TradingAgents: Multi-Agents LLM Financial Trading Framework

Yijia Xiao; Edward Sun; Di Luo; Wei Wang

논문 · arXiv 2412.20138

TradingAgents: 멀티 에이전트 LLM 금융 트레이딩 프레임워크

TradingAgents: Multi-Agents LLM Financial Trading Framework

Yijia Xiao, Edward Sun, Di Luo, Wei Wang

게시일 2024-12-28q-fin.TRcs.AIcs.CEcs.LG arXiv PDF

XYZNOT로 읽기 (전문 번역과 AI 해설)

세 줄 요약

🎯 기존 LLM 트레이딩 도구는 현실적인 조직 구조가 부족하며, 비구조화된 긴 대화로 인한 '전화 걸기 효과(정보 왜곡)' 문제를 겪습니다.
🔧 정형화된 보고서와 목적 기반 토론을 활용하여 분석가, 리서처, 트레이더, 위험 관리, 펀드 매니저 계층 전반의 7가지 전문 에이전트 역할을 통해 실제 트레이딩 회사를 시뮬레이션합니다.
📈 테스트된 모든 자산에서 Buy & Hold 및 규칙 기반 베이스라인을 능가하여, 2024년 1분기 기준 AAPL에서 26.62%의 누적 수익률을 달성하고 평가 대상 테크 주식 전반에서 최소 23.21%를 기록했습니다.

초록

대형 언어 모델(LLM) 기반의 에이전트 군집을 활용한 자동화된 문제 해결 분야에서 상당한 발전이 이루어졌습니다. 금융 분야에서는 주로 특정 작업을 처리하는 단일 에이전트 시스템이나 데이터를 독립적으로 수집하는 멀티 에이전트 프레임워크에 초점이 맞춰져 왔습니다. 그러나 실제 트레이딩 회사의 협업 역학을 재현하는 멀티 에이전트 시스템의 잠재력은 아직 충분히 탐색되지 않았습니다. TradingAgents는 실제 트레이딩 회사에서 영감을 얻은 새로운 주식 트레이딩 프레임워크로, 기본적 분석가, 감성 분석가, 기술적 분석가, 그리고 다양한 위험 성향을 지닌 트레이더와 같은 전문화된 역할을 수행하는 LLM 기반 에이전트들을 포함합니다. 이 프레임워크는 시장 상황을 평가하는 강세론자(Bull) 및 약세론자(Bear) 리서처 에이전트, 포지션 노출을 모니터링하는 위험 관리 팀, 토론 결과와 과거 데이터를 종합하여 정보에 기반한 결정을 내리는 트레이더로 구성됩니다. 역동적이고 협업적인 트레이딩 환경을 시뮬레이션함으로써, 본 프레임워크는 트레이딩 성과 개선을 목표로 합니다. 상세한 아키텍처와 광범위한 실험을 통해 베이스라인 모델 대비 우수성을 입증하였으며, 누적 수익률, 샤프 지수, 최대 낙폭(MDD)에서 괄목할 만한 개선을 보여 금융 트레이딩에서 멀티 에이전트 LLM 프레임워크의 잠재력을 강조합니다. TradingAgents는 https://github.com/TauricResearch/TradingAgents 에서 확인할 수 있습니다.

영어 원문 초록

Significant progress has been made in automated problem-solving using societies of agents powered by large language models (LLMs). In finance, efforts have largely focused on single-agent systems handling specific tasks or multi-agent frameworks independently gathering data. However, the multi-agent systems' potential to replicate real-world trading firms' collaborative dynamics remains underexplored. TradingAgents proposes a novel stock trading framework inspired by trading firms, featuring LLM-powered agents in specialized roles such as fundamental analysts, sentiment analysts, technical analysts, and traders with varied risk profiles. The framework includes Bull and Bear researcher agents assessing market conditions, a risk management team monitoring exposure, and traders synthesizing insights from debates and historical data to make informed decisions. By simulating a dynamic, collaborative trading environment, this framework aims to improve trading performance. Detailed architecture and extensive experiments reveal its superiority over baseline models, with notable improvements in cumulative returns, Sharpe ratio, and maximum drawdown, highlighting the potential of multi-agent LLM frameworks in financial trading. TradingAgents is available at https://github.com/TauricResearch/TradingAgents.

논문 해설

문제 및 동기

기존의 퀀트 트레이딩 알고리즘은 뉴스 헤드라인, 기업 실적 보고서, 소셜 미디어 감성과 같은 비정형 텍스트 데이터를 통합하는 데 종종 어려움을 겪습니다. 반면 딥러닝 트레이딩 모델은 블랙박스로 작동하여 해석 가능성이 낮습니다. 대형 언어 모델(LLM)은 자연어 이해와 설명 가능성을 제공하지만, 기존의 LLM 기반 금융 시스템은 일반적으로 단일 에이전트나 비구조화된 멀티 에이전트 설정만을 배포했습니다. 이러한 설정은 두 가지 주요 결함을 지닙니다. 즉, 실제 트레이딩 회사의 조직 모델링이 결여되어 있으며, 긴 기간 동안 중요한 맥락이 손실되거나 왜곡되는 '전화 걸기 효과(telephone effect)'로 인해 성능이 저하되는 개방형 자연어 대화 로그에 의존한다는 점입니다.

핵심 아이디어

조직 계층 구조: TradingAgents는 분석가 팀, 리서치 팀, 트레이더 에이전트, 위험 관리 팀, 그리고 최종 펀드 매니저로 구성된 전문 부서로 나뉜 월스트리트 투자 회사의 구조를 그대로 반영합니다.
변증법적 멀티 에이전트 토론: 일방적인 결정 대신, 강세론(Bullish) 및 약세론(Bearish) 리서처 간의 구조화된 다회차 토론과 공격적, 보수적, 중립적 성향의 위험 관리자 간의 다각도 논의를 수행합니다.
하이브리드 통신 프로토콜: 에이전트 상태를 표준화되고 구조화된 보고서 및 데이터 엔트리로 기록함으로써 지속적이고 비구조화된 텍스트 풀 생성을 방지하며, 자연어 대화는 오직 다회차 토론에만 한정하여 사용합니다.
모델 계층화: 빠르고 비용이 저렴한 모델(gpt-4o, gpt-4o-mini)은 데이터 검색 및 포맷팅을 처리하고, 심층 추론 모델(o1-preview)은 심층 분석, 토론 및 포지션 크기 결정을 담당합니다.

방법론 (주요 수식 포함)

모든 에이전트는 특화된 외부 도구(예: Yahoo Finance, EODHD, Finnhub, Reddit)에 접근할 수 있는 ReAct (Reasoning and Acting) 패러다임을 기반으로 동작합니다. 에이전트의 작업은 다음 5단계 순서로 진행됩니다:

분석가 팀 (Analyst Team): 4개의 동시 실행 에이전트가 기업 펀더멘털, 소셜 감성, 뉴스/거시경제, 기술적 지표(RSI, MACD, 볼린저 밴드, ATR, ADX 등 최대 60개 지표 평가) 전반에 걸친 구조화된 보고서를 생성합니다.
리서치 팀 (Researcher Team): 강세론자 및 약세론자 리서처 에이전트가 분석가 보고서를 조회하고, 퍼실리테이터 에이전트의 감독하에 우세한 입장을 선정하기 위해 $n$ 라운드 동안 토론을 진행합니다.
트레이더 체결 (Trader Execution): 트레이더 에이전트는 리서처의 인사이트와 시장 데이터를 종합하여 목표 매수/매도/보유 결정 및 근거를 생성합니다.
위험 관리 심의 (Risk Management Deliberation): 위험 추구형('Risky'), 보수형('Safe'), 중립형 분석가가 $n$ 라운드에 걸쳐 포트폴리오 노출, 레버리지 및 손절매 필요성에 대해 토론합니다.
펀드 매니저 승인 (Fund Manager Approval): 최종 매니저는 위험 관리 팀의 종합된 가이드라인을 바탕으로 거래 체결을 승인, 수정 또는 거부합니다.

포트폴리오 성과는 네 가지 주요 금융 지표를 통해 측정됩니다:

누적 수익률 (Cumulative Return, CR): $CR = (\frac{V _{end} - V _{start}}{V _{start}}) \times 100%$
연환산 수익률 (Annualized Return, AR): $AR = ((\frac{V _{end}}{V _{start}})^{\frac{1}{N}} - 1) \times 100%$ 여기서 $N$ 은 연 단위의 평가 기간입니다.
샤프 지수 (Sharpe Ratio, SR): $SR = \frac{R ˉ - R _{f}}{σ}$ 여기서 $\overset{ˉ}{R}$ 은 포트폴리오의 평균 수익률, $R_{f}$ 는 무위험 수익률, $σ$ 는 수익률의 변동성입니다.
최대 낙폭 (Maximum Drawdown, MDD): $MDD = t \in [0, T] max (\frac{Peak _{t} - Trough _{t}}{Peak _{t}}) \times 100%$

결과 (핵심 수치 포함)

백테스팅 시뮬레이션은 미래 참조 편향(look-ahead bias) 없이 2024년 1월 1일부터 3월 29일까지 주요 테크 주식($AAPL, $GOOGL, $AMZN)을 대상으로 Buy & Hold 및 기술적 지표 전략(MACD, KDJ+RSI, ZMR, SMA)과 비교하여 진행되었습니다:

AAPL: TradingAgents는 누적 수익률(CR) 26.62%(연환산 수익률 30.50%, 샤프 지수 8.21, MDD 0.91%)를 기록한 반면, Buy & Hold는 -5.23%(MDD 11.90%), 가장 우수한 베이스라인(KDJ&RSI)은 2.05% 상승에 그쳤습니다.
GOOGL: TradingAgents는 **24.36%**의 CR과 6.39의 SR(MDD 1.69%)을 달성하여, Buy & Hold(CR 7.78%, MDD 13.04%)를 크게 상회했습니다.
AMZN: TradingAgents는 **23.21%**의 CR과 5.60의 SR(MDD 2.11%)을 달성하여, Buy & Hold(CR 17.10%, MDD 3.80%)를 능가했습니다.
균형 잡힌 위험 관리: 높은 수익률 창출에도 불구하고, 위험 관리 팀의 적극적인 개입 덕분에 모든 주식에서 최대 낙폭이 2.11% 이하로 엄격하게 통제되었습니다.

한계점 및 미해결 과제

높은 연산 및 API 비용: 하루 단위 예측에 대략 11회의 LLM 호출과 20회 이상의 도구 호출이 필요하여, 백테스트 시뮬레이션 기간이 3개월로 제한되었습니다.
극단적으로 높은 샤프 지수: 비정상적으로 높은 샤프 지수(>5.60~8.21)는 시스템에 급격한 하락세가 거의 없었던 테스트 기간을 반영하므로, 전체 시장 사이클과 약세장을 아우르는 다년간의 검증이 필요함을 시사합니다.
주문 체결 마찰 요인: 본 프레임워크는 실제 오더북에서의 슬리피지(slippage), 시장 충격 비용, 거래소 지연 시간, 거래 수수료 비용 등을 모델링하지 않고 깨끗하게 신호가 체결된다고 가정합니다.

핵심 용어

TradingAgents: 전문 트레이딩 회사의 계층적 역할, 분석 워크플로우 및 리스크 통제를 모델링하는 LLM 기반 멀티 에이전트 금융 트레이딩 프레임워크.
ReAct prompting framework: 추론('생각')과 행동('도구 호출')을 결합하여, LLM 에이전트가 환경 데이터를 반복적으로 검사하고 API를 쿼리하며 의사결정을 실행할 수 있도록 하는 기법.
Telephone effect: 여러 에이전트가 구조화되지 않은 긴 자연어 대화 로그만을 통해 소통할 때 발생하는 정보 저하, 컨텍스트 길이 포화 및 사실 왜곡 현상(말전달 왜곡 효과).
Analyst Team: 다중 모달 시장 신호를 독립적으로 수집하고 구조화된 보고서를 출력하는 4개의 전문 에이전트(기본적, 감성, 뉴스, 기술적 분석가) 그룹.
Researcher Team: 분석가들의 결과를 바탕으로 다회차 토론을 벌이는 대립 관계의 강세론자 및 약세론자 에이전트 쌍으로, 균형 잡힌 종합 의견을 도출하는 퍼실리테이터의 감독을 받음.
Risk Management Team: 펀드 매니저가 주문 실행을 최종 확정하기 전에 포트폴리오 노출도, 변동성, 손절매 기준을 심의하는 공격적, 보수적, 중립적 위험 분석가로 구성된 팀.
Cumulative Return (CR): 시뮬레이션 기간의 시작점부터 종료점까지 전체 포트폴리오 가치의 백분율 이익 또는 손실(누적 수익률).
Maximum Drawdown (MDD): 특정 기간 동안 포트폴리오 자산 가치에서 관찰된 최고점에서 최저점까지의 최대 백분율 하락폭(최대 낙폭).

자주 묻는 질문

TradingAgents의 백본으로 어떤 LLM이 사용되나요?

본 프레임워크는 계층화된 방식을 활용합니다. gpt-4o 및 gpt-4o-mini와 같이 신속한 모델은 데이터 검색 및 서식 지정을 처리하고, o1-preview와 같은 추론 모델은 분석가 보고서 작성, 리서처 토론, 트레이더 신호 생성 및 리스크 팀 심의를 주도합니다.

TradingAgents는 대화 기반 멀티 에이전트 시스템에서 나타나는 정보 손실 문제를 어떻게 해결하나요?

끝없이 길어지는 메시지 기록 체인을 구조화된 통신 프로토콜로 대체합니다. 에이전트들은 전역 상태(global state)에 저장된 간결하고 구조화된 보고서를 게시하고 읽으며, 자연어 대화는 집중적이고 범위가 한정된 다회차 토론으로만 엄격히 제한합니다.

백테스트 기간 동안 샤프 지수가 왜 그렇게 높게 나타났나요?

저자들은 3개월의 평가 기간(2024년 1월~3월) 동안 5.60에서 8.21에 이르는 샤프 지수를 기록했다고 밝혔으며, 해당 특정 백테스트 기간 동안 TradingAgents가 겪은 자산 가치 하락(pullback)이 거의 없었기 때문이라고 설명했습니다.

이 프레임워크는 어떤 데이터 소스를 수집하나요?

시스템은 일별 OHLCV 주가 데이터, 60개의 기술적 지표, SEC 재무 보고서, 내부자 거래 내역, EODHD/Finnhub/Bloomberg를 통한 뉴스 기사, Reddit 및 X(구 Twitter)의 소셜 미디어 게시글을 수집합니다.

이 페이지의 해설은 AI가 논문을 바탕으로 작성했으며 오류가 있을 수 있습니다. 자세한 내용은 원문을 확인하세요.

XYZNOT로 읽기 (전문 번역과 AI 해설)