TradingAgents: UCLA·MIT 멀티 에이전트 AI 트레이딩 프레임워크 완전 분석

AI가 증권사를 통째로 운영한다면 어떤 모습일까요? 애널리스트가 보고서를 쓰고, 연구팀이 찬반 토론을 벌이고, 트레이더가 주문을 내리고, 리스크 매니저가 포지션을 점검하는 그 모든 과정을 LLM(대형 언어 모델) 에이전트들이 대신한다면요?

UCLA와 MIT 연구팀이 이 질문에 실제로 답했습니다. TradingAgents는 2024년 12월 공개된 오픈소스 멀티 에이전트 금융 트레이딩 프레임워크로, 실제 트레이딩 펌의 조직 구조를 7개 LLM 에이전트로 시뮬레이션합니다.

이 글에서는 TradingAgents의 아키텍처, 기술 스택, 벤치마크 성과, 그리고 실제 활용 시 반드시 고려해야 할 한계점들을 심층 분석합니다.

---

TradingAgents란 무엇인가?

TradingAgents는 Tauric Research 주도로 UCLA(Yijia Xiao·Wei Wang)와 MIT(Di Luo·Edward Sun)의 연구팀이 개발한 멀티 에이전트 LLM 금융 프레임워크입니다.

핵심 가치 제안: 기존의 단일 LLM 트레이딩 시스템이 "한 명의 제너럴리스트"에게 모든 것을 맡기는 방식이라면, TradingAgents는 "전문가 팀이 분업해서 의사결정을 내리는 방식"을 구현합니다.

• GitHub: https://github.com/TauricResearch/TradingAgents
• arXiv 논문: https://arxiv.org/abs/2412.20138
• 공식 블로그: https://tauric.ai/research/tradingagents/

---

7개 에이전트, 5개 팀: 멀티 에이전트 아키텍처 심층 분석

TradingAgents의 가장 독특한 점은 실제 트레이딩 펌의 조직 구조를 그대로 LLM 에이전트로 구현했다는 것입니다.

팀 구조와 정보 흐름

1단계: 애널리스트 팀 (Analysts Team)

네 명의 전문 애널리스트가 각기 다른 분석 관점을 담당합니다.

2단계: 리서치 팀 (Research Team)

Researcher 에이전트가 4명의 애널리스트 보고서를 종합한 후, Bull(강세) 연구원과 Bear(약세) 연구원이 공개 토론을 벌입니다.

이 토론 구조가 TradingAgents만의 특별한 설계입니다. 한쪽으로 쏠린 편향을 교정하고, 상반된 근거를 모두 검토해서 더 균형 잡힌 시각을 만들어냅니다.

3단계: 트레이더 (Trader)

리서치 팀의 종합 보고서를 받아 실제 거래 신호와 포지션 크기를 결정합니다:

• 매수(BUY) / 매도(SELL) / 관망(HOLD)
• 포지션 규모 (1.0 = 전체 자본의 100%)

4단계: 리스크 관리 (Risk Management)

트레이더의 결정을 독립적으로 검토합니다.

• 포트폴리오 VAR(Value at Risk) 계산
• 최대 손실(Max Drawdown) 허용 범위 검사
• 변동성(Volatility) 수준 확인

트레이더의 주문을 승인하거나 포지션 크기를 축소합니다.

5단계: 펀드 매니저 (Fund Manager)

최종 의사결정자. 리스크 관리팀의 검토를 거친 주문에 최종 승인을 내립니다.

LangGraph 기반 워크플로우 오케스트레이션

이 5단계 협업 구조는 LangGraph를 통해 구현됩니다. LangGraph는 LangChain 팀이 만든 에이전트 오케스트레이션 프레임워크로:

• 여러 에이전트 간의 정보 흐름을 그래프 형태로 정의
• 상태(State) 관리를 체계적으로 수행
• 에이전트 간 메시지 전달을 자동화

TradingAgents는 이를 통해 "애널리스트 → 리서치 → 트레이더 → 리스크 → 펀드 매니저"로 이어지는 파이프라인을 구현합니다.

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

# 설정 구성
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["deep_think_llm"] = "gpt-5"       # 복잡한 추론용
config["quick_think_llm"] = "gpt-4o-mini" # 빠른 결정용

# 그래프 초기화 및 실행
ta = TradingAgentsGraph(debug=True, config=config)
state, decision = ta.propagate("AAPL", "2025-12-01")

# 결과 확인
print(f"종목: {decision['symbol']}")
print(f"신호: {decision['signal']}")      # BUY/SELL/HOLD
print(f"포지션: {decision['position']}")  # 0.0 ~ 1.0
print(f"신뢰도: {decision['confidence']}")

---

벤치마크 성과: 수치 기반 분석

주요 성과 지표

TradingAgents는 Buy & Hold뿐 아니라 MACD, KDJ+RSI, ZMR, SMA 크로스오버 등 5개의 전통적인 기술적 분석 전략도 모두 상회했습니다.

수치 해석의 핵심 주의사항

1. 3개월 벤치마크의 한계

테스트 기간이 약 3개월에 불과합니다. 이는:

• 단기 성과가 장기적으로 유지된다는 보장 없음
• 다양한 시장 국면(강세/약세/횡보)을 모두 커버하지 못함
• 극단적인 시장 변동성에 대한 대응 검증 부족

2. Sharpe Ratio 8.21의 이례성

통상적으로:

• Sharpe Ratio 1.0 = 적절한 수준
• Sharpe Ratio 2.0 이상 = 매우 우수한 전략
• Sharpe Ratio 8.21 = 현실적으로 매우 이례적

이는 다음을 의심하게 합니다:

• 과적합(Overfitting) 가능성
• 백테스트 환경의 이상적인 가정
• 실거래 슬리피지와 비용이 반영되지 않은 결과

3. LLM의 방향성 편향

연구팀도 인정하는 문제:

• 상승장에서는 과도하게 보수적
• 하락장에서는 반대로 공격적

LLM이 학습 데이터의 패턴을 반영하기 때문으로 추정됩니다.

---

기술 스택과 설치

기술 스택 상세

v0.2.2의 주요 기능

• 팩토리 패턴 멀티 프로바이더: LLM 프로바이더를 역할별로 다르게 설정 가능

  config["analyst_llm"] = "ollama"      # 저비용 로컬 모델
  config["trader_llm"] = "gpt-5"        # 최고 성능 모델
  

• 5단계 레이팅 시스템: 신호의 신뢰도를 1~5 단계로 표현
• OpenAI Responses API 지원: 구조화된 JSON 응답을 보장

설치 및 실행

# 1. 저장소 클론
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# 2. 의존성 설치 (editable 모드)
pip install -e .

# 3. 환경 변수 설정
cat > .env << EOF
OPENAI_API_KEY=sk-...
FINNHUB_API_KEY=cxxxxxx
ALPHA_VANTAGE_API_KEY=...
EOF

# 4. Python에서 실행
python3 << 'PYTHON'
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
ta = TradingAgentsGraph(debug=True, config=config)
state, decision = ta.propagate("AAPL", "2025-12-01")
print(decision)
PYTHON

---

한계점 분석: 실제 활용 시 주의사항

1. 연구 목적 전용

프로젝트 README와 논문에 명시되어 있습니다:

"TradingAgents는 교육·연구 목적으로만 사용해야 합니다."

실제 자금으로 운용하기 위한 프로덕션 시스템이 아닙니다.

2. API 비용 문제

7개 에이전트가 매 거래 결정마다 순차적으로 LLM을 호출합니다:

분석 에이전트(4) → 리서처(1) → 트레이더(1) → 리스크(1) → 펀드매니저(1)
= 최소 9회 이상의 LLM 호출 / 분석당

비용 추정:

• GPT-5 모든 에이전트: 하루 $50~$200+
• Ollama 혼합 구성: 하루 $10~$30

실시간으로 수백 개 종목을 모니터링하는 방식은 사실상 운영 불가능합니다.

3. 실시간 환경 미검증

현재 벤치마크는 모두 백테스트(과거 데이터) 기반입니다.

실거래에서 발생하는 요소들이 반영되지 않았습니다:

• 슬리피지(Slippage): 주문 가격과 실제 체결 가격의 차이
• 유동성 제약: 대량 주문 시 가격 변동
• 시장 충격 비용: 대규모 거래가 시장에 미치는 영향
• 스프레드: 호가가와 매도가 사이의 비용

4. 과적합 우려

• 3개월의 짧은 테스트 기간
• 단일 종목(AAPL) 중심의 벤치마크
• 특정 시장 조건(2024년 후반~2025년)에 최적화된 가능성

다양한 종목·기간·시장 국면에서 동일한 성과가 재현된다는 보장이 없습니다.

---

후속 연구와 진화 방향

Trading-R1 (2026년 1월)

강화학습(Reinforcement Learning)을 접목한 후속 연구입니다.

• LLM의 추론을 강화학습으로 파인튜닝
• 트레이딩 의사결정의 일관성 개선 목표
• 상충 상황에서의 의사결정 최적화

TradingAgents-CN

중국 A주 시장에 특화된 버전입니다.

• 중국 금융 시장의 고유한 규제 반영
• 중국 증권 거래소(SSE, SZSE) 특성 고려
• 중국어 뉴스·공시 분석 능력 추가

멀티 에이전트 AI 트레이딩의 미래

세 가지 주요 방향이 예상됩니다:

1. 의사결정 품질 개선: LLM + 강화학습 결합으로 편향 감소
2. 저지연 실행: 실시간 데이터 처리와 마이크로초 단위 거래 가능성
3. 자산 확장: 채권, 외환, 파생상품, 암호화폐로의 확장

---

자주 묻는 질문 (FAQ)

Q: TradingAgents를 실제 주식 투자에 사용할 수 있나요?

A: 강력히 권장하지 않습니다. 연구팀 스스로도 실제 투자에 사용하지 말 것을 명시하고 있습니다. 백테스트 성과가 미래 수익을 보장하지 않으며, 실거래 비용과 슬리피지가 반영되지 않았습니다.

Q: 어떤 LLM을 사용하면 최고의 성과를 낼 수 있나요?

A: v0.2.2는 GPT-5, Gemini 3, Claude 4, Grok 4를 모두 지원합니다. 하지만 성능은 모델 자체보다 데이터 품질과 에이전트 프롬프트 설계에 더 크게 영향을 받습니다. 팩토리 패턴을 활용해 역할별로 다른 모델을 조합하는 것을 추천합니다.

Q: 한국 주식 시장에 적용할 수 있나요?

A: 가능합니다. 데이터 소스를 다음과 같이 확장할 수 있습니다:

• 한국투자증권 Open API: 실시간 주가, 재무제표
• KRX 공공 데이터 포털: 공시, 공매도 정보
• 네이버 금융/증권사: 뉴스, 공시

Q: 실제로 트레이딩을 자동화하려면 어떻게 해야 하나요?

A: 추천하는 구조:

1. TradingAgents를 신호 생성 시스템으로 활용 (의사결정만 담당)
2. 별도의 리스크 관리 레이어 구축 (포트폴리오 레벨의 리스크 통제)
3. 수동 검증 프로세스 추가 (AI 신호를 인간이 최종 확인 후 실행)
4. 종이 거래(Paper Trading) 단계부터 검증

---

참고 자료

• TradingAgents GitHub 저장소
• arXiv 논문: TradingAgents (2412.20138)
• Tauric Research 공식 블로그
• DigitalOcean TradingAgents 가이드
• LangGraph 공식 문서