이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
TradingAgents는 금융 분석을 Fundamental Analyst, Sentiment Analyst, News Analyst, Technical Analyst, Researcher, Trader, Risk Management, Portfolio Manager 같은 역할로 나눠 LLM 에이전트들이 협업하는 오픈소스 프레임워크입니다. 분석가들이 회사 재무·사회적 감정·뉴스·거시경제·기술 지표를 수집하면 Bullish·Bearish 연구자가 토론하고, Trader가 거래 제안을 만들며 Risk Management와 Portfolio Manager가 승인 여부를 결정해 simulated exchange로 전달합니다. LangGraph 기반 구조는 여러 LLM 제공자와 로컬 모델, 결정 로그, 선택적 체크포인트 재개를 지원하지만, LLM 샘플링과 실시간 뉴스·사회적 데이터 때문에 같은 종목과 날짜에도 결과가 달라질 수 있습니다. 프로젝트는 투자 조언이 아닌 연구용 도구이며, 백테스트 수익률도 모델·온도·기간·데이터 품질에 따라 달라집니다.
섹션별 상세
TradingAgents는 실제 금융회사의 역할 분담을 본떠 복잡한 거래 분석을 전문 에이전트로 분해합니다. Fundamental Analyst는 재무와 성과 지표에서 내재가치와 위험 신호를 찾고, Sentiment Analyst는 뉴스 헤드라인·StockTwits·Reddit을 모아 단기 시장 분위기를 계산합니다. News Analyst는 글로벌 뉴스와 거시경제 지표를 해석하고 Technical Analyst는 MACD와 RSI 같은 지표로 추세와 가격 패턴을 평가해 이후 연구와 거래 판단에 필요한 입력을 만듭니다.
Analyst Team의 결과는 Bullish와 Bearish Researcher에게 넘어가 구조화된 토론으로 재평가됩니다. 두 연구자는 상승 가능성과 위험을 서로 다른 방향에서 비교한 뒤 보고서를 만들고, Trader Agent는 이 자료를 조합해 거래 시점과 규모를 결정합니다. 이렇게 역할별 분석과 반대 관점의 검증을 연결해 단일 LLM 호출이 바로 주문으로 이어지지 않도록 설계했습니다.
bash
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
Create a virtual environment in any of your favorite environment managers:
conda create -n tradingagents python=3.12
conda activate tradingagents
Install the package and its dependencies:
pip install .TradingAgents 저장소를 복제하고 Python 3.12 Conda 환경을 만든 뒤 패키지와 의존성을 설치합니다.
Risk Management 팀은 시장 변동성·유동성·기타 위험 요인을 기준으로 거래 제안을 다시 평가하고, Portfolio Manager가 최종 승인 또는 거부를 내립니다. 승인된 주문만 simulated exchange로 전송되어 실행되므로 실제 금융시장 주문과 연구용 실행 단계를 분리합니다. 저장소는 선택한 모델, temperature, 거래 기간, 데이터 품질에 따라 성과가 달라지며 투자·금융·거래 조언이 아니라고 명시합니다.
프레임워크는 LangGraph로 에이전트와 상태 흐름을 모듈화하고 OpenAI, Google, Anthropic, xAI, DeepSeek, Qwen, GLM, MiniMax, OpenRouter, Ollama, Azure OpenAI 및 OpenAI 호환 서버를 연결합니다. CLI에서는 종목, 분석 날짜, LLM 제공자, 연구 깊이를 선택할 수 있고 Yahoo Finance가 지원하는 시장의 거래소 접미사 종목을 처리합니다. 로컬 실행은 Ollama를 사용하거나 vLLM·LM Studio·llama.cpp 같은 OpenAI 호환 엔드포인트를 지정하는 방식으로 구성합니다.
python
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())
# forward propagate
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)TradingAgentsGraph 객체를 초기화하고 NVDA와 분석 날짜를 propagate에 전달해 거래 결정을 출력합니다.
python
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai" # e.g. openai, google, anthropic, deepseek, groq, ollama; openai_compatible covers any OpenAI-compatible endpoint (vLLM, LM Studio, llama.cpp, ...)
config["deep_think_llm"] = "gpt-5.6" # Model for complex reasoning
config["quick_think_llm"] = "gpt-5.6-luna" # Model for quick tasks
config["max_debate_rounds"] = 2
ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)LLM 제공자와 심층·단순 추론 모델, 연구자 토론 라운드 수를 설정한 뒤 분석을 실행합니다.
실행 상태는 두 방식으로 유지됩니다. 완료된 분석은 ~/.tradingagents/memory/trading_memory.md에 결정 로그를 추가하고, 같은 종목의 실현 수익률과 SPY 대비 alpha를 이용한 회고를 다음 Portfolio Manager 프롬프트에 주입합니다. --checkpoint를 켜면 LangGraph가 각 노드 뒤에 상태를 SQLite로 저장해 중단된 실행을 마지막 성공 단계부터 재개하며, 정상 완료 뒤 체크포인트를 자동으로 정리합니다.
bash
tradingagents analyze --checkpoint # enable for this run
tradingagents analyze --clear-checkpoints # reset before running분석 실행을 체크포인트 모드로 시작하거나 기존 체크포인트를 초기화합니다.
동일 종목과 날짜를 반복 분석해도 결과가 고정되지 않는 점은 이 도구의 중요한 제약입니다. LLM 제공자의 샘플링과 추론 모델의 내부 추론 변동, 시간이 지나며 바뀌는 뉴스·StockTwits·Reddit 입력이 서로 다른 결과를 만듭니다. 분석 날짜는 가격과 지표 창을 고정하지만 현재 시점의 사회적·뉴스 데이터까지 고정하지 않으며, temperature를 낮춰도 추론 모델은 이를 거의 따르지 않을 수 있어 비추론 Custom model ID가 더 재현성 높은 선택으로 제시됩니다.
python
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["temperature"] = 0.0 # Reasoning models ignore temperature. For tighter reproducibility, set a
# non-reasoning deep/quick model explicitly (e.g. via the Custom model ID option).temperature를 0.0으로 설정하고 비추론 모델을 선택해 동일 입력에서 결과 변동을 줄이는 구성을 보여줍니다.
용어 해설
- 다중 에이전트 시스템(Multi-Agent System)
- — 여러 AI 에이전트가 서로 다른 역할을 맡아 하나의 복합 작업을 처리하는 구조입니다. 각 에이전트가 입력 자료를 분석하고 결과를 다음 역할에 전달하며, TradingAgents에서는 분석가·연구자·Trader·Risk Management·Portfolio Manager가 순차적 또는 협업 방식으로 거래 판단을 구성합니다.
- LangGraph
- — LLM 애플리케이션의 상태와 작업 흐름을 그래프 형태로 구성하는 Python 라이브러리입니다. TradingAgents는 각 분석·토론·거래·위험 관리 단계를 노드로 배치하고, 체크포인트 저장과 중단 지점 재개에 활용합니다.
- 기술적 지표(Technical Indicator)
- — 가격과 거래 데이터를 계산해 시장 추세나 매매 신호를 파악하는 지표입니다. 이 프레임워크의 Technical Analyst는 MACD와 RSI 같은 지표를 이용해 패턴과 가격 움직임을 평가하고 다른 분석 결과와 결합합니다.
- 체크포인트 재개(Checkpoint Resume)
- — 긴 작업의 각 처리 단계 상태를 저장해 중단이나 오류가 발생해도 마지막 성공 지점부터 실행을 이어가는 방식입니다. TradingAgents는 LangGraph 상태를 노드별로 저장하며, --checkpoint 옵션과 SQLite 데이터베이스로 실행 복구를 지원합니다.
- 미래 정보 편향(Look-Ahead Bias)
- — 과거 시점의 의사결정에 당시 알 수 없었던 미래 데이터를 사용해 백테스트 결과가 실제보다 좋아지는 오류입니다. TradingAgents는 FRED·Alpha Vantage·사회적 감정 데이터와 결정 로그에 대한 시점 검증과 필터링을 추가해 이 문제를 줄이는 방향으로 개선되었습니다.
기술
- LangGraph
- Python
- Docker
- Conda
- Yahoo Finance
- StockTwits
- FRED
- Alpha Vantage
- Ollama
- vLLM
- LM Studio
- llama.cpp
- OpenAI
- Google Gemini
- Anthropic Claude
- xAI Grok
- DeepSeek
- Qwen
- GLM
- MiniMax
- OpenRouter
- Azure OpenAI
- AWS Bedrock
- SQLite
활용 사례
- 종목별 fundamental·sentiment·news·technical 분석
- Bullish·Bearish 연구자 토론을 통한 투자 가설 비교
- LLM 기반 거래 의사결정 연구
- 다양한 LLM 제공자와 로컬 모델의 금융 분석 실험
- 결정 로그와 백테스트를 활용한 반복 분석
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 09. 08.수집 2026. 09. 08.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
