[논문 리뷰] Large Language Model Agent in Financial Trading: A Survey

Han Ding, Yinheng Li외 4명|arXiv (Cornell University)|2024. 07. 26.

Stock Market Forecasting Methods인용 수 9

한 줄 요약

본 연구는 LLM이 금융 시장에서 트레이딩 에이전트 또는 알파 마이너로 어떻게 사용되는지 조사하고, 아키텍처, 데이터 입력, 백테스트 성능, 문제점을 요약합니다.

ABSTRACT

Trading is a highly competitive task that requires a combination of strategy, knowledge, and psychological fortitude. With the recent success of large language models(LLMs), it is appealing to apply the emerging intelligence of LLM agents in this competitive arena and understanding if they can outperform professional traders. In this survey, we provide a comprehensive review of the current research on using LLMs as agents in financial trading. We summarize the common architecture used in the agent, the data inputs, and the performance of LLM trading agents in backtesting as well as the challenges presented in these research. This survey aims to provide insights into the current state of LLM-based financial trading agents and outline future research directions in this field.

연구 동기 및 목표

• LLM 기반 트레이딩 에이전트의 일반적인 아키텍처를 식별합니다(LLM as Trader 대 LLM as Alpha Miner)와 그 논리를 제시합니다.
• LLM 트레이딩 에이전트가 사용하는 데이터 입력(수치, 텍스트, 시각, 시뮬레이션)을 분류하고 처리 방법을 정리합니다.
• 재무 분야에서 LLM 에이전트를 평가하기 위한 백테스팅 성능, 평가 지표 및 기준선을 검토합니다.
• 제한점, LLM 선택의 현재 추세를 강조하고 향후 연구 방향을 제안합니다.

제안 방법

• 금융 트레이딩을 위한 LLM에 관한 27편의 논문을 체계적으로 검토합니다.
• 아키텍처를 두 가지 주요 유형으로 분류합니다: LLM as Trader 및 LLM as Alpha Miner.
• 데이터 입력을 네 가지 그룹으로 요약합니다: 수치, 텍스트, 시각, 시뮬레이션.
• 백테스트, 지표 및 기준선을 포함한 평가 방법을 요약합니다.
• 모델 접근성 및 통합 과제를 포함한 한계점과 향후 방향을 논의합니다.

Figure 2. Histogram of base LLM used by Finance Agent (one paper may contain multiple agent)

실험 결과

연구 질문

• RQ1 LLM-파워드 트레이딩 에이전트에 사용되는 일반적인 아키텍처는 무엇인가요?
• RQ2 LLM 트레이딩 에이전트에서 어떤 데이터 유형이 사용되며 어떻게 통합되나요?
• RQ3 백테스팅에서 LLM 트레이딩 에이전트의 현재 성능과 한계는 무엇인가요?
• RQ4 LLM 기반 금융 트레이딩에 대해 강조되는 향후 방향과 도전과제는 무엇인가요?

주요 결과

• 거래를 위한 LLM 아키텍처는 넓게 LLM as Trader와 LLM as Alpha Miner로 구분됩니다.
• 에이전트는 주로 텍스트 데이터에 의존하고, 텍스트로 변환된 수치 데이터가 보완되며, 점차 메모리, 반성 및 토론 메커니즘을 탐구합니다.
• 실제 시장 데이터에 대한 백테스트는 베이스라인 대비 연환산 수익률이 15%~30% 범위로 보고될 정도로 강한 성능을 보입니다.
• 문헌상 오픈소스 LLM이 존재하지만 성능으로 인해 OpenAI 모델(GPT-3.5/4)이 사용을 주도하고 있으며, 폐쇄형 모델의 대기시간(latency) 및 프라이버시 문제는 여전히 남아 있습니다.
• 멀티모달 데이터(차트와 같은 시각 자료 포함)가 탐구되고 있지만, 금융 시각 자료의 활용은 아직 저조합니다.
• 평가는 거래 비용 및 미국/중국 주식시장을 넘어선 더 넓은 시장 커버리지를 고려하지 않는 경향이 있어 더 포괄적인 테스트의 필요성을 시사합니다.