TradingAgents: 멀티 에이전트 LLM 금융 트레이딩 프레임워크

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

TradingAgents는 실제 트레이딩 회사의 역학 관계를 모방하여 설계된 멀티 에이전트 금융 트레이딩 프레임워크이다. 기본적 분석가, 기술적 분석가, 리서처, 트레이더, 리스크 관리자 등 전문화된 역할을 가진 LLM 에이전트들이 협업하여 시장 상황을 평가하고 최적의 전략을 도출한다. LangGraph 기반으로 구축되어 모듈화된 구조를 가지며, OpenAI, Anthropic, DeepSeek 등 다양한 LLM 제공자와 로컬 모델(Ollama)을 지원한다. 최근 v0.2.4 업데이트를 통해 구조화된 출력 지원과 체크포인트 재개 기능이 추가되어 시스템의 안정성과 신뢰성이 향상됐다.

배경

Python 3.13 이상, LangGraph 및 멀티 에이전트 아키텍처에 대한 이해, OpenAI, Anthropic 등 주요 LLM API 키

대상 독자

LLM 기반 금융 서비스 개발자 및 퀀트 투자 연구자

의미 / 영향

이 프레임워크는 LLM이 단순한 챗봇을 넘어 복잡한 비즈니스 로직과 전문 지식이 결합된 자율 에이전트 시스템으로 진화하고 있음을 보여준다. 특히 금융과 같이 높은 신뢰도가 요구되는 분야에서 다수 에이전트 간의 '토론'과 '리스크 검증' 절차는 AI의 환각 현상을 억제하고 의사결정 품질을 높이는 실질적인 대안이 될 수 있다.

섹션별 상세

실제 금융 기업의 전문 역할을 LLM 에이전트로 구현하여 복잡한 트레이딩 과업을 분해했다. 기본적 분석가는 재무 지표를, 뉴스 분석가는 거시 경제를, 기술적 분석가는 RSI와 같은 지표를 분석하여 각자의 전문 영역에서 통찰을 제공한다.

TradingAgents 프레임워크의 전체 아키텍처 다이어그램 — Diagram시장 데이터, 소셜 미디어, 뉴스 등 다양한 소스가 입력되어 분석가 팀, 리서처 팀(강세/약세 토론), 트레이더, 리스크 관리 팀을 거쳐 최종 실행에 이르는 전체 워크플로를 시각화한다. 각 단계에서 OpenAI o1과 같은 모델이 어떻게 추론에 기여하는지 보여준다.

분석가 팀(Analyst Team)의 데이터 수집 및 요약 과정 — Infographic시장 지표(RSI, 볼린저 밴드), 소셜 감성 분석, 글로벌 경제 트렌드, 기업 재무 분석 등 4가지 핵심 영역에서 에이전트가 추출하는 주요 포인트와 요약 방식을 설명한다.

리서처 팀은 분석가들의 데이터를 바탕으로 강세(Bullish)와 약세(Bearish) 관점에서 구조화된 토론을 진행한다. 이 과정을 통해 잠재적 수익과 내재적 리스크 사이의 균형을 맞추며 최적의 투자 전략을 정교화한다.

리서처 팀의 강세(Bullish) vs 약세(Bearish) 토론 구조 — Diagram동일한 종목(Apple Inc.)에 대해 투자 잠재력과 리스크를 각각 대변하는 에이전트들이 서로 논쟁하며 투자 전망과 위험 요소를 도출하는 과정을 보여준다.

트레이더와 리스크 관리 팀이 최종 의사결정 및 실행 단계를 담당한다. 트레이더가 제안한 거래 안건을 리스크 관리 팀이 변동성과 유동성을 기준으로 평가하고, 포트폴리오 매니저의 최종 승인을 거쳐 시뮬레이션 거래소에서 실행되는 구조를 갖췄다.

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)

TradingAgents 패키지를 사용하여 특정 종목(NVDA)에 대한 트레이딩 의사결정을 실행하는 기본 예시

python

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["deep_think_llm"] = "gpt-5.4"
config["quick_think_llm"] = "gpt-5.4-mini"
config["max_debate_rounds"] = 2
ta = TradingAgentsGraph(debug=True, config=config)

LLM 제공자, 추론 모델 종류, 토론 횟수 등 에이전트 설정을 사용자 정의하는 방법

LangGraph를 활용해 에이전트 간의 워크플로를 유연하게 설계하고 상태 관리를 최적화했다. 체크포인트 기능을 통해 중단된 지점부터 재개할 수 있으며, 과거 결정 로그를 메모리에 저장하여 다음 분석 시 학습된 교훈을 반영하는 피드백 루프를 제공한다.

실무 Takeaway

단일 프롬프트 대신 분석-토론-검증으로 이어지는 멀티 에이전트 파이프라인을 구축하여 금융 의사결정의 논리적 타당성을 확보할 수 있다.
LangGraph의 체크포인트 기능을 활용하면 API 오류나 시스템 중단 시에도 긴 추론 과정을 처음부터 다시 시작할 필요가 없어 운영 비용을 절감할 수 있다.
과거의 결정과 수익률 결과를 메모리 로그로 관리하여 Portfolio Manager 프롬프트에 주입함으로써 에이전트가 과거의 실수를 반복하지 않도록 개선할 수 있다.

언급된 리소스

GitHubTradingAgents GitHub Repository

논문TradingAgents: Multi-Agents LLM Financial Trading Framework (arXiv)

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)

config = DEFAULT_CONFIG.copy() config["llm_provider"] = "openai" config["deep_think_llm"] = "gpt-5.4" config["quick_think_llm"] = "gpt-5.4-mini" config["max_debate_rounds"] = 2 ta = TradingAgentsGraph(debug=True, config=config)

TradingAgents: 멀티 에이전트 LLM 금융 트레이딩 프레임워크

핵심 요약

배경

대상 독자

의미 / 영향

섹션별 상세

실무 Takeaway

언급된 리소스

TradingAgents: 멀티 에이전트 LLM 금융 트레이딩 프레임워크

핵심 요약

배경

대상 독자

의미 / 영향

섹션별 상세

실무 Takeaway

언급된 리소스

관련 토론

댓글

관련 피드

관련 토론

댓글

관련 피드