Toward Expert Investment Teams:A Multi-Agent LLM System with Fine-Grained Trading Tasks

. 연구의 배경 및 문제점

최근 LLM을 활용한 자동화된 트레이딩 시스템 연구가 활발히 진행되고 있으나, 기존 연구들은 에이전트(AI)에게 "재무제표를 분석해라"와 같이 너무 포괄적이고 모호한(Coarse-grained) 지시를 내리는 경향이 있었습니다. 이렇게 지시할 경우 LLM의 추론 성능이 떨어지고, 최종적으로 왜 그런 투자 결정을 내렸는지 중간 과정을 해석하기 어렵다는 치명적인 단점이 발생합니다.

2. 제안하는 해결책: 세분화된(Fine-Grained) 작업 설계

연구진은 이 문제를 해결하기 위해 실제 투자 애널리스트들의 실무 프로세스를 모방하여, LLM 에이전트들에게 매우 구체적이고 세분화된(Fine-grained) 분석 작업을 지시하는 프레임워크를 설계했습니다. 단순히 원시 데이터를 던져주는 것이 아니라, 특정 재무 지표나 기술적 지표의 계산 방식을 구체적으로 제시하고 평가하게 한 것입니다.

3. 시스템 구조 (3단계 계층형 의사결정)

이 시스템은 총 7개의 역할을 맡은 에이전트들이 3단계에 걸쳐 정보를 취합하고 의사결정을 내립니다.

• 1단계 (정보 수집 및 채점 - 애널리스트):
  • 기술적(Technical) 에이전트: 주가 모멘텀, 변동성, 오실레이터 등 기술적 지표 분석.
  • 정량적(Quantitative) 에이전트: 재무제표를 기반으로 수익성, 안정성, 가치평가 등 정량적 수치 분석.
  • 정성적(Qualitative) 에이전트: 사업 보고서 텍스트를 분석해 비즈니스 모델, 리스크, 경영진 평가.
  • 뉴스(News) 에이전트: 최신 뉴스 기사를 분석해 시장의 기대감이나 위험 요소 파악.
• 2단계 (조정 및 거시경제 평가):
  • 섹터(Sector) 에이전트: 하위 애널리스트들의 결과를 종합하고, 해당 기업의 수치를 섹터(산업군) 평균과 비교하여 점수를 재조정합니다.
  • 매크로(Macro) 에이전트: 금리, 인플레이션, 경제 성장률 등 거시경제 지표를 독립적으로 분석합니다.
• 3단계 (최종 포트폴리오 구성):
  • 포트폴리오 매니저(PM) 에이전트: 섹터 에이전트의 '상향식(Bottom-up)' 분석과 매크로 에이전트의 '하향식(Top-down)' 분석을 종합하여 최종 투자 매력도를 산출하고, 롱-숏(매수-매도) 포트폴리오를 구성합니다.

4. 주요 실험 결과

일본 주식 시장(TOPIX 100) 데이터를 바탕으로 2023년 9월부터 2025년 11월까지 백테스트(과거 데이터 모의투자)를 진행한 결과는 다음과 같습니다.

• 수익률 향상: 세분화된(Fine-grained) 지시를 받은 에이전트 시스템이 기존의 포괄적인(Coarse-grained) 시스템보다 위험 조정 수익률(샤프 지수) 측면에서 유의미하게 뛰어난 성과를 기록했습니다.
• 기술적 분석의 중요성: 특정 에이전트를 하나씩 제거해보는 실험(Ablation Study) 결과, 여러 에이전트 중 '기술적 분석 에이전트'가 전체 시스템 성능을 끌어올리는 가장 핵심적인 역할을 하는 것으로 밝혀졌습니다.
• 해석 가능성(투명성) 증가: 에이전트들이 생성한 텍스트를 분석한 결과, 세세한 지시를 내렸을 때 하위 애널리스트의 분석 내용(특히 기술적 통찰)이 최종 결정권자인 PM 에이전트에게 훨씬 더 논리적으로 잘 전달되었습니다.
• 실제 시장 적용 가능성: 단순히 AI 포트폴리오만 운영하는 것이 아니라 기존 시장 지수(TOPIX 100)와 AI 전략을 50:50으로 혼합했을 때, 각각을 단독으로 운영할 때보다 훨씬 우수한 성과를 내어 실제 금융 현장에서도 활용 가치가 높음을 증명했습니다.