[논문 리뷰] Designing Agentic AI-Based Screening for Portfolio Investment

Mehmet Caner, Agostino Capponi외 2명|arXiv (Cornell University)|2026. 03. 24.

Stock Market Forecasting Methods인용 수 0

한 줄 요약

논문은 두 LLM 기반 주식 스크리너(펀더멘털과 센티멘트)와 고차원 정밀도 행렬 가중치를 포함한 에이전트적 AI 프레임워크를 구축하고, 합리적 스크리닝을 도입하며 S&P 500 데이터(2020–2024 및 2015–2024)에서 샤프 비율 향상을 보여준다.

ABSTRACT

We introduce a new agentic artificial intelligence (AI) platform for portfolio management. Our architecture consists of three layers. First, two large language model (LLM) agents are assigned specialized tasks: one agent screens for firms with desirable fundamentals, while a sentiment analysis agent screens for firms with desirable news. Second, these agents deliberate to generate and agree upon buy and sell signals from a large portfolio, substantially narrowing the pool of candidate assets. Finally, we apply a high-dimensional precision matrix estimation procedure to determine optimal portfolio weights. A defining theoretical feature of our framework is that the number of assets in the portfolio is itself a random variable, realized through the screening process. We introduce the concept of sensible screening and establish that, under mild screening errors, the squared Sharpe ratio of the screened portfolio consistently estimates its target. Empirically, our method achieves superior Sharpe ratios relative to an unscreened baseline portfolio and to conventional screening approaches, evaluated on S&P 500 data over the period 2020--2024.

연구 동기 및 목표

• 포트폴리오 구성을 두 단계 프로세스로 동기부여한다: 주식 스크리닝과 가중치 최적화.
• 펀더멘털 분석과 센티멘트 분석을 결합한 다중 에이전트 AI 아키텍처를 개발하여 주식 스크리닝을 수행한다.
• 합리적 스크리닝의 개념과 이론적 샤프-비율 일관성을 도입한다.
• 시장 환경에 걸친 벤치마크 및 대체 방법에 대해 프레임워크를 경험적으로 검증한다.

제안 방법

• 펜듈럼 두 전문 AI 에이전트( fundamentals용 LLM-S, 센티멘트용 FinBERT)와 자산 선정을 위한 합의 규칙이 있는 3계층 아키텍처.
• 최적 가중치를 결정하기 위한 고차원 정밀도 행렬 추정 절차(예: 노드와 회귀, 잔차 노드와 회귀, POET, 딥러닝 기반 방법, 비선형 수축)
• 합리적 스크리닝하에서 스크리닝된 포트폴리오의 제곱 샤프 비율이 목표를 일관되게 추정한다는 것을 보이는 이론적 결과(Theorem A.1)에 따라 포트폴리오 자산 수를 스크리닝으로 realized하는 확률변수로 다룬다.
• 느린 서사와 빠른 뉴스를 포착하기 위한 롤링 재학습 스케줄(LLM-S 연간, FinBERT 월간)과 3 중 합의 규칙.
• 다양한 기준선과의 비교(순수 정량적, 단일 에이전트 LLM, 전통적 스크리닝, 사람-개입 시스템)로 다중 에이전트 설계의 가치를 분리 분석한다.

실험 결과

연구 질문

• RQ1 LLM 기반 펀더멘털 스크리닝과 센티멘트 분석의 통합이 벤치마크와 비교했을 때 포트폴리오 성과에 어떤 영향을 미치는가?
• RQ2 자릿수가 임의인 스크리닝에 대해 고차원 정밀도 행렬 접근이 더 우수한 가중치 구성을 낳을 수 있는가?
• RQ3 합리적 스크리닝의 개념이 스크리닝 과정에서 생기는 오차를 보완하며 샤프-비율 추정의 일관성을 보장하는가?
• RQ4 다양한 시장 환경과 장기간 기간에 걸쳐 에이전트적 AI 프레임워크의 성과는 어떠한가?

주요 결과

• 다중 에이전트 AI 프레임워크는 대부분의 방법-목표 조합에서 시장 벤치마크보다 높은 샤프 비율을 달성한다.
• 2020–2024년 동안 최상의 에이전트 구성이 연간 샤프 비율 1.1867로, S&P 500의 0.6324에서 향상되어 지수 대비 88%의 개선을 보인다.
• 2015–2024년 동안 에이전트 AI 아키텍처가 지배적이며, 시장 벤치마크의 샤프 비율 0.7298에 비해 최대 0.9429를 기록한다.
• 5년 창에서 최상의 에이전트 구성의 연간 수익률은 36.34%로, 최상의 순수 정량 기준선의 19.99%에 비해 높다.
• 다수 구성에서 인간 분석가의 편향으로 인해 성과가 저하되는 경우가 많아, AI 기반 스크리닝의 가치가 강조된다.