대형 언어 모델 기반 금융 트레이딩 에이전트 조사

초록

본 논문은 대형 언어 모델(LLM)을 활용한 금융 트레이딩 에이전트의 최신 연구 27편을 체계적으로 정리한다. LLM을 직접 트레이더로 활용하는 방식과 알파 마이너(요인 생성) 방식으로 크게 두 갈래로 구분하고, 뉴스‑드리븐, 리플렉션‑드리븐, 디베이트‑드리븐, 강화학습‑드리븐 등 네 가지 서브 아키텍처를 상세히 설명한다. 또한 수치·텍스트·시각·시뮬레이션 데이터 등 네 종류의 입력 데이터를 정리하고, 백테스트 성과와 현재 직면한 한계(데이터 변환, 환각, 비용 등)를 논의한다. 마지막으로 모델 선택 현황과 향후 연구 방향을 제시한다.

상세 분석

이 논문은 LLM 기반 트레이딩 에이전트를 두 가지 근본적인 패러다임으로 나눈다. 첫 번째는 “LLM as a Trader”로, LLM이 직접 매수·매도 신호를 생성한다. 여기서는 뉴스‑드리븐, 리플렉션‑드리븐, 디베이트‑드리븐, 강화학습‑드리븐 네 가지 세부 구조가 제시된다. 뉴스‑드리븐 방식은 실시간 뉴스와 거시경제 지표를 프롬프트에 삽입해 가격 변동을 예측하고, GPT‑4와 같은 최신 모델이 제로샷 혹은 인‑컨텍스트 학습으로 높은 정확도를 보인다. 리플렉션‑드리븐은 메모리와 반성 모듈을 계층적으로 구축해 과거 요약본을 현재 관찰과 결합, 인간의 인지 과정과 유사하게 의사결정을 강화한다. 특히 FinMem과 FinAgent은 메모리 검색 시 최신성·관련성·중요성을 동시에 고려해 환각을 억제하고, 멀티모달 입력(텍스트·수치·이미지)을 통합한다. 디베이트‑드리븐은 다수의 역할‑특화 LLM이 상호 토론하며 신뢰성을 높이며, TradingGPT는 이러한 토론을 의사결정 전 단계에 삽입해 견고한 반성을 만든다. 강화학습‑드리븐은 백테스트 결과를 보상 신호로 활용해 RLHF·RLAIF 기법을 적용, SEP과 LG‑SCRL 프레임워크가 대표적이다. 여기서는 LLM이 뉴스 임베딩을 생성하고, 이를 기존 주가 피처와 결합해 PPO 기반 정책망을 학습한다. 두 번째 패러다임인 “LLM as an Alpha Miner”는 LLM이 알파 팩터를 생성하고, 이를 전통적인 퀀트 파이프라인에 투입한다. QuantAgent과 AlphaGPT는 인간‑인증 루프를 도입해 스크립트·코드 수준의 팩터를 자동 생성·검증한다. 모델 선택 측면에서는 GPT‑3.5와 GPT‑4가 연구에서 압도적 우위를 차지하고, 비용·지연을 고려해 GPT‑3.5가 더 빈번히 사용된다. 데이터 측면에서는 수치 데이터(가격·거래량), 텍스트 데이터(재무보고·뉴스·애널리스트 리포트), 시각 데이터(차트·이미지), 시뮬레이션 데이터가 네 가지 범주로 정리된다. 특히 수치 데이터를 텍스트 형태로 변환해 LLM에 입력하는 방법, 그리고 시각 데이터를 멀티모달 LLM(GPT‑4V, LLaVA)으로 처리하는 초기 시도가 보고된다. 논문은 현재 LLM이 복잡한 수치 연산·정밀한 시계열 예측에 약점이 있음을 지적하고, 환각 방지를 위한 메모리·리플렉션 설계, 비용 효율적인 모델 선택, 실시간 데이터 파이프라인 구축 등 실용적 과제가 남아 있음을 강조한다. 향후 연구는 멀티모달 통합, 고품질 피드백 루프 자동화, 규제·윤리적 고려사항, 그리고 실제 운용 환경에서의 리스크 관리 프레임워크 구축으로 방향을 제시한다.