[논문 리뷰] LLM-Powered Multi-Agent System for Automated Crypto Portfolio Management

Yichen Luo, Yebo Feng외 3명|arXiv (Cornell University)|2025. 01. 01.

Distributed and Parallel Computing Systems인용 수 3

한 줄 요약

이 논문은 상위 30개 암호화폐와 실시간 데이터를 사용하여 분류, 자산가격 책정, 포트폴리오 성과에서 단일 에이전트 LLM 및 시장 벤치마크를 능가하는 설명 가능하고 다중 모달 다중 에이전트 프레임워크를 제안합니다.

ABSTRACT

Cryptocurrency investment is inherently difficult due to its shorter history compared to traditional assets, the need to integrate vast amounts of data from various modalities, and the requirement for complex reasoning. While deep learning approaches have been applied to address these challenges, their black-box nature raises concerns about trust and explainability. Recently, large language models (LLMs) have shown promise in financial applications due to their ability to understand multi-modal data and generate explainable decisions. However, single LLM faces limitations in complex, comprehensive tasks such as asset investment. These limitations are even more pronounced in cryptocurrency investment, where LLMs have less domain-specific knowledge in their training corpora. To overcome these challenges, we propose an explainable, multi-modal, multi-agent framework for cryptocurrency investment. Our framework uses specialized agents that collaborate within and across teams to handle subtasks such as data analysis, literature integration, and investment decision-making for the top 30 cryptocurrencies by market capitalization. The expert training module fine-tunes agents using multi-modal historical data and professional investment literature, while the multi-agent investment module employs real-time data to make informed cryptocurrency investment decisions. Unique intrateam and interteam collaboration mechanisms enhance prediction accuracy by adjusting final predictions based on confidence levels within agent teams and facilitating information sharing between teams. Empirical evaluation using data from November 2023 to September 2024 demonstrates that our framework outperforms single-agent models and market benchmarks in classification, asset pricing, portfolio, and explainability performance.

연구 동기 및 목표

• 가격 형의 제한, 다중 모달 데이터 필요성 및 복잡한 추론으로 인한 암호화폐 투자 도전 과제 해결.
• 데이터 분석, 문헌 지식, 투자 의사결정을 통합하는 설명 가능 다중 에이전트 시스템 개발.
• 실세계 데이터(2023년 6월–2024년 9월)를 사용한 분류 정확도, 자산 가격 책정 및 포트폴리오 성과를 기준으로 벤치마크 대비 개선 입증.
• 팀 내 및 팀 간 협업을 통해 예측 정확도와 설명가능성을 향상시키기.

제안 방법

• 데이터 팀, 문헌 팀, 시장 팀, 암호화 팀 간의 전문 에이전트들에게 투자 작업을 하위 작업으로 분해하여 할당한다.
• 다중 모달 과거 데이터와 전문 문헌에 대해 에이전트를 미세조정하기 위한 전문가 훈련 모듈을 사용; 설명 팀을 통해 고품질 훈련 프롬프트를 생성한다.
• 두 가지 모듈 프레임워크를 구현한다: 에이전트 훈련(데이터 및 문헌 처리, 프롬프트 생성, 미세조정) 및 다중 에이전트 투자(실시간 데이터, 시장/암호화/거래 팀).
• 로그 확률 신뢰도를 통한 팀 내 앙상블로 최종 예측 형성; 팀 간 메모리 공유를 통해 암호화 결정을 강화한다.
• 앙상블 상승 확률에 기반한 다섯분위 포트폴리오를 구성하고 투자에 Very High 분위를 선택; 벤치마크(1/N, Nasdaq Crypto Index, BTC)와 비교한다.
• 세 가지 벤치마크를 대상으로 분류 정확도, 다섯 분위 기반 요인 사용한 자산 가격 책정, 포트폴리오 성과 및 설명가능성 지표를 평가한다.

실험 결과

연구 질문

• RQ1 다중 에이전트, 다중 모달 LLM 프레임워크가 암호화폐 투자 작업에서 단일 에이전트 LLM을 능가할 수 있는가?
• RQ2 팀 내 및 팀 간 협력 메커니즘이 예측 정확도와 설명가능성에 어떤 영향을 미치는가?
• RQ3 프레임워크가 이진 가격 추세 예측을 신뢰도 기반 자산 가격 책정 및 포트폴리오 구성 지표로 변환할 수 있는가?
• RQ4 역사적 데이터와 문헌에 대한 미세조정이 상위 30개 암호화폐의 설명가능성과 예측 성능을 향상시키는가?

주요 결과

서브태스크	전문가 에이전트	미세조정 없는 단일 GPT-4o	미세조정 있는 단일 GPT-4o	다중 에이전트 프레임워크(우리의)
Crypto Prediction (§3.1.2)	Crypto Factor	0.5145	0.0239	0.5111	0.5177
Crypto Prediction (§3.1.2)	Technical	0.4637	-0.0312	0.4906	0.5118
Crypto Prediction (§3.1.2)	Collaboration	0.4834	-0.0341	0.5133	0.5248
Market Prediction (§3.1.1)	Market Factor	0.5814	0.1612	0.5581	0.5814
Market Prediction (§3.1.1)	News	0.4651	-0.0831	0.5814	0.5581
Market Prediction (§3.1.1)	Collaboration	0.5116	0.0217	0.5581	0.5814

• 다중 에이전트 프레임워크가 평가된 작업에서 단일 에이전트 모델보다 분류, 자산 가격 책정 및 포트폴리오 성과에서 우수하다.
• 암호화 작업 중 협력 및 앙상블 메커니즘이 벤치마크에 비해 더 높은 정확도와 양의 MCC를 산출한다.
• 상승 확률을 분위로 환산해 포트폴리오를 구성할 때 Very High 포트폴리오가 투자 목표와 일치하며 벤치마크를 능가한다.
• 프레임워크는 설명 가능성을 향상시키며 평가 지표가 더 높은 품질의 전문적이고 객관적이며 일관된 설명을 시사한다.
• 실험 결과는 시장 및 암호화 예측 작업에서 미세조정 여부와 무관하게 다중 에이전트 대비 단일 에이전트 기준선보다 분류 정확도와 MCC의 성능 향상을 보여준다.