[논문 리뷰] TradingAgents: Multi-Agents LLM Financial Trading Framework

Yang Xiao, Edward W. Sun외 2명|arXiv (Cornell University)|2024. 12. 28.

Auction Theory and ApplicationsDecision Sciences인용 수 3

한 줄 요약

TradingAgents는 실존하는 투자 회사의 조직 구조를 모방하여 전문화된 LLM 기반 에이전트(기초 분석가, 감성 분석가, 기술 분석가, 리스크 관리 분석가 등)를 배치하고, 구조화된 하이브리드 커뮤니케이션 환경에서 협업하도록 설계된 금융 트레이딩을 위한 다에이전트 LLM 프레임워크를 소개한다. 이 프레임워크는 기준 모델 대비 누적 수익률, 샤프 지수, 최대 손실률 등에서 뚜렷한 성능 향상을 달성한다.

ABSTRACT

Significant progress has been made in automated problem-solving using societies of agents powered by large language models (LLMs). In finance, efforts have largely focused on single-agent systems handling specific tasks or multi-agent frameworks independently gathering data. However, the multi-agent systems' potential to replicate real-world trading firms' collaborative dynamics remains underexplored. TradingAgents proposes a novel stock trading framework inspired by trading firms, featuring LLM-powered agents in specialized roles such as fundamental analysts, sentiment analysts, technical analysts, and traders with varied risk profiles. The framework includes Bull and Bear researcher agents assessing market conditions, a risk management team monitoring exposure, and traders synthesizing insights from debates and historical data to make informed decisions. By simulating a dynamic, collaborative trading environment, this framework aims to improve trading performance. Detailed architecture and extensive experiments reveal its superiority over baseline models, with notable improvements in cumulative returns, Sharpe ratio, and maximum drawdown, highlighting the potential of multi-agent LLM frameworks in financial trading. TradingAgents is available at https://github.com/TauricResearch/TradingAgents.

연구 동기 및 목표

• 기존 금융 분야의 다에이전트 LLM 시스템에서 실존하는 투자 회사의 조직 구조 모델링의 부족을 보완하고자, 실존하는 투자 회사의 구조화된 역할과 워크플로우를 모방한다.
• 다에이전트 시스템 내에서의 비효율적 소통 문제를 해결하고자, 구조화된 출력과 자연어 대화를 융합하여 맥락 손실을 줄이고 추론의 무결성을 향상시킨다.
• 증거 및 역사적 데이터를 바탕으로 한 에이전트 간 논쟁을 지원함으로써 알고리즘 트레이딩의 의사결정 투명성과 설명 가능성을 향상시킨다.
• 누적 수익률, 샤프 지수, 최대 손실률 등의 종합적인 금융 지표를 사용하여 기준 모델 대비 성능을 평가한다.

제안 방법

• 프레임워크는 전문적인 LLM 에이전트를 도입한다: 기초 분석가, 감성 분석가, 기술 분석가, 트레이더 에이전트로 구성되며, 각각 다른 리스크 프로필을 지닌다. 각 에이전트는 금융 데이터의 특정 측면을 분석하는 데 전담된다.
• bull 및 bear 연구 에이전트는 시장 조건에 대해 논쟁을 벌이며, 애플(AAPL)과 같은 자산에 대해 기술적 지표와 감성 데이터를 통합하여 균형 잡힌 시각을 제공한다.
• 리스크 관리 팀은 포트폴리오 노출을 모니터링하고 리스크 제약 조건을 이행하여 사전에 정의된 리스크 기준을 준수한다.
• 커뮤니케이션은 하이브리드 인터페이스를 통해 이루어지며, 구조화된 출력(예: JSON 유사 추론 로그)은 명확성과 추적 가능성을 보장하고, 자연어 대화는 민첩한 논쟁과 맥락 기반 추론을 가능하게 한다.
• 시스템은 역사적 데이터, 실시간 지표(예: RSI, MACD, ATR), 감성 점수를 통합하여 에이전트의 의사결정을 지원한다.
• 최종 투자 결정은 포트폴리오 전반의 분석을 종합하여 종합적인 근거에 기반해 투자 결정을 내리는 펀드 매니저 에이전트에 의해 통합된다.

Figure 1: TradingAgents Overall Framework Organization. I. Analysts Team : Four analysts concurrently gather relevant market information. II. Research Team : The team discusses and evaluates the collected data. III. Trader : Based on the researchers’ analysis, the trader makes the trading decision.

실험 결과

연구 질문

• RQ1 실존하는 투자 회사의 조직 구조를 모방하는 다에이전트 LLM 프레임워크가 단일 에이전트 또는 느슨하게 연계된 에이전트 시스템보다 금융 트레이딩에서 뛰어난 성능을 보일 수 있는가?
• RQ2 구조화된 추론과 자연어 대화를 융합함으로써, 다에이전트 금융 시스템에서 의사결정 정확도는 향상되고 맥락 손실는 감소하는가?
• RQ3 상승장 및 하락장 관점이 반영된 에이전트 간 협업 논쟁이 얼마나 더 견고하고 균형 잡힌 투자 결정을 이끌 수 있는가?
• RQ4 리스크 관리 에이전트의 통합이 최대 손실률 통제 및 리스크 조정 수익률 측면에서 포트폴리오 성과에 어떤 영향을 미치는가?
• RQ5 프레임워크는 설명 가능하고 증거 기반 추론을 유지하면서도 기준 모델 대비 더 높은 누적 수익률과 샤프 지수를 달성할 수 있는가?

주요 결과

• TradingAgents 프레임워크는 기준 모델 대비 누적 수익률에서 뚜렷한 성능 향상을 보이며, 역사적 시장 데이터 기반 수익 창출 능력 향상이 확인되었다.
• 시스템은 기준 모델 대비 더 높은 샤프 지수를 기록하여, 효과적인 리스크 관리와 다각화된 의사결정을 통해 더 나은 리스크 조정 수익률을 달성했다.
• 최대 손실률이 기준 모델 대비 감소하여, 사전 리스크 모니터링을 통해 시장 하락장에서도 프레임워크의 뛰어난 회복력이 입증되었다.
• 구조화된 출력과 자연어 논쟁을 융합한 하이브리드 커뮤니케이션 메커니즘이 장기간의 상호작용 동안 맥락을 효과적으로 유지하고 정보 손실을 줄이는 데 성공했다.
• 펀드 매니저 에이전트는 버블 및 베어 에이전트의 균형 잡힌 분석과 리스크 제어 검증을 바탕으로 애플(AAPL)과 같은 양호한 기본적 요건을 갖춘 자산에 대해 일관되게 '매수' 권고를 내렸다.
• 협업 기반의 다역할 설계 덕분에 프레임워크는 더 세밀하고 설명 가능한 투자 결정을 내릴 수 있었으며, 감사 가능성과 신뢰를 높이는 투명한 추론 추적 기록을 제공했다.

Figure 2: TradingAgents Analyst Team