멀티 LLM, 멀티 에이전트 기반 금융 트레이딩 프레임워크

2026년 10월 / KPC AX 대구 AI 애플리케이션 빌드 워크숍 중간 산출물

핵심 요약 (Executive Summary)

멀티 LLM, 멀티 에이전트 기반 금융 트레이딩 프레임워크

최신 대형 언어 모델(LLM)을 금융 투자, 리서치, 자산 관리 및 자율 트레이딩 시스템에 접목한 두 가지 핵심 오픈소스 프레임워크인 TradingAgents (TauricResearch)와 Claude for Financial Services (Anthropics)의 구조, 기능, 데이터 연동 방식 및 실행 메커니즘을 종합적으로 분석합니다.

TradingAgents: 실제 금융 회사의 구조를 모방한 다중 에이전트(Multi-Agent) 자율 트레이딩 프레임워크입니다. Analyst, Researcher, Trader, Risk Management/Portfolio Manager로 분화된 에이전트들이 동적 토론 및 시뮬레이션을 수행하여 최적의 매매 결정을 도출합니다. SEC EDGAR 기반의 과거 시점 무결성(Point-in-time integrity) 보장, 메모리 로그 기반의 성과 회고(Reflection), LangGraph 체크포인트 복구 및 다중 LLM 제공자 지원이 특징입니다.
https://github.com/tauricresearch/tradingagents
Claude for Financial Services: 투자은행(IB), 주식 리서치(ER), 사모펀드(PE), 펀드 행정(Fund Admin), 자산 관리(WM) 등 금융 실무 워크플로우 자동화를 위한 참조 에이전트, 스킬, MCP 데이터 커넥터 모음입니다. Claude Cowork 플러그인 또는 Claude Managed Agents API를 통해 배포 가능하며, 인간 전문가의 최종 승인을 전제로 한 작업 산출물 생성(Human-in-the-loop)을 규정하고 있습니다.
https://github.com/anthropics/financial-services

두 프레임워크는 전문 에이전트 간 역할 분담, 외부 금융 데이터(MCP, FRED, EDGAR 등)와의 엄격한 접목, **모델 이원화(Quick-think / Deep-think)**라는 공통적인 아키텍처 패턴을 공유하며, LLM 기반 금융 시스템의 핵심 표준을 제시하고 있습니다.

1. TradingAgents: 다중 에이전트 LLM 금융 트레이딩 프레임워크

1.1 개요 및 목적

TradingAgents는 실제 자산운용사나 헤지펀드의 의사결정 체계를 모방하여 설계된 연구용 다중 에이전트 프레임워크입니다. 단순한 단일 LLM 프롬프팅 방식에서 벗어나, 분야별로 특화된 에이전트들이 데이터를 분석하고 상호 대립적 토론을 거쳐 검증된 트레이딩 결정을 내리도록 구성되어 있습니다.

1.2 에이전트 팀 구조 및 역할 분담

[Analyst Team] ──> [Researcher Team] ──> [Trader Agent] ──> [Risk & Portfolio Manager]
 (기초/감성/뉴스/기술)   (강세 vs 약세 토론)       (매매 제안)        (리스크 검증 & 최종 승인)

분석가 팀 (Analyst Team): 개별 도구를 활용해 동시 다발적으로 데이터를 수집 및 분석합니다.
- Fundamentals Analyst: 기업 재무제표 및 성과 지표 분석, 내재 가치 측정 및 잠재적 위험 요소(Red flags) 식별.
- Sentiment Analyst: 뉴스 헤드라인, StockTwits, Reddit의 반응을 수집하여 단기 시장 심리 측정. TypeSafe의 Jev 스크리닝을 통해 관련성 없는 게시물을 제거하고 스탠스(강세, 약세, 중립, 불명확)를 분류함.
- News Analyst: 글로벌 뉴스 및 FRED 거시경제 지표 모니터링, 이벤트가 시장 조건에 미치는 영향 해석.
- Technical Analyst: MACD, RSI 등 기술적 지표를 활용하여 트레이딩 패턴 감지 및 가격 변동 예측.
연구원 팀 (Researcher Team):
- 강세론자(Bullish) 및 약세론자(Bearish) 연구원으로 구성되어 분석가 팀의 보고서를 비판적으로 평가합니다.
- 구조화된 대립 토론(Debate)을 통해 잠재적 수익과 내재된 리스크 사이의 균형을 도출합니다.
트레이더 에이전트 (Trader Agent):
- 분석가 및 연구원 팀의 보고서를 종합하여 거래 시점 및 거래 규모를 결정합니다.
리스크 관리 및 포트폴리오 매니저 (Risk Management & Portfolio Manager):
- 시장 변동성, 유동성 등 리스크 요인을 지속적으로 평가합니다.
- 리스크 관리 팀의 평가 보고서를 바탕으로 포트폴리오 매니저가 최종 거래 제안을 승인하거나 거부합니다. 승인된 주문은 시뮬레이션 거래소로 전송되어 실행됩니다.

1.3 데이터 무결성 및 시스템 아키텍처

과거 시점(Point-in-Time) 데이터 무결성:
- 미국 기업의 경우 SEC EDGAR 데이터를 조회하여, 해당 분석 날짜 시점에 실제 공시된 수치만을 읽어옵니다 (재작성된 데이터나 공시 전 분기 데이터의 룩어헤드 편향 방지).
- Yahoo Finance 데이터는 기간 기준으로 날짜가 지정되므로 과거 시점 실행 시 정보 접근이 제한(Withheld)되어 데이터 왜곡을 방지합니다.
- 주가 및 지표 주장이 정확한 데이터 스냅샷에 기반하도록 고정됩니다.
포트폴리오 맥락 인식 (Portfolio Context):
- 현금(Cash), 통화(Currency), 보유 주식 수량 및 평균 단가를 포함하는 PortfolioContext를 주입하여 실제 보유 잔고를 기준으로 매매 제안을 수립할 수 있습니다.
지속성 및 복구 메커니즘 (Persistence & Recovery):
- 메모리 로그 (Memory Log): 완료된 모든 실행 결과는 trading_memory.md에 기록됩니다. 보유 기간이 지난 결정에 대해 알파(Alpha) 성과 및 실현 수익률을 측정하고 한 단락의 회고(Reflection)를 생성하여 향후 의사결정에 반영합니다.
- 체크포인트 복구 (Checkpoint Resume): LangGraph를 기반으로 SQLite 데이터베이스(~/.tradingagents/cache/checkpoints/)에 노드별 상태를 저장하여, 중단 시 이전 성공 단계부터 재개할 수 있습니다.

1.4 LLM 제공자 및 이원화(Two-Tier) 설정

TradingAgents는 단일 API에 의존하지 않고 다중 LLM 제공자를 지원하며, 작업 복잡도에 따라 모델을 이원화하여 운용합니다.

분류	지원 제공자 / 모델	주요 역할
Quick-Think LLM	GPT-6 Luna, OpenAI, Google Gemini, Anthropic Claude, xAI Grok, DeepSeek, Qwen, GLM, MiniMax, OpenRouter, Mistral, Moonshot Kimi, Groq, NVIDIA NIM, Ollama(로컬)	분석가, 연구원, 토론자, 트레이더 등 신속한 데이터 처리가 필요한 역할
Deep-Think LLM	GPT-6 Sol, Claude Opus 5.5 등 고성능 추론 모델	리서치 매니저, 포트폴리오 매니저 등 복합 추론 및 최종 의사결정 역할
특수 접속 방식	ChatGPT 구독 플랜 로그인(`tradingagents login chatgpt`), AWS Bedrock, Enterprise Azure OpenAI, vLLM/LM Studio 등 OpenAI 호환 엔드포인트	엔터프라이즈 환경 및 보유 플랜 직접 연동

2. Claude for Financial Services: 금융 서비스 전용 에이전트 및 스킬 에코시스템

2.1 개요 및 배포 방식

Anthropics에서 제공하는 Claude for Financial Services는 투자은행, 주식 리서치, 사모펀드, 펀드 행정 등 금융권 핵심 워크플로우를 자동화하기 위해 모듈화된 참조 에이전트, 스킬, 커넥터 집합입니다. 동일한 시스템 프롬프트와 스킬 소스를 바탕으로 두 가지 배포 경로를 제공합니다.

Claude Cowork 플러그인: 웹 UI 상에서 사용자가 플러그인을 추가하여 즉시 /comps, /dcf 등의 슬래시 커맨드를 실행하는 방식.
Claude Managed Agents API: /v1/agents 엔드포인트를 통해 내부 워크플로우 엔진 및 오케스트레이터와 직접 결합하여 비대면/무인(Headless) 형태로 배포하는 방식.

책임 한계 고지 (Disclaimer): 본 에이전트 시스템이 생성하는 모든 출력물(모델, 메모, 리서치 노트, 대조표)은 자격 있는 전문가의 검토를 위한 초안(Draft)입니다. 에이전트가 직접 투자 권고, 거래 실행, 리스크 확정, 장부 기장, 온보딩 승인을 독립적으로 수행하지 않으며, 반드시 인간의 승인(Human sign-off)을 거치도록 설계되었습니다.

2.2 명칭 지정 워크플로우 에이전트 (Named Agents)

분야	에이전트 명칭	주요 수행 업무
커버리지 & 자문	Pitch Agent	피어 Comps, 과거 거래 사례(Precedents), LBO 모델 수립부터 브랜드 피치덱 생성까지 완결
	Meeting Prep Agent	고객 미팅 전 브리핑 패키지 및 자료 작성
리서치 & 모델링	Market Researcher	섹터/테마 분석, 산업 개요, 경쟁 구도, 피어 그룹 비교, 아이디어 숏리스트 작성
	Earnings Reviewer	실적 발표 콜 및 공시 서류 분석 \rightarrow 모델 업데이트 \rightarrow 리포트 노트 초안 작성
	Model Builder	Excel 상에서 DCF, LBO, 3-Statement, Comps 모델 실시간 구축
펀드 행정 & 재무	Valuation Reviewer	GP 패키지 수집, 가치평가 템플릿 실행, LP 보고용 자료 준비
	GL Reconciler	총계정원장 불일치(Breaks) 발견, 근본 원인 추적 및 승인 라인 라우팅
	Month-End Closer	미지급비용(Accruals), 이월 계상(Roll-forwards), 변동성 해설 작성
	Statement Auditor	LP 보고서 배포 전 감사 및 검증
운영 & 온보딩	KYC Screener	온보딩 문서 파싱, 룰 엔진 실행, 미비점 및 갭 식별

2.3 세로형(Vertical) 스킬 및 커맨드 참조

핵심 공통 스킬 모듈인 financial-analysis를 기반으로, 개별 업무 세로군(Vertical)에 맞춘 커맨드 및 스킬이 결합됩니다.

[financial-analysis (핵심 코어 모듈)]
  ├── 11개 데이터 MCP 커넥터 연동
  ├── Excel 모델링, 모델 감사 및 덱 QC 스킬
  └── 기본 커맨드 (/comps, /dcf, /lbo, /debug-model 등)
       │
       ├──> investment-banking (/cim, /teaser, /buyer-list, /merger-model 등)
       ├──> equity-research (/earnings, /initiate, /model-update, /sector 등)
       ├──> private-equity (/source, /screen-deal, /ic-memo, /returns 등)
       ├──> fund-admin (GL 대조, 미지급금, NAV 타이트아웃)
       └──> claude-for-financial-advisors (CRM, 포트폴리오, 상속 연동)

주요 분야별 핵심 스킬 및 슬래시 커맨드

Financial Analysis (코어 모듈):
- /comps: 비교기업 분석 및 거래 멀티플 산출
- /dcf: WACC 및 민감도 분석을 포함한 DCF 가치평가
- /lbo: 차입매수(LBO) 모델링
- /debug-model: Excel 모델 공식 추적, 하드코딩 감지, 재무상태표 균형 감사
- /ppt-template: 재사용 가능한 템플릿 스킬 생성 및 슬라이드 QC
Investment Banking:
- /one-pager: 피치북용 1페이지 기업 프로필 생성
- /cim: 비밀유지 정보기억서(CIM) 작성
- /teaser: 비공개 기업 투자 투자유치용 티저 작성
- /buyer-list: 전략적(SI) 및 재무적(FI) 인수 후보군 도출
- /merger-model: M&A 인수 후 주당순이익 희석/증대(Accretion/Dilution) 분석
Equity Research:
- /earnings / /earnings-preview: 실적 발표 후 업데이트 및 발표 전 시나리오 분석
- /initiate: 신규 종목 커버리지 개시 보고서 작성
- /thesis / /catalysts: 투자 아이디어 검증, 주가 촉매제 및 리서치 아이디어 스크리닝 (/screen)
Private Equity:
- /source / /screen-deal: 딜 발굴, CRM 확인, 타겟 스크리닝 및 패스/파일 판단
- /unit-economics: 코호트 분석, LTV/CAC, 매출 유지율 평가
- /returns / /ic-memo: IRR/MOIC 민감도 표 작성 및 투자심의위원회(IC) 메모 작성
- /value-creation: 인수 후 100일 계획 및 EBITDA 개선 교량 작성

2.4 MCP (Model Context Protocol) 및 데이터 커넥터

financial-analysis 코어 플러그인에는 주요 금융 데이터 제공업체의 엔드포인트와 표준화된 프로토콜로 직접 연결되는 12개 MCP 커넥터가 내장되어 있습니다.

데이터 제공업체	엔드포인트 URL / 제공 데이터 특성
Daloopa	`https://mcp.daloopa.com/server/mcp`
Morningstar	`https://mcp.morningstar.com/mcp`
S&P Global	`https://kfinance.kensho.com/integrations/mcp` (Capital IQ 데이터)
FactSet	`https://mcp.factset.com/mcp`
Moody’s	`https://api.moodys.com/genai-ready-data/m1/mcp`
MT Newswires	`https://vast-mcp.blueskyapi.com/mtnewswires`
Aiera	`https://mcp-pub.aiera.com`
LSEG	`https://api.analytics.lseg.com/lfa/mcp` (채권 RV, 스왑 곡선, FX 캐리 등)
PitchBook	`https://premium.mcp.pitchbook.com/mcp`
Chronograph	`https://ai.chronograph.pe/mcp`
Egnyte / Box	문서 저장소 연동 엔드포인트

2.5 Microsoft 365 엔터프라이즈 통합 (`claude-for-msft-365-install`)

기업 내부 환경의 Excel, PowerPoint, Word, Outlook 내에서 Claude를 구동하기 위한 설치 툴킷을 제공합니다. Anthropic의 직접 API 대신 기업 전용 클라우드(AWS Bedrock, GCP Vertex AI, 자체 내부 LLM 게이트웨이)와 연동할 수 있도록 매니페스트 생성, Azure 관리자 동의 처리 및 Microsoft Graph 기반 사용자 라우팅을 지원합니다.

3. 프레임워크 핵심 비교 및 종합 분석

두 플랫폼의 주요 아키텍처 특성과 운용 방식을 비교한 요약은 다음과 같습니다.

비교 항목	TradingAgents (TauricResearch)	Claude for Financial Services (Anthropics)
주요 목적	시뮬레이션 기반 자율 다중 에이전트 매매 및 리서치	금융 시장 실무자를 위한 업무 자동화 및 산출물 생성
에이전트 제어 방식	LangGraph 기반 동적 토론, 상태 전이 및 평가 시스템	Cowork 플러그인 및 Managed Agents API (YAML 스펙)
사람의 개입 (Human Loop)	시뮬레이션 내 자율 승인 (포트폴리오 매니저 역할)	필수적 개입 규정 (모든 생성물은 초안으로 제공됨)
데이터 연동 방식	SEC EDGAR, FRED, Alpha Vantage, Yahoo, Jev 스크리닝	MCP (Model Context Protocol) 12개 커넥터 중앙집중형 연동
데이터 시간 무결성	과거 시점(Point-in-Time) 엄격 적용 (EDGAR 원본 조회)	실시간 API 연동 중심 (S&P, FactSet, LSEG 등)
LLM 모델 전략	Quick-Think / Deep-Think 역할별 다중 모델 및 바이패스 지원	Claude 시리즈 중심 (Bedrock, Vertex AI, 엔터프라이즈 MS 365 연동)
의사결정 피드백	메모리 로그 기반 실현 수익률 평가 및 Reflection 자동 반영	사용자 프롬프트 수정, firm-context 반영 및 템플릿 커스텀

결론 및 시사점

금융 LLM의 필수 조건, 데이터 접지(Grounding): 두 시스템 모두 LLM의 환각(Hallucination)을 방지하기 위해 엄격한 데이터 접지 메커니즘을 사용합니다. TradingAgents는 시장 데이터 스냅샷과 SEC 공시 시점 고정을 통해 가격 왜곡을 막고, Claude FSI는 MCP를 이용해 검증된 외부 데이터베이스의 수치를 직접 조회하여 계산에 활용합니다.
모듈화된 역할 분담: 단일 프롬프트 형태의 분석 방식에서 벗어나 분석(Analyst), 비판 및 검증(Researcher/Auditor), 최종 승인(Manager) 단계로 체인 또는 그래프를 형성할 때 금융 업무의 신뢰성이 극대화됩니다.
엔터프라이즈 수용성: 실제 금융 업무 환경에 적용할 때에는 과거 데이터로 전략을 검증할 수 있는 백테스팅 스케줄러(TradingAgents 방식)와 기존 MS Office 및 전문 데이터 인프라와의 결합(Claude FSI 방식)이 병행되어야 합니다.

참고자료

2027 AX 인사이트 (KPC / 12H)

멀티 LLM 투자 실행 에이전트 실험
He Told 5 AIs: Make Money or Get Deleted

미국 개인투자자가 GPT, Claude, Gemini, Grok, Perplecity 기반 투자 에이전트를 빌드하고 에이전트마다 1000달러 시드머니 제공 후 몇 달간 경쟁적으로 투자실행 실험한 후기 공유