TradingAgents: 멀티에이전트 금융 트레이딩 시스템 구현

2026.05.05 / 동준상.넥스트플랫폼
(AWS SAA, AWS AIF, GCP GenAI Leader)

Building a Multi-Agent Trading System: Inside TradingAgents

핵심 요약 (Executive Summary)

이번 포스트에서는 대규모 언어 모델(LLM)을 활용하여 실제 금융 기업의 조직 역학을 시뮬레이션하는 ‘TradingAgents’ 프레임워크에 대한 분석과 이를 활용한 실험적 접근 방식을 제시합니다.

TradingAgents는 기존의 규칙 기반 알고리즘 트레이딩의 한계를 넘어, 멀티에이전트 구조를 통해 펀더멘털, 뉴스, 센티먼트 등 비정형 데이터를 통합 분석하고 에이전트 간의 토론을 통해 의사결정을 도출
주요 특징으로: 애널리스트, 리서처, 트레이더, 리스크 관리자로 구성된 4개 레이어의 협업 구조와 강세/약세 리서처 간의 ‘토론 라운드’를 통한 수익 및 리스크 평가
LangGraph 기반의 모듈식 설계를 통해 다양한 LLM(GPT, Claude, Gemini 등)을 교체하며 실험할 수 있는 유연성을 제공
향후 연구 및 실무 적용 연습: 모델별 성능 비교, 토론 횟수에 따른 의사결정 품질 분석, 그리고 한국 시장 특화 모델(K-TradingAgent) 구축

TradingAgents 특징 및 AI 트레이딩 실험

실험/분석 항목	대상 모델 또는 설정	핵심 기술 특징	의사결정 방식
TradingAgents 의 특징	멀티에이전트 LLM 프레임워크	4개 레이어(애널리스트, 리서처, 트레이더, 리스크 관리) 모듈 구조	불리시/베어리시 에이전트 간의 구조화된 토론 후 합의
실험1: 모델별 트레이더 성향 대결	Claude vs GPT vs Gemini	동일 종목/날짜 조건에서 deep_think_llm 엔진 변경	각 모델 고유의 판단 로직에 따른 매매 결정
실험2: 토론 숙의성 영향 평가	max_debate_rounds (1, 3, 5)	토론 라운드 횟수 설정을 통한 의사결정 깊이 조절	라운드 수에 따른 결론 수렴 및 숙의 과정 수행
실험3: K-트레이딩 에이전트 구현	한국 주식 및 한국어 뉴스 소스 통합	네이버 금융 뉴스 RSS/한국경제 API 등 데이터 소스 교체	한국 시장 특수성(정책, 환율, 지정학) 해석
비교: 기존 알고리즘 트레이딩	규칙 기반 자동화 시스템	RSI, MACD 등 정량 데이터 기반 if-then 규칙 설계	사전에 고정된 코드로 자동 매매 신호 출력

표: TradingAgents 특징 및 AI 트레이딩 실험

1. TradingAgents의 기술적 특징 및 아키텍처

TradingAgents는 단순히 매매 신호를 생성하는 프로그램을 넘어, 실제 트레이딩 펌(Trading Firm)의 조직 구조를 모방한 멀티에이전트 LLM 시스템이다.

1.1 4단계 멀티에이전트 협업 구조

의사결정 프로세스는 다음과 같은 전문화된 4개 팀의 순차적 협업으로 이루어진다.

애널리스트 팀 (Analyst Team): 다양한 측면에서 시장 데이터를 독립적으로 분석한다.
- 펀더멘털 애널리스트: 재무제표 및 내재가치 분석.
- 센티먼트 애널리스트: 소셜 미디어 및 시장 감성 분석.
- 뉴스 애널리스트: 거시경제 이벤트 및 뉴스 분석.
- 기술 애널리스트: MACD, RSI 등 기술적 지표 분석.
리서처 팀 (Researcher Team): 시스템의 핵심 차별점으로, **불리시(Bullish, 강세)**와 베어리시(Bearish, 약세) 리서처가 애널리스트의 보고서를 바탕으로 구조화된 토론을 진행한다. 이를 통해 잠재적 수익과 리스크를 균형 있게 평가한다.
트레이더 에이전트 (Trader Agent): 이전 단계의 보고서와 토론 결과를 종합하여 구체적인 매매 타이밍과 규모를 결정한다.
리스크 관리 및 포트폴리오 매니저 (Risk Management + PM): 시장의 변동성과 유동성을 최종적으로 평가하며, 포트폴리오 매니저의 승인을 거쳐 시뮬레이션 거래소에 주문을 전송한다.

1.2 핵심 메커니즘: 토론 라운드 (Debate Round)

에이전트 간의 ‘max_debate_rounds’ 설정값에 따라 토론 횟수를 조정할 수 있다. 서로 다른 관점을 가진 에이전트들이 반박과 수렴 과정을 반복함으로써 의사결정의 논리적 타당성을 확보하며, 이는 단순 규칙 기반 시스템에서는 불가능한 불확실성 처리 능력을 제공한다.

2. 기존 알고리즘 트레이딩과의 비교

전통적인 알고리즘 트레이딩은 사람이 설계한 고정된 규칙(if-then)에 따라 작동하는 반면, TradingAgents는 LLM의 추론 능력을 바탕으로 유연하게 대응한다.

항목	기존 알고리즘 트레이딩	TradingAgents (LLM 기반)
의사결정 방식	if-then 규칙 기반 자동화	멀티에이전트 간 토론 후 합의
처리 데이터	주가, 거래량 등 정량 데이터 중심	뉴스, 감성, 재무, 기술 지표 통합 (정성+정량)
시장 환경 적응	환경 변화 시 규칙 재설계 필요	프롬프트 조정을 통해 유연하게 적응
불확실성 처리	명확한 처리 메커니즘 부재	강세/약세 에이전트 간 교차 검증
설명 가능성	낮음 (블랙박스 규칙)	높음 (에이전트 보고서를 통한 추적 가능)
백엔드 기술 Stack	수식 및 통계 모델	LLM (OpenAI, Anthropic, Google 등 지원)

3. 실험적 확장을 위한 전략적 제안

TradingAgents의 유연한 구조를 활용하여 모델 성능, 비용 효율성, 시장 특수성을 검증할 수 있는 세 가지 실험 아이디어를 제안한다.

3.1 모델별 트레이딩 성향 및 성능 비교 (Model Battle)

동일한 종목과 시점 조건하에서 백본 LLM(Claude vs GPT vs Gemini 등)만을 변경하여 결과를 비교한다.

핵심 지표: 모델별 리스크 판단 성향(보수적 vs 공격적), 최종 수익률, 의사결정 근거의 논리성.
기대 효과: 모델별 특성을 파악하여 특정 시장 상황에 최적화된 모델을 선정할 수 있는 데이터 확보.

3.2 토론 라운드 수와 의사결정 품질의 상관관계 분석

‘max_debate_rounds’를 1회, 3회, 5회 등으로 가변 설정하여 동일 기간 백테스트를 수행한다.

분석 포인트: “더 많은 토론이 항상 더 나은 수익률로 이어지는가?”에 대한 검증.
기대 효과: API 호출 비용과 결정 품질 사이의 최적점(Trade-off) 발견 및 비용 최적화 전략 수립.

3.3 한국 시장 특화 에이전트 (K-Trading Agent) 구축

현재 미국 주식 데이터 중심인 시스템을 한국 시장 데이터 소스로 교체하여 현지화된 모델을 구축한다.

수행 과제: 데이터 소스를 한국 경제 뉴스 API, 네이버 금융 뉴스 RSS 등으로 교체하고 삼성전자 등 국내 주요 종목에 적용.
기대 효과: 지정학적 리스크, 환율 등 한국 시장 특유의 변수를 LLM이 어떻게 해석하는지 확인하고, 한국어 감성 분석에 강점이 있는 모델(예: Claude)의 성능을 검증.

4. 기술적 스택 및 시사점

TradingAgents는 LangGraph를 기반으로 구현되어 모듈성이 뛰어나며, OpenRouter나 Ollama 등을 통해 다양한 LLM 인프라를 지원한다. 이를 통해 특정 역할에는 성능이 높은 모델을, 단순 분석에는 비용 효율적인 모델을 배정하는 식의 최적화가 가능하다.

주의사항: TradingAgents 프레임워크는 연구 목적으로 설계되었으며, 실제 금융 투자 조언을 대체할 수 없다. 하지만 LLM의 추론 과정을 텍스트 보고서로 확인할 수 있다는 점은 기존 금융 공학의 낮은 설명 가능성 문제를 해결할 수 있는 중요한 가능성을 시사한다.