분석 → 긍정/부정/중립 비율
+- 시장 심리 전문가로 취급, 기존 의견 평균에 1.5배 가중치
+
+---
+
+## 예시: 스타트업 A (4개월)
+
+| 시점 | 사전 믿음 | 사후 믿음 | KL 누적 | 분산 | 가치 지수 |
+|------|----------|----------|---------|------|----------|
+| 초기 | 0.1 | - | - | - | - |
+| 1개월 | 0.1 | 0.3 (앱 출시, 10만 다운로드) | 0.28 | 0.21 | 0.98 |
+| 2개월 | 0.3 | 0.5 (50만 다운로드) | 0.42 | 0.25 | 1.15 |
+| 3개월 | 0.5 | 0.7 (100만 다운로드) | 0.65 | 0.21 | 1.80 |
+| 4개월 | 0.7 | 0.6 (경쟁사 등장, 성장 멈춤) | 0.62 | 0.24 | 1.69 |
+
+**관찰**: 4개월차 가치 하락은 성장 끝 신호 → 투자 타이밍 판단에 활용
+
+---
+
+## 연구적 배경
+
+### 기존 연구 현황
+
+정확히 동일한 접근법(KL-divergence를 belief update 강도로 누적하여 기업 가치 지수로 직접 사용)은 미발견. 유사한 연구:
+
+- 온라인 리뷰로 제품 품질 배우는 모델: Bayesian updating + KL-divergence (MIT 2019, 2022)
+- 스타트업 가치 평가: Bayesian belief network (2022 SSRN)
+- 데이터 가치 측정: KL-divergence나 엔트로피 감소 사용 (Data Shapley 관련)
+
+**결론**: 신호마다 KL 누적 + 분산 페널티로 기업 가치 지수를 만드는 접근은 오리지널 아이디어 가능성 높음.
+
+---
+
+## 시각화 디자인
+
+### 선택된 디자인: 메인 라인 + 신뢰 구간 밴드 + 소스별 기여도 스택
+
+**구조:**
+- **상단 메인 라인**: V(t) 가치 지수 시계열 (시간별 누적) + 신뢰 구간 밴드 (불확실성 H(P_t)를 반투명 ±σ 영역으로 표시)
+- **하단 스택 영역**: 전문가/리뷰/뉴스/SNS 기여도를 누적 영역 차트로 표현, 각 시점의 소스별 기여 비율 색상 구분
+
+**구현**: React + Chart.js 또는 Recharts
+
+**장점**: 불확실성과 데이터 소스 기여도를 함께 표현하여 해석 용이
+
+---
+
+## 구현 방향
+
+### 이미 구현 가능한 것
+
+- FastAPI 백엔드 (rb8001, 포트 8001)
+- PostgreSQL (state 서비스)
+- LLM 서비스 (Gemini API)
+- 뉴스 크롤링 (skill-news, Google News RSS)
+- React 프론트엔드 (frontend-ir-valuation)
+- 베이지안 업데이트 계산 (scipy/numpy)
+
+### 구현해야 할 것
+
+1. KL-divergence 기반 믿음 업데이트 지수 계산 로직
+2. 전문가 의견 수집 플랫폼 (5명 투표 시스템, 이메일 발송, PostgreSQL 스키마)
+3. 리뷰 크롤링 (앱스토어 API/크롤링)
+4. 뉴스 감정 분석 (skill-news 확장, KoBERT/klue-roberta-large)
+5. SNS (X/Twitter) 실시간 트윗 크롤링 및 감정 분석
+6. 데이터베이스 스키마 (expert_opinions, market_beliefs, posterior_beliefs, value_index)
+7. 시각화 대시보드 (React Chart.js/Recharts)
+
+---
+
+## 참고
+
+- 관련 계획: `journey/plans/251016_bayesian_startup_valuation.md` (Neo4j + Bayesian MCMC 접근법)
+- 베이지안 이론 배경: `journey/research/bayesian_theory/250920_happybell80_베이지안_논의_종합.md`
+