AI 에이전트가 헤지펀드를 통째로 시뮬레이션합니다
- 원본 URL: https://www.threads.com/@unclejobs.ai/post/DWL2ljWCdBd
- 작성자: @unclejobs.ai
- 날짜: 2026년 3월 22일 일요일 오후 8:34
- 태그: AIThreads
- 조회수: 1.4만회
본문 (스레드 전체)
1/12
AI 에이전트가 헤지펀드를 통째로 시뮬레이션합니다
애널리스트 4명, 리서처 2명, 트레이더 1명, 리스크 매니저, 펀드 매니저. 전부 AI. 전부 오픈소스.
TradingAgents. GitHub 스타 3만 5,900개. 포크 6,800개.
한 명의 AI가 주식을 사고파는 게 아닙니다. AI들이 실제 트레이딩 회사처럼 역할을 나누고, 서로 토론하고, 반박하고, 위험을 평가한 다음에야 비로소 한 건의 매매를 결정합니다.
헤지펀드가 2% 관리 수수료 + 20% 성과 수수료를 받고 하는 바로 그 워크플로우입니다. 이건 무료입니다.
2/12 — 구조부터 봅시다
실제 트레이딩 회사의 조직도를 그대로 복제했습니다. 5개 팀, 7개 역할.
1단계: 애널리스트 팀 (4명 동시 분석)
기업 재무 애널리스트가 실적, 밸류에이션, 재무제표를 평가합니다. 뉴스 애널리스트가 글로벌 뉴스와 거시경제 지표를 모니터링합니다. 감성 애널리스트가 소셜 미디어, Reddit, X…
네 명이 동시에 돌아갑니다. 병렬 실행.
3/12 — 2단계: 리서처 팀 (불 vs 베어 토론)
여기가 핵심입니다.
강세 리서처(Bull)가 “사야 하는 이유”를 주장합니다. 성장 가능성, 유리한 시장 조건, 긍정적 신호를 강조.
약세 리서처(Bear)가 “사면 안 되는 이유”를 주장합니다. 리스크, 부정적 신호, 하방 시나리오를 강조.
둘이 구조화된 토론을 합니다. 한쪽이 이기는 게 아니라, 양측 논거를 균형 잡힌 시각으로 종합하는 게 목적입니다.
4/12 — 3~5단계
3단계: 트레이더
애널리스트 4명의 보고서와 리서처 2명의 토론 결과를 전부 종합해서 매매 결정을 내립니다. 매수/매도/관망, 그리고 규모.
4단계: 리스크 관리팀
트레이더의 결정을 받아서 시장 변동성, 유동성, 기타 리스크를 평가합니다. 위험하다고 판단하면 거부권을 행사할 수 있습니다.
5단계: 펀드 매니저
리스크 관리팀의 평가 보고서를 보고 최종 승인/거부. 승인되면 시뮬레이션 거래소에서 주문 실행.
매매 한 건에 LLM 호출 11번, 도구 호출 20번 이상입니다.
5/12 — 소통 방식이 다르다
대부분의 멀티에이전트 시스템은 자유 대화(unstructured dialogue)로 소통합니다. TradingAgents는 다릅니다.
애널리스트와 트레이더는 구조화된 보고서로 소통합니다. 분석 결과를 정해진 형식으로 전달. 정보 손실을 최소화합니다.
자연어 대화는 토론이 필요한 곳에만 씁니다. 리서처 팀의 불/베어 토론, 리스크 관리팀의 위험 평가 논의. 깊은 추론과 균형 잡힌 판단이 필요한 구간에서만 “말”을 합니다.
구조화된 출력 + 자연어 대화의 하이브리드. 이걸 논문에서 “structured protocol”이라고 부릅니다.
6/12 — 실험 결과
논문에서 3개월간 벤치마크를 돌렸습니다. LLM과 도구 사용이 집약적이라 3개월이 한계였다고 합니다.
기존 전통적 트레이딩 전략 전부와 비교했습니다. 누적 수익률, 샤프 비율, 최대 낙폭(MDD). 세 지표 모두에서 기존 모델을 이겼습니다.
논문이 직접 인정한 부분도 있습니다. 샤프 비율이 기대 범위를 초과했는데(2 이상이면 매우 좋고, 3 이상이면 탁월), 이는 테스트 기간 동안 하락 장세가 거의 없었기 때문일 수 있습니다.
7/12 — 기술 스택
LangGraph로 구축했습니다. 모듈성과 유연성 확보.
지원하는 LLM이 6개 프로바이더입니다. OpenAI(GPT-5.4), Google(Gemini 3.1), Anthropic(Claude 4.6), xAI(Grok 4.x), Op…
v0.2.1(2026년 3월)에서 최신 모델 전부 지원. 설정 파일에서 deep_think_llm(복잡한 추론용)과 quick_think_llm(빠른 작업용)을 따로 지정할 수 있습니다.
GPU가 필요 없습니다. API 크레딧만으로 돌아갑니다. CLI에서 티커, 날짜, LLM, 리서치 깊이를 선택하면 에이전트가 알아서 진행합니다.
8/12 — 코드 예시
from tradingagents.graph.trading_graph import TradingAgentsGraph
ta = TradingAgentsGraph(debug=True)
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)코드 세 줄이면 NVDA에 대한 매매 판단을 받을 수 있습니다.
9/12 — 짚어야 할 것
이건 투자 조언 도구가 아닙니다. 논문 자체가 명확하게 밝힙니다.
“트레이딩 성과는 선택한 LLM, 모델 온도, 트레이딩 기간, 데이터 품질, 기타 비결정적 요소에 따라 달라질 수 있습니다. 금융, 투자, 또는 트레이딩 조언이 아닙니다.”
3개월 벤치마크는 짧습니다. 2022년 같은 하락장, 2020년 3월 같은 급락에서 어떻게 작동하는지는 아직 검증되지 않았습니다. 연간 30%라는 숫자가 돌고 있는데, 테스트 기간…
매매 한 건에 11번의 LLM 호출과 20건 이상의 도구 호출. API 비용이 적지 않습니다. 특히 deep_think에 Opus 4.6이나 GPT-5.4를 넣으면 하루 수십 달러…
10/12 — 그래도 의미가 있는 이유
이 프로젝트의 진짜 가치는 수익률이 아닙니다.
“멀티에이전트 시스템으로 복잡한 의사결정을 분해하는 아키텍처”가 핵심입니다. 트레이딩이라는 도메인을 골랐지만, 같은 구조를 의료 진단, 법률 분석, 컨설팅에 적용할 수 있습니다.
특히 불/베어 토론 구조는 우리가 앞에서 다뤘던 Agent Teams의 실전 사례입니다. 같은 데이터를 보고 서로 반대 입장에서 논쟁하게 만들면, 편향이 줄고 의사결정 품질이 올라갑니다.
GitHub 컨트리뷰터 목록에 claude가 있습니다. Claude Code로 개발한 거예요.
11/12 — 관련 리서치
같은 팀(Tauric Research)에서 2026년 1월에 Trading-R1이라는 기술 보고서도 냈습니다. 강화학습 기반 LLM 추론을 트레이딩에 적용하는 연구.
AI 금융 에이전트 분야가 연구 단계에서 오픈소스 프레임워크로 빠르게 넘어오고 있습니다.
12/12 — 링크
- 원문(GitHub): https://github.com/TauricResearch/TradingAgents
- 논문(arXiv): https://arxiv.org/abs/2412.20138 — TradingAgents: Multi-Agents LLM Financial Trading Framework