[논문 리뷰] Enhancing Anomaly Detection in Financial Markets with an LLM-based Multi-Agent Framework

Taejin Park|arXiv (Cornell University)|2024. 03. 28.

Complex Systems and Time Series Analysis인용 수 6

한 줄 요약

본 논문은 금융 시장 이상 현상을 검증하고 해석하기 위한 LLM 기반 다중 에이전트 프레임워크를 제안하며, S&P 500 데이터에서 수동 검증을 감소시키는 것을 시연한다.

ABSTRACT

This paper introduces a Large Language Model (LLM)-based multi-agent framework designed to enhance anomaly detection within financial market data, tackling the longstanding challenge of manually verifying system-generated anomaly alerts. The framework harnesses a collaborative network of AI agents, each specialised in distinct functions including data conversion, expert analysis via web research, institutional knowledge utilization or cross-checking and report consolidation and management roles. By coordinating these agents towards a common objective, the framework provides a comprehensive and automated approach for validating and interpreting financial data anomalies. I analyse the S&P 500 index to demonstrate the framework's proficiency in enhancing the efficiency, accuracy and reduction of human intervention in financial market monitoring. The integration of AI's autonomous functionalities with established analytical methods not only underscores the framework's effectiveness in anomaly detection but also signals its broader applicability in supporting financial market monitoring.

연구 동기 및 목표

• 시장 데이터의 이상 경보에서 수동 검증 병목 현상을 동기 부여하고 해결한다.
• 이상 발견을 검증하고 설명하며 통합하는 협업 다중 에이전트 AI 시스템을 제안한다.
• 효율성과 정확도 향상을 보여주기 위해 S&P 500 시계열로 프레임워크를 시연한다.
• AI 자율성이 시장 모니터링의 전통적 분석 방법을 보완하는 방법을 강조한다.

제안 방법

• 맥락-rich 처리를 가능하게 하기 위해 메타데이터와 함께 표 형식의 이상 데이터를 LLM 친화적 형식으로 변환한다.
• 다양한 소스를 통해 이상을 검증하기 위해 전문 데이터 전문 에이전트(웹 연구, 제도 지식, 교차 검증)를 배치한다.
• 전용 보고 에이전트를 통해 전문가 분석을 요약 보고서로 통합한다.
• 도메인 에이전트 간의 경영 진단 토론을 촉진하여 전략적 권고를 도출한다.
• 최종 결정이 인간 분석가에 의해 내려지는 인간 중심 브리핑을 제시한다.
• 탐지에서 보고까지 이상 검증을 자동화하기 위해 다중 에이전트 워크플로를 활용한다.

실험 결과

연구 질문

• RQ1 LLM 기반 다중 에이전트 시스템이 금융 시장 데이터에서 탐지된 이상 현상의 검증과 해석을 어떻게 향상시킬 수 있는가?
• RQ2 자율 에이전트가 분석적 엄정성을 유지하면서 이상 워크플로우에서 인간 개입을 어느 정도까지 줄일 수 있는가?
• RQ3 역사적 이상을 포함한 실제 금융 시계열(예: S&P 500)에 적용했을 때 프레임워크의 성능은 어떠한가?

주요 결과

• 프레임워크는 효율성와 정확성을 높이고 이상 검증에서의 인간 개입을 줄인다.
• S&P 500에 적용 시, 시스템은 주목할 만한 이상치를 식별하고 역사적 사건과 맥락을 확인한다.
• 웹 연구와 제도 지식 에이전트가 이상에 대한 상호 보완적 증거를 제공한다.
• 교차 검증을 통해 이전에 null로 표시된 값 중 몇 가지가 실제로 데이터 변경임이 밝혀져 데이터 무결성이 향상된다.
• 경영 및 요약 에이전트가 인간의 의사 결정에 준비된 통합 평가를 산출한다.
• 이 접근법은 금융 시장 모니터링에 더 넓은 적용 가능성을 보여준다.